不同镇痛方法用于髋部或股骨干骨折患者椎管内麻醉摆放体位时镇痛效果的网状Meta分析

目的采用网状Meta分析系统评价不同镇痛方法用于髋部或股骨干骨折患者椎管内麻醉摆放体位时的镇痛效果。方法计算机检索PubMed、Cochrane Library、Web of Science、EMbase、中国生物医学文献数据库(CBM)、中国知网、维普、万方,检索时间为建库至2022年8月,纳入髋部或股骨干骨折患者摆放体位和椎管内麻醉时实施镇痛的随机对照研究。由两名研究员独立进行文献筛选、资料提取和偏倚风险评价,采用Stata 17.0和RevMan 5.3软件进行统计分析。结果共纳入28篇文献,患者1773例。累计排序概率曲线下面积(SUCRA)显示,降低摆放体位时VAS疼痛评分PENG阻滞(94.4%)效果最佳,其次是FIB联合IVA(83.8%)和FIB(71.1%);降低椎管内麻醉时VAS疼痛评分PENG阻滞(98.2%)效果最佳,其次是FIB(71.1%)和FNB(55.6%);缩短椎管内麻醉操作时间PENG阻滞(84.1%)效果最佳,其次是FNB(70.7%)和FIB(68.5%);升高体位摆放质量评分PENG阻滞(99.1%)效果最佳,其次是FIB(73.1%)和FNB(52.9%)。结论神经阻滞或神经阻滞联合IVA可降低髋部或股骨干骨折患者体位摆放和椎管内麻醉时VAS疼痛评分、缩短麻醉操作时间和升高体位摆放质量评分。PENG阻滞对髋部或股骨干骨折患者摆放体位和椎管内麻醉时实施镇痛的效果最佳。

基于改进SSD模型的柑橘叶片病害轻量化检测模型

针对当前目标检测算法存在模型占比大,对柑橘叶片病害检测速度较慢、精度较低等问题,提出了一种基于改进SSD(single shot multibox detector)的柑橘叶片病害轻量化检测方法。引入了轻量化卷积神经网络MobileNetV2作为SSD网络的骨架,以减小模型规模、提高检测速度。引入感受野模块(receptive field block,RFB)来扩大浅层特征感受野,以提高模型对小目标的检测效果。并引入CA(coordinate attention)注意力机制,以强化不同深度的特征信息,进一步提升柑橘叶片病害的识别精度。结果表明,与VGG16-SSD相比,改进模型(MR-CA-SSD)在柑橘叶片病害检测上平均精度均值(mAP)提升4.4百分点,模型占比减小52.3 MB,每秒检测帧数提升3.15。MR-CA-SSD综合性能也优于YOLOv4、CenterNet、Efficientnet-YoloV3等模型。该改进模型可实现对柑橘叶片病害的快速准确诊断,有助于对病害部位及时精准施药。

基于高效通道注意力的多阶段图像去雨网络

针对现有图像去雨算法不能更好地保留图像背景细节的问题,提出一种基于高效通道注意力的多阶段图像去雨网络。首先,网络使用3×3卷积提取雨图的浅层特征并传递给高效通道注意力模块,为不同的特征通道分配不同的权重;然后,传递给3个并行阶段,在前2个阶段中,使用编码-解码器进行多尺度特征提取,减少雨纹信息丢失,其中使用Transformer模块抑制无用信息传递;最后,在第3个阶段使用初始分辨率模块代替编码-解码器,从而保留输出图像的精细特征。实验结果表明,所提算法在Rain800、Rain12、Rain100L和Rain100H公开测试集上的结构相似性分别为0.830、0.968、0.960和0.944,峰值信噪比分别为27.33 dB、35.27 dB、36.79 dB和28.94 dB。所提算法相比于经典和新颖的图像去雨算法,在去除雨纹和恢复背景细节上具有更好的效果。

基于端口注意力与通道空间注意力的网络异常流量检测

网络异常流量检测是网络安全保护重要组成部分之一。目前,基于深度学习的异常流量检测方法都是将端口号属性与其他流量属性同等对待,忽略了端口号的重要性。为了提高异常流量检测性能,借鉴注意力思想,提出一个卷积神经网络(CNN)结合端口注意力模块(PAM)和通道空间注意力模块(CBAM)的网络异常流量检测模型。首先,将原始网络流量作为PAM的输入,分离得到端口号属性送入全连接层,得到学习后的端口注意力权重值,并与其他流量属性点乘,输出端口注意力后的流量数据;其次,将流量数据转换成灰度图,利用CNN和CBAM更充分地提取特征图在通道和空间上的信息;最后,使用焦点损失函数解决数据不平衡的问题。所提PAM具有参数量少、即插即用和普遍适用的优点。在CICIDS2017数据集上,所提模型的异常流量检测二分类任务准确率为99.18%,多分类任务准确率为99.07%,对只有少数训练样本的类别也有较高的识别率。

基于DenseNet和卷积注意力模块的高精度手势识别

非接触的手势识别是一种新型人机交互方式,在增强现实(AR)/虚拟现实(VR)、智能家居、智能医疗等方面有着广阔的应用前景,近年来成为一个研究热点。由于需要利用毫米波雷达进行更精确的微动手势识别,该文提出一种新型的基于MIMO毫米波雷达的微动手势识别方法。采用4片AWR1243雷达板级联而成的毫米波级联(MMWCAS)雷达采集手势回波,对手势回波进行时频分析,基于距离-多普勒(RD)图和3D点云检测出人手目标。通过数据预处理,提取手势目标的距离-时间谱图(RTM)、多普勒-时间谱图(DTM)、方位角-时间谱图(ATM)和俯仰角-时间谱图(ETM),更加全面地表征手势的运动特征,并形成混合特征谱图(FTM),对12种微动手势进行识别。设计了基于DenseNet和卷积注意力模块的手势识别网络,将混合特征谱图作为网络的输入,创新性地融合了卷积注意力模块(CBAM),实验表明,识别准确率达到99.03%,且该网络将注意力放在手势动作的前半段,实现了高精度的手势识别。

融合Inception V1-CBAM-CNN的轴承剩余寿命预测模型

针对现有的滚动轴承剩余寿命(RUL)预测方法精度低、轴承健康指标(HI)构建困难等问题,提出了一种基于卷积神经网络(CNN)并融合Inception V1模块和卷积注意力机制模块(CBAM)的滚动轴承RUL预测模型。首先,在CNN中添加了CBAM机制,并进行了加权处理,在通道和空间维度对重要特征进行了强化,对次要特征进行了抑制,通过添加改进的InceptionV1模块,提高了CNN通道间信息交互水平,全面提取了退化特征;然后,进行了网络优化,采用全局最大池化(GMP)方法对模型进行了简化,采用Dropout和批量归一化(BN)方法,避免了过拟合,提高了精度,且克服了训练时出现的梯度消失问题;最后,对数据进行了处理,将降噪后的信号重组为三维张量,将其作为HI,构建了退化标签,引入了评价指标,采用PHM2012轴承数据集进行了实验验证,在3种工况下将其与深度神经网络(DNN)、CNN方法、结合注意力机制的残差网络方法(ResNet)进行了对比。研究结果表明:该方法在变负载条件下的平均RMSE为0.033,较其他方法的RMSE值分别降低了86%、78%和69%,在预测精度和泛化能力方面具有明显优势。

基于CBAM-CGRU-SVM的Android恶意软件检测方法

随着Android恶意软件的种类和数量不断增多,检测恶意软件以保护系统安全和用户隐私变得越来越重要。针对传统的恶意软件检测模型分类准确率较低的问题,提出一种基于卷积神经网络(CNN)、门控循环单元(GRU)和支持向量机(SVM)的模型CBAM-CGRU-SVM。首先,在CNN中添加卷积块注意力模块(CBAM)以学习更多恶意软件的关键特征;其次,利用GRU进一步提取特征;最后,为了解决图像分类时模型泛化能力不足的问题,使用SVM代替softmax激活函数作为模型的分类函数。实验使用了Malimg公开数据集,该数据集将恶意软件数据图像化作为模型输入。实验结果表明,CBAM-CGRU-SVM模型分类准确率达到94.73%,能够更有效地对恶意软件家族进行分类。

基于改进YOLOv5s的轻量级绝缘子缺失检测

针对现有绝缘子缺失检测模型计算复杂度高和小目标难以检测等问题,提出一种基于改进的YOLOv5s轻量级检测模型。首先,移除主干网络中的C3模块来减少模型的参数量。其次,在多尺度特征融合网络中引入卷积块注意力机制来提高复杂背景下模型的特征提取能力。同时,采用加权双向特征金字塔网络结构对特征进行双向跨尺度加权融合,提升网络在遮挡物、相似目标干扰下目标的检测性能。最后,选用SIoU损失函数提升网络的收敛速度和检测精度。实验结果表明,所提模型的平均精准率为96.8%,浮点运算数为2.8 GFLOPS,而原始YOLOv5s在保证97.4%的平均精准率下的浮点运算数为16.3 GFLOPS。相较于原始模型,所提模型对小目标、遮挡目标以及模糊等场景有着较强的鲁棒性,且在保证近似检测精度的同时极大减少了计算量。

基于GRU-DRSN的双通道人体活动识别

人体活动识别(human activity recognizition, HAR)在医疗、军工、智能家居等领域有很大的应用空间。传统机器学习方法特征提取难度较大且精度不高。针对上述问题并结合传感器时序特性,提出了一种融合CBAM(convolutional block attention module)注意力机制的GRU-DRSN双通道并行模型,有效避免了传统串行模型因网络深度加深引起梯度爆炸和消失问题。同时并行结构使得两条支路具有相同的优先级,使用深度残差收缩网络(deep residual shrinkage network, DRSN)提取数据的深层空间特征,同时使用门控循环结构(gated recurrent unit, GRU)学习活动样本在时间序列上的特征,同时进行提取样本不同维度的特征,并通过CBAM模块进行特征的权重分配,最后通过Softmax层进行识别,实现了端对端的人体活动识别。使用公开数据集(wireless sensor data mining, WISDM)进行验证,模型平均精度达到了97.6%,与传统机器学习模型和前人所提神经网络模型相比,有更好的识别效果。

基于密集连接注意力块的双生成器图像修复算法

针对图像修复痕迹明显、模型训练不稳定等问题,设计一种结合密集连接注意力块的图像修复算法。在生成器中引入精修复和粗修复二阶段修复网络,并在精修复网络中使用4个通道注意力块设计的密集连接注意力块;同时,增设VGG16特征提取模型,引入WGAN-GP作为判别器损失函数,以多损失融合的方式提高图像的修复效果。在CelebA数据集上验证模型的修复效果,该算法在主客观指标上均优于DCGAN、CE和DD这3种主流算法。

雷达对抗中基于FPGA输入分块重映射的数据处理方法

雷达对抗中,干扰机侦收雷达的信号,经AD采样后输入FPGA进行处理并产生干扰信号。FPGA平台利用Xilinx等官方提供的FFTIP核对高速ADC输出的数据进行FFT处理时,需要进行“并行-串行”的数据预处理,降低了处理速度,同时也没有对FPGA内部资源进行最大化利用。基于以上问题,提出一种基于FPGA输入分块重映射的数据处理方法。该方法通过数据输入重映射模块将输入雷达数据优化为并行分块的数据流格式,再通过FFT蝶形网络输出离散傅里叶变换数据,最后进行并行结果输出。试验证明,本方法能有效节省FPGA的运算时间,提高雷达数据处理速度,优化利用了FPGA内部资源,具有实时性好、灵活性高的特点。

改进YOLOv5的汽车齿轮配件表面缺陷检测

针对汽车齿轮配件表面缺陷检测存在效率低和精度差的问题,提出一种基于YOLOv5改进的缺陷检测模型YOLO-CNF。在骨干网络中增加CBAM注意力模块,使模型更加关注齿轮配件的缺陷区域,提高对微小缺陷的识别能力;设计了F2C模块用于融合浅层特征,在一定程度上缓解了微小缺陷位置信息丢失的问题;利用NWD(normalized Wasserstein distance)对回归损失进行优化,减少对小目标位置偏差的敏感性,从而进一步提高目标位置的准确率和精度。实验结果表明,改进模型的平均精度均值达到了86.7%,相较于原始模型提高了3.2个百分点,检测速度为43帧/s,基本满足了对汽车齿轮配件表面缺陷检测的需求。

基于阻塞流的配电网安全边界快速算法

安全边界描述了配电网的安全运行范围,在配电网规划和运行中具有重要价值,能帮助获得配电网的安全裕度和提高安全性,但现有算法求解配电网安全边界点效率不高.针对这一问题,文中引入网络流理论,提出了一种基于阻塞流的配电网安全边界新算法,简化了计算过程,显著提高了求解效率.首先,从概念和模型角度对比了配电网安全边界理论和网络流理论的相关概念,分析发现正常运行安全约束下的配电网严格安全边界与网络阻塞流存在对应关系.其次,提出了基于阻塞流的安全边界计算方法,主要步骤包括:将配电网等效为流量网络;列写等效网络阻塞流解析式,得到对应的配电网安全边界解析式;利用降维采样算法求解等效网络阻塞流,得到对应的配电网安全边界点.最后,通过扩展的IEEE RBTS BUS4柔性配电网算例验证了所提方法.与现有算法对比验证了所提方法的正确性和快速性,所提方法高效的原因是根据网络流理论求解阻塞流,避免了现有算法中耗时的线性规划.文中将网络流理论引入配电网安全边界计算,对简化安全分析方法、提高计算速度提供了新途径.

广州市“窄马路、密路网”街区交通规划提升实践

实现“窄马路、密路网”街区交通规划需要从路网指标、交通组织、设施配置等多方面进行更加精细化的管控。首先,通过总结广州市20余个“窄马路、密路网”街区规划案例,梳理该类街区的空间及交通特征,总结实施过程中存在的典型问题与成因,分析“窄马路、密路网”街区尺度和路网形态对交通组织、设施布局的影响,提出加强“窄马路、密路网”街区交通规划管控的必要性。其次,围绕街区交通效能和出行环境提升,研究形成三大规划提升策略:加强路网指标整体管控、优化街区人车交通组织、精准配置交通设施,并明确街区尺度、支路占比、道路面积率、路网连通性、公共汽车首末站小型化、停车库互联互通等详细管控要求。最后,以广州设计之都三期为例,基于综合评估提出交通规划提升方案。

基于分块重构GAN的铁路隧道漏缆卡扣缺陷检测

由于铁路通讯漏缆卡扣结构模糊、背景差异小、类型多样且数据分布复杂,因此卡扣的缺陷检测仍具有挑战性。针对现有的CNN网络对缺陷数据分布敏感问题,引入非监督学习式的GAN网络,并提出基于分块重构GAN的卡扣缺陷检测算法。首先,采用经典的YOLOv5-M模型截取漏缆卡扣图像;然后,以现有的Skip-GANomaly网络为基础,采用分块去除的方式拆分卡扣图像,将卡扣特征离散化的同时也增加了样本的容量,缓解了Skip-GANomaly在缺陷卡扣重构中的过拟合问题;此外,提出采用余弦相似度计算卡扣重构前后图像的相似度分数,以此判定卡扣是否存在缺陷。选取综合巡检车采集到的漏缆卡扣数据集进行实验,结果表明,本文提出的算法对多类型卡扣缺陷识别的AUC值达到了0.961,比Skip-GANomaly算法提高了3%。此外,可视化的结果表明,与其他两种经典的异常分数相比,采用基于余弦相似度方法能够更好地区分缺陷和正常卡扣。

基于卷积神经网络与通道和空间注意力机制的房颤预测模型研究

目的采用人工智能技术提出一种模型,以对房颤进行早期预防和诊断。方法提出一种基于卷积神经网络(convolutional neural network,CNN)与通道和空间注意力机制(convolutional block attention module,CBAM)的模型用于对房颤的诊断与预测。结果根据长期心房颤动数据库、MIT-BIH心房颤动数据库和MIT-BIH正常窦性心律数据库的数据,提出的模型在全盲的情况下总体准确率达94.2%。结论提出的模型满足了医学心电图解释的需要,为房颤的预测研究提供了新思路。

基于卷积注意力机制的阀门内漏声发射识别方法

阀门结构作为核电厂的关键设备部件之一,因长期处于高温高压环境下,其闸板或阀瓣易发生热变形或磨损导致密封不良,进而引发内漏事故。实时在线识别阀门的内漏状态,对提升核电机组热效率、提高阀门可靠性具有重要意义。因实际工业现场的基底噪声极易掩盖阀门内漏的声发射信号,进而造成阀门内漏状态的误判。为实现阀门内漏状态的快速准确识别,搭建了阀门内漏检测试验台架,开发了基于声发射方法的阀门内漏检测分析系统,将卷积注意力机制引入卷积神经网络中,实现高效快速地识别阀门内漏状态。结果表明,基于阀门内漏的声发射信号频域数据,利用卷积注意力机制神经网络能有效准确地识别阀门内漏状态,在内漏率为26 L/h时,识别准确率高达98%,并且具有较好的可靠性和鲁棒性。

面向边缘端设备的轻量化视频异常事件检测方法

现有基于CNN模型的视频异常事件检测方法在精度不断提升的同时,面临架构复杂、参数庞大、训练冗长等问题,致使硬件算力需求高,难以适配无人机等计算资源有限的边缘端设备。为此,提出一种面向边缘端设备的轻量化异常事件检测方法,旨在平衡检测性能与推理延迟。首先,由原始视频序列提取梯度立方体与光流立方体作为事件表观与运动特征表示;其次,设计改进的小规模PCANet获取梯度立方体对应的高层次分块直方图特征;再次,根据每个局部分块的直方图特征分布情况计算表观异常得分,同时基于内部像素光流幅值累加计算运动异常得分;最后,依据表观与运动异常得分的加权融合值判别异常分块,实现表观与运动异常事件联合检测与定位。在公开数据集UCSD的Ped1与Ped2子集上进行实验验证,该方法的帧层面AUC分别达到86.7%与94.9%,领先大多数对比方法,且参数量明显降低。实验结果表明,该方法在低算力需求下,可以实现较高的异常检测稳定性和准确率,能够有效兼顾检测精度与计算资源,因此适用于低功耗边缘端设备。

城市治理中条块网络化重塑的底层逻辑、识别机理与典型实践

作为行政体系中的基本单元,“条条”和“块块”协调有序的关系是形成社会治理共同体的前提和基础。近年来以优化条块主体协作配合关系为重点的城市治理改革实践不断推进,如何科学认识城市治理中条块改革的底层逻辑并总结其过程特征,对中国城市治理的发展有着重要现实意义。既有研究往往假定治理主体皆是网络结点,而治理行动都是网络化互动,忽视了网络发展的门槛条件和动态演化特征,难以有效提取城市治理结构变迁的理论逻辑与关键经验。本文回归“网络”的概念本质,提出网络“结点化—纽带化—结构化”的三个基本维度,构建了城市治理中条块交互网络化的识别机理,并基于C市J区“街部双向回应”的创新实践进行单案例研究。研究发现,目前条块关系的网络化发展趋势是适应城市治理内外部需求的理性选择,街道(块)与部门(条)在发展成为对等均衡的网络结点过程中,基于信息、执行、协调和监督等关系的建立与强化形成多重嵌入的网络纽带,并逐步转向相对稳定的领导型网络结构,进而在促进条块交互网络化成长的同时,也不断提高治理效能。

基于改进随机分块模型的电商网络链路预测算法

通过改进的随机分块模型(SBM)链路预测算法,研究电子商务网络的演化过程与社团结构。针对原始SBM模型块之间的度分布为二项式分布,引入度衰减参数使得随机分块模型中块之间的度分布遵循幂律分布。针对原始SBM模型中节点之间的连接仅仅取决于节点所属块的假设,引入度控制参数使其更接近真实网络的度数分布。基于此提出优化后的随机分块模型,并利用阿里巴巴淘宝数据集验证该算法,结果显示该算法精确度高于随机分块模型(SBM)、度修正的随机分块模型(DCSBM)以及层次结构模型(HBM)。说明改进后的算法能较好地刻画电商网络中的社团结构,准确地发现网络中的缺失链接。