3D自由呼吸starVIBE序列在颈部MRI增强中的应用研究

探讨3D自由呼吸starVIBE技术在颈部MRI增强扫描中的应用价值。前瞻性收集2022年4月至2023年3月首都医科大学附属北京同仁医院行颈部增强MRI检查的41例患者,使用3.0T MR扫描仪与16通道头颈联合线圈对其进行3D自由呼吸starVIBE增强和Dixon脂肪抑制TSE增强T1加权成像,评价2组图像的图像质量,客观评价为计算测量组织中淋巴结、对应层面竖脊肌的信号强度值及背景噪声,计算图像的信噪比(SNR)和对比度噪声比(CNR);主观评价为主观评分,指标包括脂肪抑制程度、黏膜增强、肌肉边缘清晰度、血管清晰度、病变边缘清晰度、病变清晰度、呼吸吞咽运动伪影、血管搏动伪影和图像质量总体评分(整体图像质量)。采用独立样本t检验或Wilcoxon秩和检验比较2组图像间客观指标和主观评分的差异。结果显示,TSE_T1WI-Dixon组淋巴结的SNR高于3D-starVIBE组,差异有统计学意义(P<0.001),3D-starVIBE组肌肉的SNR与TSE_T1WI-Dixon组差异无统计学意义(P=0.341>0.05),TSE_T1WI-Dixon组的CNR高于3D-starVIBE组,差异有统计学意义(P<0.001);3D-starVIBE组与TSE_T1WI-Dixon组的图像在脂肪抑制程度、黏膜增强、病变清晰度的评分差异无统计学意义(P均>0.05),3D-starVIBE组的图像在肌肉边缘清晰度、血管清晰度、病变边缘清晰度、呼吸吞咽运动伪影、血管搏动伪影和图像质量总体评分高于TSE_T1WI-Dixon组,差异有统计学意义(P均<0.001)。两名观察者对两组图像评分的一致性较强,加权Kappa系数为0.616~0.863(P均<0.001)。使用3D自由呼吸starVIBE增强序列可以减少颈部呼吸吞咽运动伪影和血管搏动伪影,提高颈部软组织清晰度的显示能力,可在临床实践中作为补充或替代使用。

2021年老挝M_(S)6.0地震序列研究

云南地震活动与周边强震存在“构造相连,动力同源”的特征,研究周边强震的序列演化特征及发震构造,对云南地区地震研究具有重要意义。2021年12月24日老挝M_(S)6.0地震发生在滇西南地区的NW向整董断裂附近,震源机制解显示,此次地震是一次走滑型破裂事件,破裂方向与区域构造特征一致。老挝M_(S)6.0地震序列属于前震-主震-余震型序列,主震前震中附近出现3~4级地震非常活跃的现象,前震序列参数计算显示b值波动相对幅度较大,h值出现“上翘”形态,而余震序列b值和h值变化均相对平稳,主震的同震库伦应力结果表明老挝地震可能对云南地区有应力加载作用。

序列标签推荐

随着互联网技术的发展以及社交网络的扩大,网络平台已经成为人们获取信息的一个重要途径。标签的引入提升了信息分类及检索效率。同时,标签推荐系统的出现不仅方便了用户输入标签,还提高了标签的质量。传统的标签推荐算法通常只考虑标签和项目两个主体,而忽略了用户在选择标签时个人意图所起到的重要作用。由于在标签推荐系统中标签最终由用户确定,因此用户的偏好在标签推荐中起着关键作用。为此,引入用户作为主体,并结合用户发布的历史帖子的先后顺序,将标签推荐任务建模为更加符合真实场景的序列标签推荐任务。提出了一种基于MLP的序列标签推荐方法(MLP for Sequential Tag Recommendation, MLP4STR),该方法显式地建模用户偏好用于引导整体标签推荐。MLP4STR采用一种跨特征对齐的MLP序列特征提取框架,将文本和标签的特征对齐,获取用户的历史帖子信息和历史标签信息中隐含的用户动态兴趣。最后,结合帖子内容和用户偏好进行标签推荐。在4个真实世界的数据集上得到的实验结果表明,MLP4STR能够有效地学习序列标签推荐中的用户历史行为序列的信息,其中,评价指标F1@5较最优的对比算法有显著提升。

生物序列比对动态规划算法的统一形式化构造与Isabelle验证

序列比对是生物序列分析中的一个经典问题,旨在找出序列之间的相似性,它对于发现生物序列中的功能、结构和进化信息都具有重要的意义.该问题可分为双序列比对和多序列比对2类,现有工作多针对特定算法展开,没有设计通用的求解方法;此外,甚少涉及算法可信性的研究.从生物序列比对问题的形式化规约出发,通过深入分析问题的性质,刻画问题求解的本质特征,借助形式化方法PAR(partition andrecursion)设计了序列比对动态规划算法的统一构造框架seqAlign;展示了应用该框架构造序列数为3的多序列比对算法的过程,并使用Isabelle定理证明器对构造结果进行形式化验证;利用PAR平台生成了该算法的C++可执行程序,进一步分析了由seqAlign框架机械化构造其他类型序列比对算法的过程.通过严密的规约精化和形式验证,有效地保证了生成算法的可信性;开发的seqAlign框架提供了序列比对问题类的通用求解方案,显著提高了序列比对算法族生成的效率.研究结果在生物序列分析中序列比对问题上的成功应用,从方法学和实践上可为复杂生物信息学领域高可靠算法的构造提供参考.

基于时间序列的服装时尚趋势预测研究

针对传统时尚趋势预测方法效率低,高度依赖专家和用户的主观意志,训练数据难以反映真正的时尚趋势等问题,提出一种基于LSTM和时装周图像信息的时尚趋势预测模型。该方法首先通过爬取时尚网站vogue中2013到2021年的四大时装周的秀场图片,然后分析图片信息,将秀场图片信息与时尚内部知识相结合,最后利用基于注意机制的LSTM模型从时间序列中寻找时尚关系,从而进行时尚趋势预测。实验结果表明,该方法在多个数据集上表现最佳。

汉麻仁多肽对高尿酸血症斑马鱼的降尿酸作用及其氨基酸序列分析

为促进汉麻仁多肽在功能食品及特医食品领域的应用,利用斑马鱼模型研究汉麻仁多肽的降尿酸作用及可能的机制,分析降尿酸活性肽组分的氨基酸序列。采用10mmol/L尿酸酶活性抑制剂氧嗪酸钾和50μmol/L尿酸合成前体黄嘌呤钠盐饲喂斑马鱼20h,建立斑马鱼高尿酸血症模型。以别嘌呤醇为阳性对照,以不同质量浓度的汉麻仁多肽饲喂斑马鱼,测定斑马鱼的尿酸荧光强度、次黄嘌呤鸟嘌呤磷酸核糖基转移酶(HPRT1)和有机阴离子转运蛋白(OAT1)基因的mRNA表达,利用液相色谱-串联质谱技术对降尿酸活性肽组分氨基酸序列进行分析。结果表明:汉麻仁多肽能够通过上调HPRT1和OAT1基因表达,有效降低高尿酸斑马鱼的尿酸水平;汉麻仁多肽活性组分中丰度较高的8个峰对应的肽段分子质量分别为499.23、578.24、628.27、653.29、715.31、918.43、982.41、1128.49Da,其氨基酸序列分别为PGTPE、MPDDV、TTSYTG、TPHWN、NNGDSPL、DDFNPRR、NPHDEFQP、YHSYLCKTD。综上,汉麻仁多肽可作为功能性成分用于降尿酸相关功能食品和保健品的开发。

基于价值评估的废旧产品拆卸序列与拆卸深度决策

为解决拆卸序列规划(disassembly sequence planning,DSP)中存在的复杂模型构建难题、组合爆炸以及拆解深度决策不合理等问题,提出了一种基于知识图谱属性图模块化的改进方法实现废旧产品拆卸信息的获取,并提出了一种基于剩余回收效益评估的拆解序列与拆解深度综合决策方法。首先,通过分析废旧产品的拆卸特征以及产品内部零部件的信息和拆卸联接关系,构建支持拆解的模块化属性图模型;[JP2]其次,采用组合赋权及改进的TOPSIS灰色关联分析法构建了零件回收综合评价模型的多属性决策模型,对产品综合内部零部件剩余回收效益进行排序;再次,提出了基于改进遗传-粒子群算法的完全拆解序列生成方法,并结合剩余回收效益值进行废旧产品零件的拆解深度决策。以废旧汽车动力电池包为例对上述模型和方法进行了验证,证明了该方法的可行性和高效性。

基于话题序列的网络热点数据挖掘模型研究

随着互联网信息的爆炸式增长,如何从海量数据中准确、高效地挖掘出网络热点话题,成为当前数据挖掘领域的重要研究方向。界定话题序列的概念,并分析其在网络热点数据挖掘中的重要作用,可以提出一种基于话题序列的网络热点数据挖掘模型。该模型可以对话题进行时间序列分析,结合文本挖掘和机器学习技术,实现对网络热点话题的自动识别。仿真实验结果验证,基于话题序列的网络热点数据挖掘模型有效性较高,在准确率方面相对其他传统方法有显著提升。

基于两阶段聚类和MCMC算法的风光出力序列建模方法

针对风光出力的随机性建模问题,提出一种基于两阶段聚类和双层马尔科夫链模型的风光相关出力序列建模方法。首先采用两阶段聚类得到不同的风光典型日出力模式,第1阶段采用自组织映射聚类方法识别不同气象条件下的光伏出力类型;第2阶段采用近邻传播聚类方法对不同光伏出力类型对应的风电出力样本进行聚类。其次,建立双层马尔科夫链模型描述风光出力的相依变化,上层建立单变量马尔科夫链模型描述风光出力模式的日间转移,下层建立双变量马尔科夫链模型描述风光出力日内相邻时刻的状态转移。最后,采用MCMC模拟方法得到指定时间长度的风光出力序列。仿真算例表明,所提方法在各项评价指标上均优于传统MCMC方法及Copula模型,能生成更符合风光实际相关性的出力序列。

信阳市罗山县鸡滑液囊支原体PCR检测及VlhA基因序列分析

为了解信阳市罗山县MS流行状况和流行株的分子特征,本研究应用PCR方法对罗山县部分蛋鸡养殖场进行鸡滑液囊支原体病原检测,并对阳性样品VlhA基因进行序列分析。结果表明,从48份样品检测出3份MS阳性样品;VlhA基因序列分析表明,3个流行株与国内流行的K基因型MS参考株具有高度相似性;VlhA基因推导氨基酸序列分析表明,3个流行株与国内流行的MS具有高度同源性;氨基酸变异位点分析发现,H2 MS阳性样品在第43、45位出现突变与缺失。研究结果为罗山地区MS流行病学研究提供了一定的参考。

基于多层次图对比学习的序列推荐模型

针对现有的基于对比学习的序列推荐模型只考虑了项目和项目或者序列和序列这一个层级的表示学习,而没有办法学习到精细的、易于区分的用户与项目表示的问题,提出一种基于多层次图对比学习的序列推荐(MLGCL-SR)模型。首先,根据用户点击项目的顺序构建项目转移图,并对它进行嵌入表示;其次,利用优化后的双向门控图神经网络(BI-GGNN)在嵌入的项目转移图上进行用户的表示学习;最后,对主要推荐预测任务通过交叉熵损失函数进行参数更新,并使用多层次对比学习任务在嵌入层、节点层、序列层三个层次辅助推荐预测任务进行参数更新,其中在嵌入层和节点层辅助推荐预测任务进行更好的项目表示,而在序列层辅助推荐预测任务进行更好的用户表示。在3个基准数据集Sports、Beauty、Toys上的实验结果表明,相较于对比的最优模型MCLRec(Meta-optimized Contrastive Learning for sequential Recommendation),MLGCL-SR模型在命中率(HR)和归一化折损累计增益(NDCG)指标上有了显著的提升,在能较好反映推荐效果的NDCG@10指标上分别提升了14.2%、19.1%和23.1%,验证了模型的有效性。

基于MIMO雷达成像图序列的切向人体姿态识别方法

现有的基于雷达传感器的人体动作识别研究主要聚焦于相对雷达径向运动产生的微多普勒特征。当面对非径向,特别是静态姿势或者运动方向与雷达波束中心垂直的切向动作(切向人体姿态)时,传统基于微多普勒的方法无法对径向运动微弱的切向人体姿态进行有效表征,导致识别性能大幅下降。为了解决这一问题,该文提出了一种基于多发多收(MIMO)雷达成像图序列的切向人体姿态识别方法,以高质量成像图序列的形式来表征切向姿态的人体轮廓结构及其动态变化,通过提取图像内的空间特征和图序列间的时序特征,实现对切向人体姿态的准确识别。首先,通过恒虚警检测算法(CFAR)定位人体目标所在距离门,接着,利用慢时滑窗将目标动作划分为帧序列,对每帧数据用傅里叶变换和二维Capon算法估计出切向姿态的距离、俯仰角度和方位角度,得到切向姿态的成像图,将各帧成像图按照时序串联起来,构成切向人体姿态成像图序列;然后,提出了一种改进的多域联合自适应阈值去噪算法,抑制环境杂波,增强人体轮廓和结构特征,改善成像质量;最后,采用了一种基于空时注意力模块的卷积长短期记忆网络模型(ST-ConvLSTM),利用ConvLSTM单元来学习切向人体姿态成像图序列中的多维特征,并结合空时注意力模块来强调成像图内的空间特征和图序列间的时序特征。对比实验的分析结果表明,相比于传统方法,该文所提出的方法在8种典型的切向人体姿态的识别中取得了96.9%的准确率,验证了该方法在切向人体姿态识别上的可行性和优越性。

时间序列雷达数据识别耕地种粮类型的研究

以广东省揭阳市揭西县为研究对象,采用2021年下半年的时间序列哨兵一号数据,分析了实测样本的水稻、玉米、坑塘水面、未耕种、树林和蔬菜等耕地上不同覆盖物的时间序列后向散射系数特征和类间差异性,结果表明耕地种粮类型分类的最优极化方式为VH极化,在此基础上构建了基于长短期记忆网络(Long Short-Term Memory networks,LSTM)的耕地种粮类型识别模型,模型精度达到90%。根据模型提取了研究区的水稻、玉米、坑塘水面、未耕种、树林和蔬菜的空间分布,为多云地区的耕地种类监测提供了新的遥感技术手段。

碳青霉烯耐药铜绿假单胞菌的耐药特点和多位点序列分型

目的了解临床分离碳青霉烯(亚胺培南、美罗培南)耐药的铜绿假单胞菌(carbapenem resistant pseudomonas aeruginosa,CRPA)的耐药情况和遗传分型,为临床合理化用药和医院感染控制工作提供依据。方法收集2021年7月至2022年6月河南中医药大学第一附属医院临床分离的非重复碳青霉烯耐药的铜绿假单胞菌60株进行鉴定和药敏试验,分析临床分布和标本来源。随机选取其中35株CRPA,利用多位点序列分型(multilocus sequence typing,MLST)扩增铜绿假单胞菌的7个管家基因acsA、aroE、guaA、mutL、nuoD、ppsA和trpE,PCR扩增测序后采用DNAstar和PHYLOViZ 2.0等软件对分离的CRPA进行遗传差异性分析。结果60株CRPA主要分布在呼吸科、康复科、重症监护病房。标本类型以痰液为主(63.3%),其次为肺泡灌洗液(28.3%)。除多黏菌素、阿米卡星、庆大霉素外,对其他抗菌药物的耐药率均为40%以上,与同期分离的碳青霉烯敏感铜绿假单胞菌(carbapenem sensitive pseudomonas aeruginosa,CSPA)相比,除多黏菌素外,CRPA分离组对阿米卡星(23.3%)、头孢吡肟(58.3%)、头孢他啶(48.3%)、环丙沙星(55.0%)、哌拉西林/他唑巴坦(45.0%)、氨曲南(56.7%)、美罗培南(78.3%)等抗菌药物的耐药率显著高于CSPA组,差异有统计学意义(P<0.05)。MLST分析显示35株CRPA可分为25个ST型,其中优势ST为ST1182。该研究发现1种新的等位基因trpE316,3种新的ST型别,分别为ST3978、ST3979、ST3980。结论CRPA主要来源于呼吸道,多见于呼吸科,CRPA耐药形势严峻,应结合药敏结果和流行病学分析,有针对性地采取干预措施。MLST分析的结果显示ST型存在多样化,克隆类型多样化,提示这些菌株的遗传背景也极其复杂多变。

基于ITS2和psbA-trnH序列鉴别五味子和华中五味子

目的:基于核内转录间隔区2(ITS2)和psbA-trnH序列,运用DNA条形码技术对五味子和华中五味子进行序列比对分析,建立快速、准确的分子鉴定方法,筛选最佳DNA条形码序列用于鉴别五味子和华中五味子真伪。方法:以五味子和华中五味子为材料,利用DNA提取试剂盒,分别提取五味子和华中五味子的总DNA,对ITS2序列和psbA-trnH序列进行聚合酶链式反应扩增及测序分析,使用DNAMAN 6.0软件统计其片段长度及变异位点个数,使用MEGA 5.0软件对数据进行分析比对,计算Kimura 2-parameter遗传距离,通过数据库预测二级结构,并利用邻接法建立系统发育树进行分析。结果:五味子和华中五味子ITS2序列片段长度为231 bp,鉴别位点为腺嘌呤(A)-胸腺嘧啶(T)、鸟嘌呤(G)-T、T-A;在psbA-trnH序列中,存在7个稳定的鉴别位点,分别为GA、T-G、胞嘧啶(C)-A、T-A、缺失-T、A-T、G-T,五味子和华中五味子ITS2序列二级结构存在明显差异,能将两者进行区分。结论:ITS2和psbA-trnH条形码均可以用于区分五味子和华中五味子,但psbA-trnH条形码种内遗传更稳定,种间鉴别位点更多,研究为五味子和华中五味子的快速、准确鉴定和用药安全提供科学依据。

时间序列分类模型的集成对抗训练防御方法

深度学习是解决时间序列分类(Time series classification,TSC)问题的主要途径之一.然而,基于深度学习的TSC模型易受到对抗样本攻击,从而导致模型分类准确率大幅度降低.为此,研究了TSC模型的对抗攻击防御问题,设计了集成对抗训练(Adversarial training,AT)防御方法.首先,设计了一种针对TSC模型的集成对抗训练防御框架,通过多种TSC模型和攻击方式生成对抗样本,并用于训练目标模型.其次,在生成对抗样本的过程中,设计了基于Shapelets的局部扰动算法,并结合动量迭代的快速梯度符号法(Momentum iterative fast gradient sign method,MI-FGSM),实现了有效的白盒攻击.同时,使用知识蒸馏(Knowledge distillation,KD)和基于沃瑟斯坦距离的生成对抗网络(Wasserstein generative adversarial network,WGAN)设计了针对替代模型的黑盒对抗攻击方法,实现了攻击者对目标模型未知时的有效攻击.在此基础上,在对抗训练损失函数中添加Kullback-Leibler(KL)散度约束,进一步提升了模型鲁棒性.最后,在多变量时间序列分类数据集UEA上验证了所提方法的有效性.

基于深度学习与大语言模型的序列推荐研究进展

推荐系统旨在解决传统信息检索系统中信息过载的问题,并且致力于向用户推荐个性化感兴趣的内容。人与系统交互的行为具有一定的顺序性,在提供推荐时需要将其纳入考虑,这就是序列推荐系统。序列推荐系统通过分析用户行为序列,捕捉用户偏好的动态变化,为电子商务、社交媒体和在线视频等多个领域提供精准的个性化推荐服务。全面阐述了序列推荐系统的当前研究进展,并探讨了其在个性化推荐领域的重要性与应用潜力。定义了序列推荐的研究问题,明确了推荐序列的核心目标和挑战。详细分类并总结了序列推荐的主要技术,包括:基于马尔可夫链的传统方法,该方法在建模用户行为序列时依赖于状态转移概率;深度学习驱动的方法,利用神经网络模型来捕捉长期依赖关系与复杂模式;混合模型方法,结合多种算法来增强推荐系统的准确性和鲁棒性;以及新兴的基于大语言模型的方法,这些方法通过引入预训练的大语言模型来提升对用户行为和推荐内容的理解能力。展望了未来的研究方向,强调了上下文感知、多模态融合、因果推断、垂直领域特定大语言模型以及缓解幻觉问题等研究点的重要性。

基于递归稀疏在线学习的时间序列拓扑识别

针对动态时间序列之间的因果关系分析问题,提出一种基于递归稀疏在线学习的拓扑识别方法。通过复合目标迭代最小化序列稀疏拓扑识别标准,促进稀疏更新;通过基于最小二乘法的估计准则,大大提高对输入可变性的跟踪性能,并且瞬时损失函数考虑历史样本,进一步通过静态遗憾分析得到对数遗憾界限;在真实数据和合成数据上的结果表明所提出算法在静态和动态场景中的有效性。

结合对比学习的双分支多维时间序列异常检测方法

多维时间序列异常检测是维持复杂工业系统有效运行的必要环节,如何准确识别大量设备中的异常模式是一项重要挑战。现有方案大多对多维时间序列下实体存在的动态依赖关系提取不足并且会受异常数据影响难以重构出正常的模式。为此,提出一种结合对比学习的双分支多维时间序列异常检测方法。首先,通过图结构学习和图特征增强得到实体之间的关联图以捕获动态变化的实体相关性,以及使用长短期记忆网络对时间依赖关系进行提取得到时间编码;接着,插入分块重组并采用图卷积操作提取不同尺度间的时空融合关系;最后,将融合后的关系特征进行联合对比训练得到正异常差异表示以评估异常。在SWaT、WADI、SWAP和MSL四个公开工业数据集上进行实验,与近年来的方法相比,所提方法取得了较好的F 1分数,分别为91.63%、90.60%、90.06%和93.69%,比MTGFLOW方法平均高出1.52百分点。实验结果表明,所提方法在提取动态依赖关系和区分正常与异常模式方面具有显著优势,验证了其在多维时间序列异常检测中的有效性和先进性,并显示出广泛的应用潜力。

基于图增强和注意力机制的时间序列不确定性预测

为提升对未来事件的预判能力并有效应对不确定性,提出了一种基于图增强和注意力机制的网络架构,用于多元时间序列的不确定性预测.通过引入隐含式图结构并结合图神经网络技术,捕捉各序列间相互依赖关系,从而建模时间序列之间的相互影响;运用注意力机制捕捉同一序列内的时序变化模式,以建模时间序列的动态演变规律;采用蒙特卡洛随机失活(Monte Carlo dropout)方法近似模型参数,并将预测序列建模为随机分布,以实现精确的时间序列不确定性预测.实验证明,该方法在保持较高预测精度的同时,还能进行可靠的不确定性估计,可以为决策任务提供置信度信息.