基于ResNet和双注意力机制的赤足图像年龄预测

足迹是人在行走时足部与地面等客体接触时所留下的痕迹,也是犯罪现场嫌疑人最容易遗留的生物特征之一,它隐含着人体的身高、体重、性别和年龄等身份属性信息,利用足迹信息进行人的年龄预测,对指明侦察方向和缩小侦察范围有着极其重要的意义.传统侦查工作中,刑侦专家会依据积累的案件经验,依据现场遗留的足迹进行嫌疑人身份和属性的预测,但这个过程需要大量的领域知识,据此,提出了基于赤足图像的年龄自动预测方法,其由伪彩色变换模块、在线随机几何变换模块、特征提取模块、空间注意力模块和年龄预测模块组成.算法在由1 818幅赤足灰度图像组成的数据集上进行了测试,预测准确率指标Acc_5和Acc_10分别达到了55.5%和83.4%,优于现有的年龄预测方法.

基于特征选择和流形学习的人脸年龄预测研究

近年来,人类外观年龄估计在个人安全和执法等方面的广泛应用,已成为一个热门的研究课题,并引起了学术界和市场的广泛关注。为了实现年龄估计的目标,大量学者提出了相关方法,其中,借助累积属性编码导出的模型通过保留年龄的邻近相似性来达到良好的性能。然而,上述方法忽略了提取的面部特征的几何结构。事实上,数据的几何结构会极大地影响预测的准确性。为此,该文提出一种通过联合特征选择和流形学习范式的年龄估计算法,称为特征选择和保持几何的最小二乘回归。与其他方法相比,该方法不仅保留了面部表征中的几何结构,还选择了有区别性的特征。最后,在Morph2数据集上进行了相关实验,结果证明该方法达到了最佳性能。

基于Transformer增强卷积的膝关节磁共振影像年龄预测

年龄预测是临床医学中的一个重要课题和非常活跃的研究领域.最近,由于传统影像学检查中电离辐射的缺点,越来越多的研究使用磁共振影像进行年龄预测.本文基于膝关节MRI数据集,提出了一种新的端到端网络,结合卷积神经网络和Masked-Transformer网络互补地来提取局部特征和全局依赖,并使用一个特征聚合模块来聚合不同局部膝关节MRI切片的特征.通过整合卷积神经网络的特征图和视觉Transformer分支的特征编码,特征提取模块可以互补地提取局部和全局信息,更好地提取与年龄相关的特征.同时,该网络使用由图注意力网络组成的特征聚合模块,用于在特征级别集成不同MRI切片的局部特征,实现多切片局部特征之间的交互.大量实验表明,该方法可以在膝关节MRI年龄估计任务中达到最先进的性能.具体而言,本文方法在MRI数据集上进行了测试,该测试集包括44个年龄在12.0~25.9岁之间的膝关节MRI样本,其中五折交叉验证的最佳结果是年龄平均绝对误差为1.57±1.34岁.

基于多层感知机的DNA甲基化年龄预测模型

衰老的过程中伴随着DNA甲基化的变化,DNA甲基化成为重要的衰老生物标志物之一。近年来,人们对衰老领域的研究越发火热,年龄预测有助于研究生物衰老问题,但预测精度还有待进一步提高。以往的研究大多基于线性回归模型,使用DNA甲基化数据中与年龄高度相关的CpG位点作为特征进行年龄预测。相比机器学习模型,使用深度学习模型对多特征任务包容性更强,能够选取更多的CpG位点作为特征。在Illumina 27K和Illumina 450K阵列的甲基化数据中,选择共同的21368个CpG位点的甲基化数据作为输入,使用多层感知机建立泛组织年龄预测方法MLPAge对年龄进行预测,将MLPAge与泛组织年龄预测方法行业中的标准Horvath 353 CpG时钟进行了比较。在来自8项研究的2310个样本的独立验证集中,其绝对中位数误差(MAD)为3.77年。研究发现,多层感知机能够更好地提取与年龄相关的特征,在年龄预测方面具有更高的准确度,为该领域提供了一种新的基于深度学习的方案。

基于图卷积网络的大脑年龄预测方法研究

目的:为了客观评估大脑的健康状态,提出一种基于图卷积网络(graph convolution network,GCN)的大脑年龄预测方法。方法:首先,基于英国生物银行(UK Biobank,UKB)的10000例脑健康中老年人的T1加权MRI影像学衍生表型(imaging-derived phenotypes,IDPs)数据,采用多层感知机网络提取年龄相关的结构特征构建群体图;其次,提出基于边重要性的节点邻居采样,并使用基于图的特征注意力机制加强邻域信息的特征聚合,建立一个以GCN为核心的大脑年龄预测模型;最后,与基线模型(GCN模型)、基线模型+随机采样、基线模型+NodeSAGE比较以评估该模型的预测性能。另外,根据预测的大脑年龄获取大脑年龄估计差,探究大脑老化与身体健康状况、生活习惯以及认知间的相关性。结果:提出的模型预测脑年龄的平均绝对误差为3.97 a,预测年龄与生理年龄间的Pearson相关系数为0.748,均优于基线模型、基线模型+随机采样、基线模型+NodeSAGE;大脑老化与身体健康状况指标显著相关,与吸烟史和频繁喝酒显著相关,与执行功能、非语言推理和处理速度显著相关。结论:提出的基于GCN的大脑年龄预测方法在大规模数据集上通用性和鲁棒性较好,能够较好地预测大脑年龄。

DNA甲基化年龄预测研究进展

衰老是生物体多个器官、组织和细胞功能下降的一个过程,与衰老相关的疾病会在衰老过程中逐渐出现,同时伴随着表观遗传学机制的变化。相关领域的研究也表明,表观遗传学机制的变化过程与生物学年龄的增长密切相关。随着全球老龄化现象的加剧,抗衰老逐渐成为一个备受关注的研究方向,然而衰老过程的表观遗传学表征、机理和定量分析方式仍然需要深入研究。该文对当前基于DNA甲基化的衰老与年龄预测的领域研究进展进行梳理,介绍表观遗传时钟、生物时钟和DNA甲基化的基本原理,以及相应表观遗传时钟的典型研究方法和有效样本资源,并深入讨论该领域研究存在的挑战及发展趋势,旨在为研究者提供全面的参考,促进抗衰老相关临床实践和大健康应用的发展。

基于深度卷积生成对抗网络的大脑年龄预测方法研究

目的:提出一种基于深度卷积生成对抗网络(deep convolutional generative adversarial network,DCGAN)的大脑年龄预测方法,以客观评估大脑健康状态。方法:首先,将二维DCGAN扩展到三维DCGAN,并在DCGAN中加入残差块改进DCGAN模型,以提高特征提取能力。其次,使用无监督对抗学习来预训练分类器,使用迁移学习来微调分类器,以解决三维卷积神经网络(convolutional neural network,CNN)中由于小规模样本而导致的过度拟合问题。为验证改进模型的有效性,在英国生物银行(UK Biobank,UKB)数据库上,采用平均绝对误差(mean absolute error,MAE)作为评价指标,将该模型与最小绝对收缩选择算子(least absolute shrinkage and selection operator,LASSO)模型、机器学习模型、三维CNN模型和图卷积网络模型进行对比。结果:提出的模型在预测脑年龄方面表现优秀,MAE为2.896年,明显优于LASSO模型、机器学习模型、CNN模型和图卷积网络模型。结论:提出的方法在大规模数据集上具有较好的性能,能够较为准确地预测大脑年龄,可客观评估大脑健康状态。

基于深度学习的年龄预测

随着智能识别技术的飞速发展,年龄预测已经日趋成熟,并且可以应用于各类人机交互系统,以及移动端的年龄预测APP中,可以给日常生活带来很大的便利。本文主要基于深度学习中的卷积神经网络模型来实现年龄的识别与预测,卷积神经网络通过其卷积层对图像特征的提取以及其池化层的降采样功能,能够很好地完成对图像信息的预测且不会出现过拟合现象。应用卷积神经网络模型完成年龄预测实验后,得到了准确率为93%的年龄预测结果,同时得出卷积神经网络对于图像特征差异性过于依赖的结论。

基于卷积神经网络的脑年龄预测模型研究综述

介绍了基于卷积神经网络(convolutional neural network,CNN)的脑年龄预测模型在二维切片、三维图像块和三维全脑图像3个方面的一些典型研究成果。分析了脑年龄预测在数据集和模型方面存在的不足,并提出了未来的发展方向。指出了基于CNN的脑年龄预测模型有望应用于神经退行性疾病的个性化诊断和治疗,具有很大的临床应用价值。

基于功能连接的大脑年龄预测的影响因素

目的探索基于静息态功能连接进行大脑生理年龄预测的可行性及相关影响因素。方法选取来自阿尔茨海默病神经影像学计划(Alzheimer disease neuroimaging initiative,ADNI)数据库的41例满足条件的健康受试者。首先对静息态功能磁共振成像(resting-state functional MRI,rs-fMRI)数据进行预处理并提取功能连接特征,利用基于Bootstrap的特征筛选方法进行特征降维;然后使用支持向量回归建立正常人大脑年龄的预测模型,最后用留一法进行交叉验证,并比较不同大脑模板、全脑信号回归及性别因素对年龄预测的影响。结果基于AAL-90、AAL-1024、Shen-268、Fan-246脑图谱得到的预测值与真实年龄之间的相关系数r分别为0.23、0.29、0.17、0.38。使用全局信号回归,基于Fan-246脑图谱得到年龄预测模型的相关系数r显著提升为0.66。利用性别分组建模,基于Fan-246脑图谱预测模型的相关系数r提升为0.46。结论根据静息态功能磁共振的功能连接特征可以较好地估计健康大脑的生理年龄,且大脑模板、全局信号回归对年龄估计模型的性能有较大影响。本研究可加深对大脑老化过程的认识,对阿尔兹海默病的早期诊断和预防有着重要的指导价值。

基于深度学习的脸部年龄预测算法

为提高脸部年龄预测的准确性,在深度学习的基础上提出一种可有效预测脸部年龄的算法。通过对人脸图像进行预处理,获取左眼、右眼、鼻子和嘴巴四个部分的局部图像,利用迁移TensorFlow深度学习库中的Inception V4模型,提取脸部图像四个部分的多尺度局部特征,并将提取的局部特征使用串联方式相连接以得到融合特征,再将不同年龄的融合特征输入双向长短期记忆中,以学习不同年龄融合特征间的相关性,进而完成年龄预测。在公开数据集FG-NET和MORPH上的实验结果表明,该算法通过利用脸部多尺度融合特征和不同年龄融合特征间的相关性,能够显著提高年龄预测的准确性和鲁棒性。

基于多特征融合卷积神经网络的年龄预测

使用卷积神经网络预测人脸图像年龄。目前标注的表观年龄公开数据集不足且人数规模小,小样本训练紧凑模型成为年龄预测的研究方向之一。为提高卷积神经网络对图像中年龄特征提取能力和小样本数据迁移能力,并减少对大型图像分类数据集的依赖,提出多特征融合卷积神经网络结构的年龄预测方法。该方法设计多特征融合模块融合两者特征向量获取图像的多层次信息;主干特征提取卷积网络中引入注意力机制模块,增强年龄特征提取能力;设计序列化年龄标签的组合损失函数,使得年龄特征充分拟合年龄标签。在IMDB-WIKI预训练下,该方法在MORPH上取得的平均误差为1.951,ChaLearn15上平均误差为3.128。实验结果表明,该方法的训练和迁移成本低,与许多最新方法相比取得了较高的预测精度。

抗苗勒管激素在围绝经期妇女卵巢储备功能测定及绝经年龄预测方面的应用

抗苗勒管激素(AMH)是β转化生长因子超家族的成员之一,在女性中由窦前卵泡及小窦卵泡产生,可以相对真实客观地评估原始卵泡的库存情况。在生育力评价、PCOS、肿瘤、OHSS、辅助生殖技术、预测绝经年龄、性分化异常等方面都有广阔的应用前景和研究空间,现就围绝经期女性卵巢储备功能的测定及预测绝经年龄方面综述如下。

基于可见反射光谱和遗传区间偏最小二乘法的血迹年龄预测研究

精确的血迹年龄预测具有重大的法医学价值。利用可见反射光谱技术与偏最小二乘法（PLS）相结合分析预测血迹年龄。遗传算法与偏最小二乘法相结合被用来选择有效光谱区间。与全光谱PLS模型相比较,建立在优化光谱区间的遗传区间偏最小二乘法（GA-i PLS）模型具有更好的预测能力。结果表明GA-i PLS能合理地选择有效光谱区间,提高预测能力。在考虑取自不同个体血迹特异性的情况下,建立在2.00~48.00 h时间段和48.00~1080.00 h时间段的GA-i PLS模型的相关系数（Rp）、预测标准误差（RMSEP）和剩余预测偏差（RPD）分别为0.9949/0.9924、1.59 h/43.56 h、10.32/8.42。两个GA-i PLS模型的结合可代替建立在2.00~1080.00 h时间段的GA-i PLS模型精确预测2.00~1080.00 h时间段的血迹年龄。结果表明可见反射光谱与GA-i PLS模型在法医学领域可成为一种可靠的精确预测血迹年龄的方法。

改进的VGG网络可提升年龄与性别预测准确率

由于深度卷积网络(Convolutional Neural Network,CNN)具有良好特征学习的性质,它得到了研究者们重点关注,并且已被广泛应用。相比较于深度CNN在物体识别与分类等任务上所达到的出色效果,其在年龄预测与人物性别识别任务上的应用还远远不能令人满意。基于公安业务背景,设计了一个深度卷积网络模型,并在证件照和Adience数据集上训练该模型,从而将其应用在人物年龄预测和性别分类上。通过基于Tensorflow的实验表明,提出的深度卷积网络模型,对人物年龄的预测准确率可达到90%以上;性别分类的准确率也达到93%以上。这明显优于现有文献中的结果。

基于性别的人脸年龄估计

针对人脸图像的年龄估计方法大多只考虑特定年龄的面部特征且男性与女性的老化差异影响年龄估计的准确性,本文提出了一个统一的年龄估计框架,利用性别和年龄之间的语义关系,并着重考虑不同性别之间的老化差异,将整个性别空间划分为男女性别子空间,在性别子空间中利用男性与女性间的老化差异进行年龄估计。实验结果表明,该方法不仅取得了良好的实验结果,而且在揭示人脸老化差异方面具有良好的可解释性。

应用商城中用户年龄的推断及在推荐中的应用

随着移动端设备的快速发展,手机应用呈爆炸式增长,如何在包含百万App的手机应用商城中将用户喜爱的App准确推荐给用户显得尤为重要。通过对艾瑞发布的多项移动行业报告以及对用户的调查分析,发现用户的年龄信息是影响用户选择App的因素之一。针对此现象,提出采用用户年龄信息与传统推荐算法相结合的方式来给用户推荐App。将预测用户年龄看成分类问题。利用用户在应用商城中的多项行为特征构建用户年龄预测模型。提出了两个基于用户年龄的推荐模型AgeBPR模型和AgeSocialMF模型。通过大量用户的真实数据集上的实验结果表明,提出的两个模型的推荐准确度较基准模型均有一定幅度的提升,说明提出的将用户年龄信息考虑到推荐模型中的有效性。

女性胸骨X线变化与年龄关系的研究

研究北京地区137例女性胸骨X线影像学变化，以其与年龄关系密切相关的影像学标志点作为变量，并依据各标志点在不同年龄阶段的变化，制定了各自的评分标准。用该标准观测全部样本，将所得数据与年龄一起输入电子计算机，建立了根据女性胸骨X线变化推算年龄的多元回归方程，即：Y=9．6641＋1．6999X（1）＋2．7486X（2）十1．8929X（3）＋1．5561X（4）＋0.4255X（5）。经方差分析F＞F0.01（5.131），回归高度显著。本研究所建立的预测年龄方程，在无名尸骨的法医学鉴定中具有实用价值。

基于随机森林的兴安落叶松天然林单木年龄预估模型

为准确预估天然兴安落叶松单木的年龄,实现大兴安岭地区兴安落叶松的全周期可持续经营,本研究基于大兴安岭地区盘古林场44块固定样地数据和280个标准木树芯,采用逐步回归和随机森林算法构建单木年龄预测模型,分析林分结构、立地条件和竞争指标等因素对年龄预测精度的影响,采用决定系数(R^(2))、均方根误差(RMSE)和平均绝对误差(MAE)对模型进行评价和检验。结果表明:当决策树的数量为1500、节点竞争变量数目为8时,随机森林模型的预测精度最高,据此建立的单木年龄随机森林模型相比逐步回归模型具有更好的准确性和预测能力,其R^(2)、RMSE和MAE分别为0.5882、9.9259 a、8.1155 a;胸径是影响年龄预测最重要的指标(83.8%),其次为树高(34.4%)、海拔(17.9%)和每公顷断面积(17.5%)。随机森林算法在兴安落叶松天然林的单木年龄预测模型构建中,具有较好的适应性和建模效果。本研究结果有助于提高兴安落叶松生长与收获的预估精度,并可为其他与林龄相关的科学研究提供参考。

治疗骨质疏松症的难点与对策

由于骨质疏松起病的隐匿性,治疗起效的缓慢性和极大的社会危害性,对医务工作者和研究人员如何预防、诊断和治疗提出了一系列难题。 首先是制定适合国人的骨质疏松诊断标准难。国内现在的诊断标准主要参考WHO标准,由于地区、种族及饮食习惯的不同,其标准可能只适用于西方人而不适合于国人。虽然骨密度测定方法不少,但在临床中如何更合理地应用仍未统一。骨密度测定必须遵循3个原则:(1)明确骨质疏松的诊断;(2)估计骨质疏松的程度;(3)评价骨质疏松症的治疗是否有效。在这方面,国内学者作了有益的探索,采用以下两种方法进行诊断。1 生理年龄预测法 根据中医学“肾主骨”理论及骨骼生长发育衰老规律。