基于CiteSpace的房颤检测算法研究现状与趋势分析

房颤是严重的心房电活动紊乱,可导致心脏衰竭、脑卒中等并发症。随着人工智能领域的发展,深度学习算法在房颤早期检测中的应用越来越广泛。运用CiteSpace软件检索2001-2022年中国知网收录的174篇相关文献,从文献发表年份、作者、发表机构、关键词4个方面进行文献计量与可视化分析,以呈现该领域的研究趋势。结果表明,相关文献发文量总体呈上升趋势,但总量仍较低;作者、机构之间合作度偏低,分布较为稀散;研究主要围绕超限学习机、R波定位、希式束、模式识别、QRS波检测、心室纤颤、P波、盲源提取、独立成分分析、机器学习、预处理、混沌、信息熵、波动图、统计性能等展开。使用深度学习算法进行房颤检测已经成为一种趋势,但目前国内对于该领域的研究还有很大提升空间,如研究需要多样化、算法融合度需提高、研究团队和机构之间需进一步加强交流与合作等。

融合Seg-UNet的中医面像分割网络模型研究

目的为实现中医面像部分区域的精准分割,提出一种融合Seg-UNet的中医面像分割网络模型。方法采用Seg-Net网络中的最大池化索引将U-Net网络中的上采样改为上池化来改进U-Net网络。在U-Net网络原编码阶段的池化过程通过池化索引保留权重信息,上采样过程即可利用该索引实现特征图矩阵的扩充。在此基础上增加一层卷积扩增通道数,改进原网络中将特征图矩阵直接复制的上采样方式,从而降低池化过程中权重信息的损失。将Seg-UNet网络模型分别对脸颊、额头和嘴唇3个部位进行分割训练和测试。结果对中医面像部分区域分割精度高,分割效果优于传统U-Net和Seg-Net网络模型,采用准确率(Acc)、Dice系数、平均交并比(MIoU)作为评价指标。结论本研究结合深度学习方法实现了较好的中医面像部分区域分割效果。

改进U-Net网络的中医舌图像分割方法研究

针对传统分割方法在舌图像分割任务中存在精度低、边缘细节丢失的问题,提出一种基于改进U-Net模型的中医舌图像分割方法。该方法使用VGGNet16的卷积层替代传统U-Net的特征提取模块,能够有效提取5个层级的特征信息;并且,优化特征融合方法,保留底层和高层信息并保持输入输出的尺寸一致性,并通过迁移学习方法,提高了学习效率。通过自采集的中医舌图像数据集进行评估验证,其平均交并比和平均像素精度分别为97.91%、98.95%。实验表明,该方法在舌图像数据集上具有较好的分割效果。