基于视觉传感器采集光流特征的精神疾病识别方法

目前,精神疾病的筛查主要依靠临床医生的访谈和问卷进行评估,具有高成本、主观性等问题。提出了一种基于视觉传感器采集光流特征的精神疾病识别方法,可以实时监测和预警,以较低的成本和非侵入性的方式来进行精神疾病的辅助筛查。该算法通过视觉传感器全面采集患者的面部数据来提取光流特征,并输入TSMOSNet进行训练。TSMOSNet以TSM为基础网络进行改进,替换普通卷积为光流提取头,针对视觉传感器采集而来的光流特征图进行密集采样,并添加了时序注意力模块、DML蒸馏和VideoMix数据增强等方法,增强了视觉特征,以提高精神疾病识别的准确率。实验结果表明,在H7-BDSN数据集上相比于其他方法,本研究提出的识别算法在精神疾病的筛查任务中取得了最好的效果,准确率为85%,F1分值为0.84。

基于双边密集网络的眼表疾病识别方法研究

眼表疾病是常见且复杂的眼部疾病,早期诊断对患者的日常生活质量具有重要意义。传统检查方法主要由医生依靠医学显微镜来实现诊断,存在就诊成本高、专业医疗设备不足和专业医师供需紧张等问题。为了提高眼表疾病的识别准确率,节省就诊成本,缓解医疗资源紧张,提出了一种基于双边密集网络的眼表疾病识别方法,该方法引入与卷积操作并行的混合运算,其中,分组卷积和矩阵变换能够提取到更加多样化的眼表图像特征,避免了训练过程中冗余特征的计算,提高了特征利用效率。通过与不同的深度学习方法进行实验对比,该方法识别眼表疾病的平均准确率达到了91.26%,显示了更优的性能。

小儿发热待查严重疾病识别的前瞻性研究

目的 评价用简易临床参数识别发热原因待查 (FUO)患儿严重疾病的敏感性。 方法 用 5项临床参数 (每项参数计 1分 )对每个FUO住院患儿进行前瞻性观察。 结果 累计观察FUO患儿 12 8例 ,病种有严重疾病、感染、全身炎症反应综合征等。入院时评分 0分者 3 6例 ,有 2例为严重疾病 ,严重疾病阴性预报率 94 4% ,而入院时分数≥ 1分者 5 9例 ,严重疾病阳性预报率 64 % ,比阴性预报率低 (P <0 0 1) ;分数越高 ,阳性预报率越高 ,分数≥ 4分者 ,阳性预报率为 10 0 % ( 95 %可信区间 79%～10 0 % )。 结论 FUO患儿可能存在的严重疾病可以用简易临床参数评分进行预报。

基于PPG脉搏信号特征值的驾驶员脑血管疾病识别模型

驾驶员的身体状况与交通安全息息相关,尤其是驾驶员的心脑血管健康状况。实时监测驾驶员的健康情况,有助于驾驶员及时了解自己的身体状况,减少因突发疾病导致的交通事故。文中对657份来自广西壮族自治区桂林市人民医院的PPG脉搏波数据集通过ChebyshevⅡ滤波器降噪和快速傅里叶法提取时域特征、频域特征和小波包特征后,将脑血管疾病进行二分类数值化,再将数值标签化后的脑血管疾病类型作为输出参数,以构建驾驶员脑血管疾病数据集。针对实际数据集样本的分类不均衡问题,通过SMOTE算法进行过采样补充,构建基于PPG特征值的驾驶员脑血管疾病分类模型SSA-DELM,并利用实际数据集进行训练和实验,发现所提出的方法对脑血管疾病的预测精确率达83%,查准率达80%,查全率达76.6%、F1分数为0.79,平均查准率均值达0.80,表明该分类模型能够为患有脑梗或脑血管疾病驾驶员提供较为准确的预警。文中研究成果可为基于PPG信号的驾驶员动态健康监测系统提供理论模型基础和技术支持,在新能源汽车行业的软件服务和智能医疗中具有较大的应用空间,这与新能源车企“终端+软件+服务”的全产业链销售模式相契合,也与现代人注重环保、家庭健康和智能交通的理念相契合。

基于轻量级网络的眼表疾病识别方法研究

由于内存和计算资源的限制,在可移动设备端部署识别眼表疾病的深度卷积神经网络模型十分困难。对此,文章设计一种轻量的聚集模块用于构建高效的轻量级网络架构,网络通过减少宽度和深度,并结合深度可分离卷积、标准卷积和幽灵模块来并行生成特征映射,同时引入通道混洗操作改善不同特征通道之间的信息交互。通过对眼表图像数据集进行实验评估,与当前其他轻量级网络方法相比,文章方法以更少的参数量0.24M、更少的计算成本1.88B和更高的准确率90.56%显示了最佳性能。

基于卷积神经网络与迁移学习的木薯叶疾病识别

文章提出一种用于识别木薯疾病的基于卷积神经网络与迁移学习的图像识别技术。文章通过对木薯叶样本进行去噪、随机水平垂直翻转、随机旋转、随机裁剪等预处理操作,扩充样本并使其更加贴合现实。文章将基于模型缩放的EfficientNet-B3卷积神经网络在ImageNet数据集上的训练参数迁移到细菌性枯萎病、褐斑病、绿色斑驳、木薯叶病、健康叶以及非木薯叶6个种类疾病的识别中。训练时,引入五折交叉验证,预防过拟合,对每个交叉验证训练的模型使用OOF方法进行预测,获得一个良好的预测效果。

采用差异度的多参数声带疾病嗓音识别方法

为了提高声带疾病嗓音识别率,提出了一种基于差异度的多参数识别方法。研究声学参数之间的相关性,定义两类嗓音间参数的差异度;根据差异度对参数进行权重分配,并剔除相关性较大的参数,然后对参数加权组合为新的特征向量。以DSP芯片TMS320VC5502为核心实现识别系统,识别实验表明,新的参数在声带疾病嗓音与正常嗓音识别中识别率有4.35%的提升,在声带疾病嗓音与非声带疾病嗓音识别中有9.27%的识别率提升。

基于深度卷积集成网络的视网膜多种疾病筛查和识别方法

针对视网膜疾病种类繁多、病灶位置不固定等特点,提出一种基于深度卷积集成网络的视网膜多种疾病筛查和识别方法。首先,根据视网膜眼底图像裁剪掉两侧黑色边框,并去除图像中的噪声,以降低对眼底图像的干扰,提高图像的清晰度;之后,通过对处理完成的视网膜眼底图像使用裁剪、旋转等数据增强方法来扩增数据集;再建立基于深度卷积神经网络的模型进行特征提取,并在网络模型微调后完成视网膜疾病筛查和识别任务,最终将多个模型的结果进行集成。实验结果表明,该方法针对视网膜疾病的筛查和识别的问题取得了较好的效果,视网膜疾病筛查的准确率达到96.05%,视网膜疾病识别的准确率达到72.55%。

基于激光荧光光谱数据的疾病模式识别

为了解决当前疾病模式识别过程存在的精度低,速度慢等缺陷,设计了一种基于激光荧光光谱数据的疾病模式识别方法。首先收集激光荧光光谱数据,并对其进行消噪和降维处理,然后基于处理后的激光荧光光谱数据建立疾病模式识别的分类器,最后采用疾病模式识别的实验对本文方法的有效性进行测试,其疾病模式识别的精度高达95%以上,并与其它识别方法进行对比实验,本文方法的疾病模式识别结果具有十分明显的优势,实际应用价值更高。

CRF与词典相结合的疾病命名实体识别

生物医学文献中的疾病命名实体识别问题是疾病相关的生物信息学分析基础,疾病命名实体中的医学术语识别和边界确定是该问题的难点和关键。文中提出了一种CRF(Conditional Random Field)与词典相结合的疾病命名实体识别方法。该方法利用网络资源来构建含有语义信息的医学术语词典,并使用该词典对医学术语进行识别,获得医学术语的语义信息,然后CRF结合这些信息对疾病命名实体进行识别。实验结果表明该方法有效。

疾病命名短语识别的最大熵方法

提出一种基于最大熵模型的中文疾病命名短语识别方法,在模型特征选择上,将领域本体信息作为模型的一种特征.由此实现的疾病命名短语识别分类器具备有监督学习和利用领域知识的能力.实验结果表明,对于疾病命名短语识别的准确率达到89.7%,召回率87.6%,F-评价值88.64%.

基于深度学习的疾病命名实体识别

疾病命名实体识别是生物医学领域文本挖掘的最基础任务之一。基于当前流行的深度学习方法,本文采用BiLSTM-CNN-CRF模型来识别生物医学文献中的疾病命名实体。该模型首先用卷积神经网络(CNN)来获取字符级的词向量表示,然后利用双向长短时记忆网络(BiLSTM)来获取单词的隐含表示,最后使用条件随机场(CRF)模型输出疾病实体的标签。实验结果表明,与传统模型相比,深度学习方法在疾病命名实体识别任务上有显著的优势,最终该模型在NCBI语料库上的取得84.47%的F1值。

精神疾病病耻感的相关因素

早在上世纪九十年代西方学者就已预测到病耻感将成为精神卫生领域工作中的最大障碍[1],64.5%的精神疾病患者有病耻感体验,55.9%的患者确实经历过公众的歧视[2]。全球70%精神疾病患者未接受专业治疗,其原因除了患者缺乏对精神疾病识别及寻求治疗途径的相关知识外,担心外界的歧视成为阻碍患者就医的因素[3]。精神疾病病耻感不仅对患者的就医意向及治疗依从性造成影响,也给其工作、生活、家庭带来重大危害[4-5]。病耻感作为一个涉及医学、社会学、

基于相似度模型的动物疾病确诊方法研究

为提高机器系统辅助诊断疾病的效率,分析了疾病诊断与模式识别的解决手段相似性,提出了基于可信度向量和模糊隶属度向量的疾病相似度的人工智能模式识别理论模型、数据结构模型、模式相似度构造算法与实践方法,并将其应用于计算机系统辅助诊断疾病的实践。数据显示结果表明,同自然人兽医专家个体相比,该模式能获得较高的诊断正确率,有效地降低了误诊率,具备较好的综合诊断性能。

大豆根腐病的识别与防治

大豆根腐病在大豆种植区均有发生，在连作，山区，低洼条件下发生加重。发病造成田间缺苗，发黄，减产，一般减产10%-30%。由于大豆价格上涨，势必引起大豆种植面积增加，重迎茬面积扩大，该病发生必然呈上升趋势。

浅析永顺县山区山羊栏舍修建与疾病预防

通过对永顺县乡镇山区养羊大户和羊场的调查,从山羊栏舍选择场地的主要因素、羊场的规划与布局、羊舍的建筑形式与设计标准、山羊疾病的识别预防等方面提出了永顺县山区山羊栏舍修建和疾病预防的建议意见,供当地山羊的养殖户参考。

基于深度学习的病变部位识别

随着社会的发展,人们对于健康的越来越重视,成为人生在世不得不考虑和关注的问题,保证自己的身体健康也是每个人的第一要务。但随着人类社会的发展进步,致病因子、病原体越来越多样化,越来越防不胜防,人们的患病率的大大提高,身体健康受到了极大威胁。这不仅对食品安全、环境污染等方面提出了要求,也需要医疗水平的进一步提高。现今社会,医疗水平处于一个蒸蒸日上的阶段,但缺少严谨与精度。很多发病部位的检测都是用医生肉眼来完成,在遇到一些难以观测的发病器官比如肠胃、肝脾的时候,就会存在极大困难。深度学习在计算机视觉领域已经取得了很好的成绩,因此将深度学习用于医疗领域可以极大减轻医生的工作强度。本文将使用深度学习进行病变部位的识别和检测。

融合注意力机制的药用植物文本命名实体识别

药用植物文本的命名实体识别对中医药领域的信息抽取和知识图谱构建起着重要作用。针对药用植物属性文本存在长序列语义稀疏的问题,提出一种基于注意力机制的双向长短时记忆网络(BiLSTM)和条件随机场(CRF)模型相结合的疾病实体识别方法(BiLSTM+ATT-CRF,BAC)。首先对药用植物属性文本进行预处理和半自动化标注构建数据集,并进行预训练得到低维词向量;然后将这些低维词向量输入BiLSTM网络中,得到双向语义依赖的特征向量;Attention层把注意力集中到与当前输出特征高度相关的信息上;最后通过条件随机场(CRF)算法获取最优的标签序列并解码输出。实验结果表明,BAC方法针对药用植物属性文本的长序列语义稀疏问题,疾病命名实体识别效果较传统方法更优。利用BAC方法训练好的模型从1680条文本句子中识别疾病命名实体,共抽取出1422个疾病实体。与药用植物名称进行匹配,共抽取出4316个药用植物治疗疾病的三元组数据。

物联网在智慧农业中的应用

介绍了物联网及智慧农业的内涵,结合农业智能化生产的实际情况设计了智慧农业物联网架构,主要包括物联网感知层、物联网网络层和物联网应用层。同时,通过农产品疾病识别与治理系统,具体研究了物联网在智慧农业中的应用。

探讨CT血管造影升主动脉长度与最大直径对主动脉夹层预测价值研究

目的探讨CT血管造影(CTA)升主动脉长度与最大直径对主动脉夹层预测价值。方法回顾性分析2017年4月-2021年4月期间南京医科大学第一附属医院放射科进行检查的急性A型主动脉夹层(acute type A aortic dissection,ATAAD)66例患者的影像学资料。患者均进行CTA,将ATAAD发病的13例设为试验组;升主动脉最大直径≥40mm的14例患者设为对照一组;升主动脉最大直径<40mm的39例患者设为对照二组。对三组的升主动脉长度、最大直径进行对比同时进行ROC曲线的评估,通过对数据的分析升主动脉长度和最大直径对主动脉夹层的相关性和对疾病预测效果。结果分析三组患者的升主动脉最大直径数据发现,对照二组患者的数据明显小于对照一组和试验组,数据存在明显的差异>有统计学意义(P<0.05)。对三组患者的升主动脉长度数据进行对比分析,对照二组<对照一组<试验组,对照一组、对照二组以及试验组两两之间均存在明显的差异,均有统计学意义(P<0.05)。计算ROC曲线下面积发现,升主动脉长度ROC曲线面积为0.887,升主动脉最大直径ROC曲线面积为0.821,选取55mm点预测主动脉夹层阳性率发现用升主动脉长度阳性率为75.8%,用升主动脉最大直径阳性率为24.6%,从数据上可知晓通过升主动脉长度能更提高ATAAD阳性预测率。结论从本次研究的数据分析可知,升主动脉长度和最大直径均对主动脉夹层有一定的预测可行性,相关之间存在一定的关联,且升主动脉长度预测主动脉夹层疾病的阳性率更高、更准确,能一定程度上帮助临床医师判断患者的疾病。