中医信息系统对多囊卵巢综合征的分型研究

目的通过评估全数字化分析中医基本症候的准确率,来验证全数字化分析中医基本证候与传统中医理论对于多囊卵巢综合征(polycystic ovary syndrome,PCOS)的分型有较高的一致性,从而可以客观地辅助临床对PCOS的诊疗。方法收集PCOS病例,数字化记录症状、体征、辨证分型结果;并采用多标记学习法中的多标记k近邻方法(multi-label k-nearest neighbor,ML-kNN)、多标记贝叶斯学习算法(multi-label naive Bayesian,MLNB)法和深度森林算法(multi-grained cascade forest,gcForest),通过计算平均准确率(average precision)、覆盖距离(coverage)、汉明损失(Hamming loss)、首标记错误和排序损失(ranking loss)5个数值来评估全数字化分析中医基本症候的准确率。结果用ML-kNN、MLNB和gcForest将临床采集的数据建立数学模型,经过计算后得出158例PCOS确诊患者中医临床辨证分型为肾虚、脾虚、肝郁、痰湿和血瘀,其中肾虚无兼症的患者52例,肾虚和肝郁并存的患者48例,肾虚和痰湿并存的患者58例。用ML-kNN得出的证型准确率分别为:肾虚66.6%±10.2%、脾虚86.15%±2.9%、肝郁59.8%±9.7%、痰湿72.2%±11.6%,血瘀82.4%±4.6%。用MLNB得出的证型准确率分别为:肾虚65.5%±8.0%、脾虚85.6%±7.1%、肝郁74.2%±7.7%、痰湿70.5%±4.5%,血瘀81.8%±7.7%。用gcForest得出的证型准确率分别为:肾虚87.2%±5.0%、脾虚86.6%±4.8%、肝郁79.2%±6.5%、痰湿79.4%±6.8%,血瘀82.3%±5.9%。结论用中医信息系统计算的PCOS的中医症候有肾虚、脾虚、肝郁、痰湿、血瘀,与曹玲仙教授对PCOS的分型有较高的一致性。说明全数字化采集PCOS患者证候信息并通过现代数据挖掘方法进行辨证论治,可以对PCOS中医临床证候进行有效规律总结,对临床诊疗有一定的帮助。

基于深度学习的显著性目标检测综述

随着深度学习的不断发展,基于深度学习的显著性目标检测已经成为计算机视觉领域的一个研究热点。首先对现有的基于深度学习的显著性目标检测算法分别从边界/语义增强、全局/局部结合和辅助网络三个角度进行了分类介绍并给出了显著性图,同时对三种类型方法进行了定性分析比较;然后简单介绍了基于深度学习的显著性目标检测常用的数据集和评估准则;接着对所提基于深度学习的显著性目标检测方法在多个数据集上进行了性能比较,包括定量比较、P-R曲线和视觉比较;最后指出现有基于深度学习的显著性目标检测方法在复杂背景、小目标、实时性检测等方面的不足,并对基于深度学习的显著性目标检测的未来发展方向,如复杂背景、实时、小目标、弱监督等显著性目标检测进行了探讨。

注意力残差多尺度特征增强的显著性实例分割

显著性实例分割是指分割出图像中最引人注目的实例对象。现有的显著性实例分割方法中存在较小显著性实例不易检测分割,以及较大显著性实例分割精度不足等问题。针对这2个问题,提出了一种新的显著性实例分割模型,即注意力残差多尺度特征增强网络(ARMFE)。模型ARMFE主要包括2个模块:注意力残差网络模块和多尺度特征增强模块,注意力残差网络模块是在残差网络基础上引入注意力机制,分别从通道和空间对特征进行选择增强;多尺度特征增强模块则是在特征金字塔基础上进一步增强尺度跨度较大的特征信息融合。因此,ARMFE模型通过注意力残差多尺度特征增强,充分利用多个尺度特征的互补信息,同时提升较大显著性实例对象和较小显著性实例对象的分割效果。ARMFE模型在显著性实例分割数据集Salient Instance Saliency-1K(SIS-1K)上进行了实验,分割精度和速度都得到了提升,优于现有的显著性实例分割算法MSRNet和S4Net。

多尺度特征金字塔网格的显著性目标检测

现有算法所提取的语义信息还不够丰富,影响了显著性目标检测的性能.因此,提出了一种多尺度特征金字塔网格模型来增强高层特征包含的语义信息.首先,采用特征金字塔网格结构对高层特征进行增强;其次,采用金字塔池模块对最高层特征进行多尺度操作;最后,引入非对称卷积模块,进一步提高算法性能.所提模型与其他14种显著性目标检测算法在4个数据集上进行了比较,实验结果表明所提算法能够有效提升著性目标检测的性能,特别是在复杂场景下效果更加明显.

基于HALCON的水果识别算法研究

采用基于机器视觉的方法,研究具有不同特征的水果的自动分类识别方法。首先通过对相机采集到的图像进行颜色空间转换、图像增强、图像分割等一系列算法的预处理,提取水果区域从而获得准确的颜色模型和纹理特征,再利用基于MVTec HALCON软件平台的SBI(Sample Based Identification)分类器算法,根据水果的颜色和纹理进行训练和识别。实验结果表明,基于样本的识别方法对经过处理后的水果图像识别具有较强的适应能力,并且具有良好的鲁棒性,总体识别率可达98.5%。

社会责任标杆企业在台湾股票市场上的相对表现

西方关于企业社会责任对营运绩效影响的研究,往往经由社会责任投资,或者企业治理的市场讯号对投资人或消费者的影响来证实。然而经台湾股票市场长期资料的时间序列分析:整体来看,台湾社会责任标竿企业在股票市场上虽然风险较低,相对报酬却比较片面与个别性。不同时间、产业甚至传统品牌因素都可能造成变异。企业社会责任作为市场投资者风险侦测的预警机制是比较合理的解释,负面标竿的出现突显了正面标竿企业的相对优势。因此相对于西方研究,至少台湾在目前为止,企业社会责任最多可视为特定产业投资人长期风险监控的讯号。