基于BERT的中文电子病历命名实体识别

针对中文电子病历命名实体识别过程中实体特征利用率低,语义表示不充分等问题,提出一种基于BERT语言模型的命名实体识别方法。运用Char-CNN学习字符的多种特征,将特征加入BERT预训练生成的词向量中,获得融合领域信息和汉字特征的词向量表示,将词向量输入迭代扩张卷积神经网络中进行特征抽取,引入注意力机制加强实体特征的关注度,通过CRF解码标注命名实体。实验结果表明,该方法在CCKS17中取得91.64%的F1值,识别性能优于现有方法。

基于视觉认知任务的注意缺陷多动障碍患儿与正常儿童脑功能网络差异研究

针对注意缺陷多动障碍(ADHD)儿童与正常儿童在执行任务状态下的脑网络的差异性,本文采用视觉功能区网络特征进行了比较研究,提取的试验数据为受试者执行猜题任务时,视觉捕捉范式获取的功能性磁共振成像(fMRI)数据,受试者包括23名ADHD患儿[年龄:(8.27±2.77)岁]与23名正常儿童[年龄:(8.70±2.58)岁]。首先,本文利用fMRI数据构建视觉区脑功能网络;然后,获取视觉区脑功能网络的特征指标,包括:度分布、平均最短路径、网络密度、聚集系数、介数等,并与传统全脑网络进行对比分析;最后,利用机器学习算法中的支持向量机(SVM)等分类器对特征指标进行分类以区分ADHD儿童与正常儿童。本研究采用视觉区脑功能网络特征进行分类,分类精度最高达到96%,与传统的构建全脑网络方法相比,精度提高了10%左右。试验结果表明,使用视觉区脑功能网络分析法能够更好地区分ADHD儿童与正常儿童。该方法对ADHD儿童与正常儿童脑网络的区分具有一定的帮助,有利于ADHD儿童的辅助诊断。