人工智能与中医诊断技术

人工智能技术将有助于推动中医诊断技术的发展与进步,尤其在解决中医四诊信息客观化采集和术语规范化研究瓶颈问题上。文章阐述了人工智能技术与中医四诊以及四诊合参的研究现状和问题,论述了课题组利用人工智能技术进行诊断术语规范化的研究进展,并进一步总结提出中医诊断人工智能化的发展方向和研究重点。

基于状态辨识的人工智能组方模型设计

借助现代计算机技术实现中医智能方药推荐是中医现代化研究的趋势,然而目前中医智能方药推荐模型多以直接选择推荐成方为主,罕见智能组方的文献报道。中医临床实际情况复杂多变,难见“教科书式”的病人,成方难以满足全部需求。因而文章提出一个在状态辨识基础上的智能组方模型,即对状态辨识结果(状态要素集合)进行分组结构化-形成单证-根据单证选用药群-合成处方,并对该模型进行扩展、运用规则对模型进行约束用以解决推荐成方难以满足需求的情况,且更加符合传统中医思维,体现中医全面、整体、动态、个性化的特点。

基于人工智能算法的中医状态辨识规则

中医诊断方法技术的客观化研究是实现中医药现代化、智能化发展的重要途径和必经阶段。证素辨证学中病位、病性、"证候-证素"积分等概念的提出,促进了中医诊断学走向数字化发展。状态辨识理论的出现,进一步完善了对人体状态要素的客观、全面、动态的中医评估体系,使得中医诊断学逐步走向客观化。提出围绕要素阈值、一(少)元论、伴随表征的共同指向、三因制宜、重视"辨病"、重视"主症""重症"、重视"辨病机"七条规则,并借助人工智能算法加以转化实现,从而提升中医诊断辨证的客观性和准确性。

基于动态分类的隐喻识别方法

隐喻计算是自然语言处理领域中的重要问题.尝试以差异性计算为基础,结合语言、心理和认知的角度对英语隐喻识别进行深入分析和探索.对人类而言,隐喻识别是一个动态分类的过程,动态分类是从多个角度来度量事物之间的差异性.研究了如何模仿人类来获取概念的特征、选择分类角度、在特定分类角度下计算差异性,并进行了英语名词性隐喻识别的实验.该方法对隐喻/常规表达识别的准确率达到85.4%,实验结果表明,该方法是有效的.

机器意识研究综述

意识问题是尚未解决的重大哲学问题与科学问题.机器意识是人工智能最前沿的研究领域之一.研发意识机器人对于人工智能与机器人学的发展具有重要科学意义与应用价值.本文首先介绍了意识与感受性的相关概念和理论;然后,详细讨论了机器意识的概念与研究分类、实现方法与计算模型,重点论述了实现机器意识的量子方法;最后,总结了机器意识目前面临的困境与未来可能的发展,并给出了一套机器意识总体实现框架.

脑电时空多特征融合的数字图形界面认知负荷评价方法

准确地评价数字图形界面下操作员的认知负荷(cognitive load,CL),有助于实现认知反馈机制并最终提高人机工效.为了进一步提高评价方法的鲁棒性与泛化能力,结合EEG实验将Att-BLSTM应用于CL评价问题中.该方法首先利用Multi-CNN提取EEG的频域与空间特征,然后利用Att-BLSTM提取EEG的时域特征,最后通过多特征融合构建CL评价方法.通过招募12名被试,采集了2种CL条件下的EEG数据进行了实验.实验结果表明,文中方法在该数据集上的平均准确率为82%,比传统机器学习的方法具有更强的EEG信号表征能力;与其他深度学习方法相比,也能更准确地提取EEG的时域特征,且具有更强的鲁棒性.

双标签监督的几何约束对抗训练

近年来的研究表明,对抗训练是一种有效的防御对抗样本攻击的方法.然而,现有的对抗训练策略在提升模型鲁棒性的同时会造成模型的泛化能力下降.现阶段主流的对抗训练方法通常都是独立地处理每个训练样本,而忽略了样本之间的关系,这使得模型无法充分挖掘样本间的几何关系来学习更鲁棒的模型,以便更好地防御对抗攻击.因此,重点研究如何在对抗训练过程中保持样本间的几何结构稳定性,达到提升模型鲁棒性的目的.具体而言,在对抗训练中,设计了一种新的几何结构约束方法,其目的是保持自然样本与对抗样本的特征空间分布一致性.此外,提出了一种基于双标签的监督学习方法,该方法同时采用自然样本和对抗样本的标签对模型进行联合监督训练.最后,分析了双标签监督学习方法的特性,试图从理论上解释对抗样本的工作机理.多个基准数据集上的实验结果表明:相比于已有方法,该方法有效地提升了模型的鲁棒性且保持了较好的泛化精度.相关代码已经开源:https://github.com/SkyKuang/DGCAT.

深度神经网络结构搜索综述

深度神经网络在图像识别、语言识别和机器翻译等人工智能任务中取得了巨大进展,很大程度上归功于优秀的神经网络结构设计。神经网络大都由手工设计,需要专业的机器学习知识以及大量的试错。为此,自动化的神经网络结构搜索成为研究热点。神经网络结构搜索(neural architecture search,NAS)主要由搜索空间、搜索策略与性能评估方法3部分组成。在搜索空间设计上,出于计算量的考虑,通常不会搜索整个网络结构,而是先将网络分成几块,然后搜索块中的结构。根据实际情况的不同,可以共享不同块中的结构,也可以对每个块单独搜索不同的结构。在搜索策略上,主流的优化方法包含强化学习、进化算法、贝叶斯优化和基于梯度的优化等。在性能评估上,为了节省计算时间,通常不会将每一个网络都充分训练到收敛,而是通过权值共享、早停等方法尽可能减小单个网络的训练时间。与手工设计的网络相比,神经网络结构搜索得到的深度神经网络具有更好的性能。在Image Net分类任务上,与手工设计的MobileNetV2相比,通过神经网络结构搜索得到的MobileNetV3减少了近30%的计算量,并且top-1分类精度提升了3.2%;在Cityscapes语义分割任务上,与手工设计的Deep Labv3+相比,通过神经网络结构搜索得到的Auto-DeepLab-L可以在没有Image Net预训练的情况下,达到比Deep Labv3+更高的平均交并比(mean intersection over union,mIOU),同时减小一半以上的计算量。神经网络结构搜索得到的深度神经网络通常比手工设计的神经网络有着更好的表现,是未来神经网络设计的发展趋势。

基于多视角聚类分析的汉字字体审美偏好挖掘

在神经美学研究中已经证明,中文字体审美偏好的情绪刺激可以通过观察3种偏好(喜欢、不喜欢和中性)之间的事件相关电位(event related potential,ERP)波动获得.本文通过引入一种核化张量奇异值分解的多视角聚类方法分别构建了基于脑电图(electroencephalogram,EEG)和ERP的审美偏好识别模型,通过这些模型首次确认了该结论.本文方法将来自不同频段的数据视为描述中文字体审美偏好的不同视角,通过张量多秩最小化的约束探索所有视角特征的一致性和关联性,并通过之后的聚类获取审美偏好的识别结果.采用多视角无监督聚类方法得到的识别精度达到97.1%.此外,通过输入–扰动关联方法将电极的振幅与不同种类的审美偏好相关联,可视化关键频段组合以及电极之间的关系,分别取出与喜欢、不喜欢、中性最相关的3个电极,包含次相关的6个电极,包含第三相关的9个电极,包含第四相关的12个电极,分别形成4种不同组合的脑电特征.通过比较实验,验证了相对于62个电极信号,上述4种组合方式在字体美学分类上更具有优势,并且最相关的3个电极的组合特征对审美偏好最具判别性.实验结果表明,基于多视角聚类的方法能够解决神经信号与审美偏好的相关分析,并能挖掘出与字体审美偏好最相关的电极.