电话版常识-记忆-注意测验用于痴呆的信效度研究

目的 :评价电话版常识 -记忆 -注意测验 (TelephoneInformation -Memory -Concentrationtest ,T-IMCT)应用的信度和效度。方法 :痴呆病人共 65例 ,对照组健康老年志愿者 67例。采用修改后T -IMCT在面访两周之后对全部受检对象电话访问一次。结果 :时间重测信度相关系数为 0 93 (P <0 0 1) ,评定员重测信度相关系数为 0 90 (P <0 0 1)。面访和电话访问评分的相关系数为 0 92 (P <0 0 1)。T -IMCT电话评定痴呆的敏感性为 80 % ,特异性为 80 6%。T -IMCT与MMSE的相关系数为 0 89(p <0 0 1)。结论 :T -IMCT具有良好的信度和效度 ,可以应用于痴呆的筛查。

电话版常识-记忆-注意测验在评价鼻咽癌患者放疗后认知功能的应用价值研究

目的评价电话版常识-记忆-注意测验（TIMCT）在鼻咽癌放疗后患者认知功能检测的应用价值。方法对正常人（30例）和放疗结束3个月、2年、5年的鼻咽癌门诊复查患者（各30例）首先使用以往简易精神状态检查法（MMSE）和修订后的TIMCT面访，以及面访2周后再电话访问（电访）1次。结果不以MMSE得分作为控制变量，全组TIMCT电访与TIMCT面访评分相关性较大，R=0．850；以MMSE得分作为控制变量，全组TIMCT电访与TIMCT面访评分相关性较低，R=0．366；以检测时机为分层因素作TIMCT电话访问与TTMCT面访评分的偏相关分析表明两者仅在正常人和放疗结束3个月者有相关性，放疗结束2年和5年者无相关性（R=0．447、0．970、0．200、0．062）。TIMCT电访与TFMCT面访评分差值散点图进一步表明只有当MMSE评分≥28分时电访与面访评分才会一致，但面访与电访都可以反映研究对象认知功能下降的趋势。结论TIMCT电访与TIMCT面访、MMSE面访可以反映放疗结束后鼻咽癌门诊复查患者认知功能下降的趋势，但TIMCT电访尚须进一步改良才能应用于鼻咽癌放疗结束后认知功能损伤的临床筛查。

融合注意力机制和Bi-LSTM网络的车辆辅助桥梁损伤评估

基于车辆辅助的桥梁损伤识别具有巨大应用潜力,但仍难以从多源监测数据中提取损伤敏感特征,进而准确评估桥梁损伤状态。为此,提出了基于长短时记忆网络的注意力加权特征融合模型(ALFF-Net)。该模型通过预置数据重构层,提高了Bi-LSTM单元对时间序列多尺度特征信息的感知能力。同时结合注意力机制和特征融合策略,降低了深度神经网络下游分支的预测难度,进一步提升了模型对序列数据重要依赖关系的建模能力。通过车-桥耦合仿真生成了不同路面不平整度和车速下的监测数据集,对ALFF-Net模型的桥梁损伤识别性能进行综合测试。结果表明:ALFF-Net模型较经典LSTM网络在显著降低计算成本的同时,损伤识别准确率最高可提升19.30%,且各级路面不平整度下的识别误差均小于3%。进一步地,通过对比ALFF-Net模型在不同监测数据驱动方案下的识别精度,验证了协同多源监测数据的桥梁结构损伤检测结果更为鲁棒。

基于联合注意力机制和一维卷积神经网络-双向长短期记忆网络模型的流量异常检测方法

针对流量数据集中类别不平衡限制了分类模型对少数类攻击流量的检测性能这一问题,该文提出一种基于联合注意力机制和1维卷积神经网络-双向长短期记忆网络(1DCNN-BiLSTM)模型的流量异常检测方法。首先在数据预处理过程中利用BorderlineSMOTE方法对流量数据不平衡训练样本预处理,使得各类流量数据均衡,有助于后续模型对各类数据的充分训练。然后设计联合注意力机制和1DCNN-BiLSTM的模型对流量数据进行训练,提取流量数据的局部和长距离序列特征并进行分类,通过注意力机制将对分类有用的特征按其重要性赋予权值,提高对少数攻击类的检出率。实验结果表明,同几种现有方法相比,该文方法对NSL-KDD和CICIDS2017数据集的检测准确率最高(可达93.17%和98.65%),对NSL-KDD数据集中的提权攻击(U2R)攻击流量的检出率至少提升13.70%,证明了该文方法提升少数类攻击流量检出率的有效性。

基于LSTM-SAFCN模型的生物质锅炉NO_(x)排放浓度预测

针对生物质锅炉燃烧过程的动态特性,提出一种改进的长短期记忆-自注意力机制全卷积神经网络(LSTM-SAFCN)模型用于预测NO_(x)排放浓度。首先利用完全自适应噪声集合经验模态分解法(CEEMDAN)对数据进行预处理,消除数据噪声对NO_(x)排放浓度预测的影响;其次融合自注意力机制与长短时记忆-全卷积神经网络(LSTM-FCN)进行特征提取与预测建模,该拓展方法能够同时兼顾时间序列数据的局部细节与长期趋势特征;最后,利用生物质热电联产系统的实际运行数据验证了所提算法的有效性。

基于Encoder-Decoder注意力网络的异常驾驶行为在线识别方法

异常驾驶行为是车辆安全运行的重大威胁,其对人员与物资的安全高效投送造成严重危害。以低成本非接触式的手机多传感器数据为基础,通过对驾驶行为特性进行数据分析,提出一种融合Encoder-Decoder深度网络与Attention机制的异常驾驶行为的在线识别方法。该方法由基于LSTM(long short-term memory)的Encoder-Decoder、Attention机制与基于SVM(support vector machine)的分类器3个模块构成。该系统识别方法包括:输入编码、注意力学习、特征解码、序列重构、残差计算与驾驶行为分类等6个步骤。该技术方法利用自然驾驶条件下所采集的手机传感器数据进行实验。实验结果表明:①手机多传感器数据融合方法对驾驶行为识别具备有效性;②异常驾驶行为必然会造成数据异常波动;③Attention机制有助于提升模型学习效果,对所提出模型的识别准确率F1-score为0.717,与经典同类模型比较,准确率得到显著提升;④对于汽车异常驾驶行为来说,SVM比Logistic与随机森林算法具有更优越的识别效果。

抽动-秽语综合征患者注意品质的研究

目的 研究抽动 秽语综合征患者注意的特点 ,及其与短时记忆的关系。方法 采用病历对照研究 ,包括抽动 秽语综合征患者 2 4及同年龄、性别健康对照儿童 ,分别测验其注意的品质和短时记忆能力。结果 抽动 秽语综合征儿童的短时记忆成绩与对照组相比差异显著 ,但注意品质与对照组相比无统计学差异。结论 抽动 秽语综合征儿童的短时记忆能力下降 ,但其注意的稳定性、广度、转移能力正常 ,短时记忆能力的下降与注意品质无关 ,抽动

前摄干扰对工作记忆的作用--大脑如何解决前摄干扰？

前摄干扰(PI)对工作记忆有决定性影响。注意加工理论认为处于工作记忆"注意焦点"的信息不受PI影响,偏向-竞争理论则提出个体对熟悉信息和情景信息代码做出权重评估,解决工作记忆PI效应。研究者从工作记忆编码和提取加工的PI效应、内容相关和情景相关的PI效应、PI消除的脑成像特征等角度进行了验证,多数结果支持偏向-竞争理论。未来研究应使用脑成像技术探讨PI效应与工作记忆子系统、子功能之间的关系等主题。

基于“时间-特征”协同注意力的机场快轨客流预测

机场快轨客流的准确预测是实现机场轨道交通系统智能化、精细化、高效化管控的基础,对提升机场服务水平和运行效率有着重要意义。由于影响因素众多、相互耦合,且因素对客流时序影响机理复杂,机场快轨客流的准确预测极具挑战。提出了一种基于“时间-特征”协同注意力机制的机场快轨客流预测模型,实现了精准捕捉多维因素在不同时序上对机场快轨客流的影响。基于北京首都国际机场快轨实际客流数据进行实验,结果表明了所提方法的有效性。

面向特定方面情感分析的图卷积过度注意(ASGCN-AOA)模型

针对注意力机制与卷积神经网络模型在方面级情感分析研究中,无法发掘句中长距离单词与相关句法约束间依存关系,而将与语法无关的上下文单词作为方面情感判断线索的问题,该文提出了一种结合图卷积网络(GCN)和注意-过度注意(AOA)神经网络的方面级情感分类模型(ASGCN-AOA)。首先,采用双向长短时记忆网络来对上下文词之间特定于方面的表示进行建模;其次,在每个句子的依赖树上,建立相应图形卷积网络(GCN),得到同时考虑句法依赖性和远距离多词关系的方面特征;最后,通过AOA注意力机制,捕获方面词与上下文句子之间的交互和表示,自动关注句子重要部分。在五个数据集Twitter、Lap14、Rest14、Rest15和Rest16上进行实验,采用Accuracy和Macro-F1指标进行评估。实验结果表明,该文模型与其他基于方面分析算法相比有较明显提升。

基于改进的LSTM-CNN高血压组合预测模型

据国内外研究表明,高血压是危害人生命健康的重要疾病,如何及时的对血压升高进行预警成为一个研究的热点问题。为解决这一问题提出了一种融合注意力(Attention)机制的长–短期记忆网络(Long Short-Term Memory, LSTM)–卷积神经网络(Convolutional Neural Network, CNN)短期血压预测方法,该方法可以减少历史信息的丢失,实现短期血压预测。将此预测方法与单一的LSTM模型、CNN模型和LSTM-CNN组合模型进行对比,实验采用均方根误差(RMSE)、平均绝对误差(Mean Absolute Error, MAE)和平均绝对百分比误差(MAPE)对其进行评价,结果我们的方法误差最小,预测准确度最高,验证了我们模型的有效性和可扩展性。

多媒体学习“知觉-语义模型”及其分析

传统的多媒体学习模型受限于基础理论,缺乏对认知加工细节的研究,而认知心理学的发展,又改变了旧模型的理论基础。重新审视知识加工过程,整合认知心理学和神经学的最新成果,对完善多媒体学习模型和指导学习实践有着重要帮助。借助于对记忆结构、加工模式的研究,多媒体学习"知觉-语义模型"探讨了几种记忆之间的关系,展示了两种认知加工活动的加工对象、加工过程以及加工通道,并比较了知觉加工和语义加工之间的差异。另外,它还强调了注意在知觉加工中的作用,讨论了注意资源与情绪和动机之间的互动关系,并指出负面情绪是通过争夺空间注意的方式来干扰视空间记忆的,而抑制动机水平可以调节内源性注意对外源性注意的抑制效果。这些讨论丰富了认知加工细节,明确了注意、情绪与动机的具体作用对象和影响途径,有助于更加全面有效地描述多媒体学习的过程。学习过程中遇到的各种问题,包括感觉过滤失败、视觉记忆容量不足、注意焦点不足、先验知识在不同加工阶段的缺失等,通过"知觉-语义模型",均可方便地分析出其产生的原因、造成的后果以及找到解决它们的方式。

选择性5-羟色胺再摄取抑制剂对青少年抑郁患者认知功能的影响

目的探讨选择性5-羟色胺再摄取抑制剂(SSRIs)类药物治疗青少年抑郁的效果及对认知功能的影响。方法收集2013年至2016年在某中心就诊的青少年抑郁患者50例作为观察组,并予SSRIs中的氟西汀或帕罗西汀单药治疗。观察组在药物治疗前和治疗8周后各进行1次汉密尔顿抑郁量表(HAMD,24项版)、临床记忆量表(CMS)、威斯康星卡片分类测验(WCST)等测定,对照组(同期无抑郁的青少年50名)仅入组时测量1次。结果观察组治疗前与对照组,以及观察组治疗前后WCST几个主要指标、临床记忆量表各项评分比较,差异均有显著统计学意义(P <0. 01);观察组治疗后与对照组WCST完成分类数、正确应答数、错误应答数,临床记忆量表的联想学习、图像记忆、图像再认情况比较,差异无统计学意义(P> 0. 05); WCST的总应答数、持续错误应答数,临床记忆量表的指向记忆、人像特点回忆、记忆商数差异较治疗前有改善(P <0. 05)。结论常用的SSRIs类药物氟西汀及帕罗西汀在改善青少年抑郁患者抑郁情绪的同时,对记忆功能及执行功能也有不同程度的改善作用,故患者部分认知功能指标和正常同龄人无明显差异。

日交通流预测的编码器-解码器深度学习模型研究

精准的日交通流预测是智能交通领域的重要研究内容之一。目前已有的日交通流预测模型大多在短期预测模型的基础上通过多步预测或者多目标预测的方式改进而来。这两种改进方案中,前者对误差的传播更为敏感,而后者则忽视了预测结果的时序关系,导致预测模型精度偏低。提出了一种用于日交通流预测的编码器-解码器深度学习模型,首先将长短时记忆网络(long short-term memory,LSTM)作为编码器-解码器模型的基本单元以提高模型捕捉长期依赖关系的能力,其次引入注意力机制调节编码向量的权重以进一步提高模型的预测精度。新的模型是一种典型的序列到序列预测模型,与传统的序列到点的模型相比更加契合日交通流预测的需求。为验证模型的有效性,取美国5号州际公路西雅图段的实际交通流数据进行实验,实验结果表明,提出的预测模型在平均车流密度大于40辆/km的时间段中,其预测结果的平均绝对百分比误差(mean absolute percentage error,MAPE)与LSTM、门控循环单元(gated recurrent unit,GRU)、反向传播(back propagation,BP)神经网络、卷积神经网络(convolutional neural network,CNN)、图卷积网络(graph convolution network,GCN)传统预测模型相比,分别减小了19%、20%、25%、16%、25%。

融合情感词典的改进BiLSTM-CNN+Attention情感分类算法

传统机器学习和深度学习模型在处理情感分类任务时会忽略情感特征词的强度,情感语义关系单薄,造成情感分类的精准度不高。提出一种融合情感词典的改进型BiLSTM-CNN+Attention情感分类算法。首先,通过融合情感词典的特征提取方法优化特征词的权重;其次,利用卷积神经网络(convolutional neural network, CNN)提取局部特征,利用双向长短时记忆网络(bidirectional long and short-term memory, BiLSTM)高效提取上下文语义特征和长距离依赖关系;再结合注意力机制对情感特征加成;最后由Softmax分类器实现文本情感预测。实验结果表明:所提出的情感分类算法在精确率、召回率和F值上均有较大提升。相较于TextCNN、BiLSTM、长短时记忆网络(long and short-term memory, LSTM)、CNN和随机森林模型,所提方法的F值分别提高2.35%、3.63%、4.36%、2.72%和6.35%。这表明所提方法能够充分融合情感特征词的权重,利用上下文语义特征,提高情感分类性能。所提方法具有一定的学术价值和应用前景。

龙牡桂枝汤对慢性应激状态下ADHD大鼠学习记忆及海马-HPA轴的影响

目的:观察龙牡桂枝汤对慢性应激状态下注意缺陷多动障碍(ADHD)模型大鼠学习记忆能力和海马-下丘脑-垂体-肾上腺轴(HPA轴)的影响。方法:32只ADHD模型动物幼年自发性高血压大鼠(SHR)随机分为空白组、慢性应激组、盐酸哌甲酯组和龙牡桂枝汤组,各8只。采用Morris水迷宫实验评价大鼠学习记忆能力,ELISA法检测血清促肾上腺皮质激素(ACTH)、皮质酮(CORT)、促肾上腺皮质释放激素(CRH)水平,RTPCR法检测下丘脑CRH、促肾上腺皮质激素释放激素受体1(CRHR1)、促肾上腺皮质释放激素结合蛋白(CRH-BP)及垂体CRHR1、CRH-BP mRNA表达水平,免疫组化法检测海马糖皮质激素受体(GR)、盐皮质激素受体(MR)蛋白表达水平。结果:与空白组比较,慢性应激组寻找平台的潜伏期显著延长(P<0.01),在目标象限停留时间及穿越平台数显著减少(P<0.05),血清CORT、CRH、ACTH水平显著升高(P<0.01,P<0.05),下丘脑CRH、CRHR1、CRH-BP mRNA及垂体CRHR1、CRH-BP mRNA表达升高(P<0.05);海马中GR表达下降、MR表达升高(P<0.05)。与慢性应激组比较,龙牡桂枝汤组和盐酸哌甲酯组寻找平台的时间减少(P<0.01),在目标象限停留的时间和穿越平台数增多(P<0.05),血清CORT、ACTH、CRH水平显著降低(P<0.01),下丘脑CRH、CRHR1、CRH-BP mRNA及垂体CRHR1、CRH-BP mRNA表达下降(P<0.05,P<0.01),海马中GR蛋白表达升高、MR蛋白表达下降(P<0.05,P<0.01)。结论:慢性应激可致ADHD的HPA轴功能亢进,学习记忆能力下降,龙牡桂枝汤可通过减少下丘脑CRH、CRHR1、CRH-BP mRNA及垂体CRHR1、CRH-BP mRNA表达,调控海马中GR和MR的表达,提高慢性应激状态下ADHD的学习记忆能力。

慢性鼻-鼻窦炎鼻内镜鼻功能改善术围术期护理

慢性鼻-鼻窦炎为鼻窦黏膜及黏膜下组织的非特异性慢性炎症，是一种常见病，主要的临床表现为：局部症状有鼻塞、流涕甚至流脓涕，伴有头痛、嗅觉障碍等；全身症状有：精神不振、头昏、易倦、记忆力减退、注意力分散等，给患者的生活学习、工作带来极大的不便。我院于2003年10月引进鼻内镜行鼻功能改善术，为广大患者解除了病痛。

基于注意力机制的滚动轴承剩余使用寿命预测方法

现有的轴承振动信号特征的提取方法过分依赖于专家的经验,同时在轴承的寿命预测过程中,存在因序列过长而导致的记忆力退化等问题,为此,结合卷积神经网络-注意力机制网络(CNN-attention)和基于注意力机制的Encoder-Decoder方法,提出了一种滚动轴承剩余使用寿命(RUL)的预测模型(方法)。首先,利用快速傅里叶变换(FFT)方法,将滚动轴承的初始振动信号转换成频域幅值信号;然后,设计了一种基于注意力机制的模型:其中,利用CNN-attention进行了退化特征提取,利用基于注意力机制的Encoder-Decoder网络进行了RUL预测,并进一步在远距离信号传输中解决了循环神经网络记忆衰退的问题;最后,为了验证特征提取模型以及寿命预测模型的有效性,采用PHM 2012轴承退化数据集,通过轴承加速退化PRONOSTIA实验平台进行了实验,并将其所得结果与未采用注意力机制模型的预测结果以及其他文献方法所得结果进行了对比。实验结果表明:与其他方法相比,基于注意力机制模型的方法平均绝对误差分别降低了29.41%、32.00%、29.56%、32.34%,平均得分分别提高了0.39%、0.98%、0.82%、15.46%。研究结果表明:在轴承RUL预测方面,基于注意力机制的轴承剩余使用寿命预测模型(方法)是有效的。

基于注意力机制和长短期记忆网络的F-P滤波器温漂误差修正

借助深度学习算法的非线性处理能力,提出基于注意力机制和长短期记忆(LSTM)网络的温漂预测模型,从而对法布里-珀罗(F-P)滤波器进行温漂补偿。针对温漂数据中复杂的时空信息,采用LSTM提取时间信息,利用注意力机制分配空间权重。实验结果表明:在升温-降温-升温环境下,所提方法和LSTM模型的最大波长漂移误差分别为6.75 pm和16.64 pm;在单调降温环境下,两种方法的最大波长漂移误差分别为5.39 pm和14.09 pm。所提方法在最大绝对误差(MAXE)、均方根误差(RMSE)和平均误差(MAE)上均优于最小二乘支持向量机(LSSVM)和循环神经网络(RNN)。