人工智能设备反馈辅助运动技能学习

反馈在教学中扮演着重要角色,随着人工智能技术在教育领域的发展,形成性和个性化的教学反馈得到了新的机会与可能。目前,在体育教学领域,人工智能设备的反馈被认为具有潜力,能够改善运动技能的学习效果。利用传感器、摄像头数据分析算法和虚拟现实等技术,人工智能设备可以实时监测和分析人在运动中的动作、姿势和表现,并提供实时反馈和个性化指导,以优化运动技能学习效果。本研究在国内外学者对于智能技术在教学反馈中运用的相关研究基础上,深入探索人工智能设备的反馈对运动技能学习效果,揭示人工智能设备反馈的作用机制,为体育教学和运动训练提供科学依据和实践指导,为相关领域的研究提供理论基础,推动体育教学与人工智能技术的融合,进一步推进智能体育教学的发展。

基于人工智能设备的体育学习评价实施策略

本文通过对已有文献的梳理和分析,结合教学实践经验,从人工智能设备在体育学习中的应用、体育学习评价体系的构建以及人工智能设备的体育学习评价实施策略等方面进行了深入探讨,提出了基于人工智能设备的体育学习评价实施策略,包括制定智能化评价标准、开展智能化体育训练、实现智能化体育测试等方面的实施策略并进行了实验研究。结果表明,基于人工智能设备的体育学习评价实施策略具有一定的可行性和实用性,能够有效提升体育教学效果并激发学生的学习兴趣。该研究对于实现体育教学的现代化和推动人工智能技术在教育领域的应用均有重要意义。

WHO《为基于人工智能的医疗设备生成证据:训练、验证和评估框架》解析及其对我国医学装备行业的启示

目的:解析世界卫生组织(WHO)《为基于人工智能的医疗设备生成证据:训练、验证和评估框架》(简称“WHO AIMD框架”),讨论对我国医学装备行业的启示。方法:分析WHO文本的基本要素,检索我国相关政策文件、期刊文献,进行文献评阅和比较研究。结果:WHO从软件研发(评估的框架、临床评估模型研发和训练、数据集管理、内部验证和数据管理)、软件验证与报告(外部验证和报告、数据管理、证据生成标准、证据报告)、配置部署与上市后监管(可用性评估、临床影响评估、实施过程的证据)3个部分并以人工智能医疗器械软件(AI-SaMD)宫颈癌筛查为用例分别进行了系统阐述,强调在全球医疗健康背景下对在AI医疗设备(AIMD)产品生命周期内的验证、生成证据和报告等方面生成证据的方法、原则、标准、基本路径和实施要点;文献复习和比较研究表明,国际医疗器械监管者论坛(IMDRF)、国际标准化组织(ISO)等国际组织和包括我国在内的一些国家相关机构前期开展了大量工作,发布有系列指导性文本,对规范AIMD的研发和应用尤其是上市前的监管环节发挥了重要作用;我国医疗设备监管与临床医学学者从AIMD安全有效主题出发,开展文献解读分析和基于真实世界数据的实证研究,文献数量呈逐年上升趋势。结论:“WHO AIMD框架”是一部基于生命周期管理对AIMD研发、训练、验证、临床评估生成证据及其标准要求的系统性文本,是WHO在全面总结了有关国际组织和各国前期工作经验的基础上面向全球医疗健康领域发出的工作倡议,对我国医学装备行业进一步推动AIMD发展具有重要启示作用,提出在我国医学装备行业需要加强AIMD生命周期管理(LCM)、生成证据、提升证据标准和质量、完善生成证据方法学和评估架构、建立AIMD应用证据与评估文献数据资源库等建议。

一种基于网络的实时限速牌识别算法

针对现有关于车载限速牌识别算法所存在的检测速度慢、准确率低、无法应用于嵌入式系统等问题,提出了一种基于网络的实时限速牌识别算法。该算法基于SSD_MobileNet_v1网络框架进行改进,对原来的网络进行架构裁剪以去除冗余结构;同时引入了特征金字塔网络结构,并使用focal loss作为网络训练的分类损失。实验表明,提出的识别算法准确率可达88.11%,虽然略低于目前主流目标检测算法的检测精度,但是网络的每秒帧率(Frame per Second,FPS)可以达到35.13,拥有较快的检测速度,而权重文件只有24 MB。因此,与其他算法相比,该算法不仅适合小型的嵌入式人工智能(Artifical Intelligence,AI)设备,而且更贴近真实车载场景下的识别。

水平多相流的流态和持液率

管道中持液率和多相流态对于地面设备的压降计算和设计是非常重要的。要预测持液率 ,首先必须确定流态。所开发的两组人工智能网络模型 (ANN)用以确定水平多相流的流态和计算持液率。