COVID–19在高危人群动态网络中的传播动力学

为了弄清影响新型冠状病毒肺炎蔓延的影响因素,分析中国大陆地区的疫情发展趋势,本文提出了一种基于高危人群动态网络的COVID–19传播模型来模拟新型冠状病毒肺炎在人群中的传播过程.首先,本文统计了1月16日至2月6日,中国大陆各个地区的感染情况,通过各个地区的人口流动、地理位置和经济发展情况等因素,对各个地区的疫情数据进行了综合分析,提出了疫情生长指数来量化各个地区的疫情发展情况.然后,本文结合新型冠状病毒肺炎在人群中的传播特点,以高危人群为研究对象,构建了高危人群动态网络. COVID–19传播模型对SEIR模型中的感染率、潜伏率和退出率进行了重新定义,并基于高危人群动态网络对中国大陆地区的疫情发展趋势做出了预测和分析,模拟数据和已公布的确诊数据能够较好的拟合,也验证了模型的可靠性.最后,模型还验证了防护措施的有效性.     

局部新冠肺炎时滞模型及再生数的计算

2019年末的新型冠状病毒肺炎(简称:新冠肺炎,又称COVID–19, novel coronavirus pneumonia, NCP, 2019–nCoV)疫情得到了全球的广泛关注.文献[1–2]提出了一类新的时滞动力学系统的新冠肺炎传播模型(a time delay dynamic model for NCP,简称TDD–NCP模型)来描述疫情的传播过程.本文将这个模型用于研究部分省市的疫情传播问题,通过增加模型的源项用于模拟外来潜伏感染者对于当地疫情的影响.基于全国各级卫健委每日公布的累计确诊数与治愈数,本文有效地模拟并预测了各地疫情的发展.提出了基于TDD模型的再生数的两种计算方法,并做了估计与分析.发现疫情暴发初期再生数较大,但随着各级政府防控力度的加大而逐渐减小.最后,分析了返程潮对上海疫情发展的影响,并建议上海市政府继续加大防控力度,以防疫情二次暴发.     

基于SEIR模型的新型冠状病毒肺炎疫情分析

对新型冠状病毒肺炎的传播规律进行研究,为传染病防控提供科学依据.基于每日发布的新冠肺炎确诊人数数据集,采用经典的SEIR(Susceptible-Exposed-Infected-Recovered)传染病动力学模型模拟疫情传播过程;利用最小二乘法对感染系数β和恢复系数γ进行参数估计;通过过滤原始数据集、优化感染人群初始值I0和恢复系数γ等方法进一步提高模型预测的准确率.该方法能够合理地预测疫情确诊人数和疫情拐点,对全国、湖北省确诊人数的预测误差率分别不超过2.04％、1.25％,对于疫情防控具有实用价值.     

新冠肺炎疫情趋势预测模型

2019年新型冠状病毒肺炎(corona virus disease 2019,COVID-19)的爆发对人们的健康和生活造成了极大的危害和影响.预测疫情的发展趋势可帮助人们提前制定应对措施.SEIR模型是经典的传染病模型之一,由于该模型中病毒传染率为常数,难以对新冠肺炎传播情况进行准确建模并完成疫情趋势预测.针对此问...     

基于SEIR-ARIMA混合模型的新冠肺炎预测

新型冠状病毒肺炎简称新冠肺炎,是一种由新型冠状病毒引起的急性感染性肺炎,具有传染性强、人群普遍易感的特点。因此,对新冠肺炎感染人数的预测,不仅仅有利于国家面对疫情做出科学决策,而且有利于及时整合防疫资源。本文提出一种基于传统的传染病动力模型SEIR和差分整合移动平均自回归模型ARIMA构建的SEIR-ARIMA混合模型,对不同时间段、不同地点的新冠肺炎疫情做出预测和分析。从实验结果上看,基于SEIR-ARIMA混合模型的预测,比常见的用于新冠肺炎预测的逻辑回归Logistic、长短期记忆人工神经网络LSTM、SEIR模型、ARIMA模型有较好的预测效果。为了真实地反映出实验效果的提高是否源于SEIR与ARIMA模型结合的优势,本文还实现SEIR-Logistic混合模型和SEIR-LSTM混合模型,并与SEIR-ARIMA对比分析得出,SEIR-ARIMA预测都取得更好的预测效果。因此,基于SEIR-ARIMA混合模型对新冠肺炎的发展趋势的分析相对可靠,有利于国家面对疫情的科学决策,对我国未来预防其他类型的传染病具有很好的应用价值。     

关于新型冠状病毒肺炎一类基于CCDC统计数据的随机时滞动力学模型

科学地预测新型冠状病毒肺炎疫情发展趋势对疫情防控至关重要.本文对中国疾病预防控制中心(CCDC)发布^[1]的数据进行了分析,给出了关于新型冠状病毒肺炎的一些可能的统计模型:传播链中连续病例的发病时间间隔分布、感染至发病的时间间隔分布和发病至住院的间隔时间3个分布,并形成了感染至确诊的时间间隔分布表达.结合CCDC统计数据和程晋团队的时滞动力学模型(TDD–NCP模型),本文发展了新的随机时滞动力学模型(Fudan–CCDC模型),并给出了参数反演结果与疫情分析.     

COVID-19疫情下定点收治医院动态选址-分配优化

针对医疗资源匮乏和经济不发达的国家或地区,如何选择定点收治医院、分配患者,有效控制新型冠状病毒肺炎(COVID-19)扩散是亟待解决的问题.首先,考虑疫情患者数量和症状等级动态变化特征,以最大化患者的收治率和最小化医院总费用为目标,构建有限医疗资源约束下定点收治医院动态选址-分配双目标优化模型;其次,分析所构建模型的结构特征,设计基于Epsilon约束方法的求解框架,得到Pareto最优解集;最后,基于北京市卫生健康委发布的疫情数据进行数值实验,以验证所提出模型的可行性与方法的有效性.实验结果表明,双目标优化模型可以有效地权衡定点医院的总费用与患者的收治率,对于COVID-19疫情下医疗资源的合理配置具有重要的指导意义.     

随机多种群易感者、感染者和移出者传染病模型的阈值

本文建立了一类随机多种群易感者、感染者和移出者(susceptical infective and removal, SIR)传染病微分方程 模型, 针对模型找到与随机因素相关的阈值用于判定疾病的消亡与否. 通过阈值里随机干扰的作用给出疾病防控的新方 法—–随机镇定. 与此同时, 本文探究无病平衡点的全局稳定性并通过数据仿真实例解释上述理论结果的正确性和可行 性.     

新型冠状病毒肺炎的深度学习诊断方法综述

新型冠状病毒肺炎的高感染率导致其在全球范围内迅速传播,常用的逆转录-聚合酶反应（RT-PCR）检测方法存在耗时、假阴性率偏高和医学用具不足的缺陷,因此开发高效、准确、低成本的影像检测技术对新型冠状病毒肺炎的诊断和治疗至关重要。随着人工智能在医学领域的成功应用,深度学习技术成为辅助检验和识别新型冠状病毒肺炎的有效方法。对近年来涌现的新型冠状病毒肺炎的深度学习诊断方法进行了研究和总结：介绍了深度学习方法使用的两种新型冠状病毒肺炎数据集;介绍了基于VGGNet、Inception、ResNet、DenseNet、EfficientNet和CapsNet模型的六种深度学习诊断方法;介绍了三种深度学习与其他机器学习方法结合的诊断方法;对基于深度学习的新型冠状病毒肺炎诊断方法的研究趋势进行了展望。     

考虑无症状和变异者的SAIVR传染病模型

考虑无症状者、变异者的存在以及易感者通过其他方式直接变为免疫者等因素，在传统传染病模型的基础上建立了一个新的SAIVR传染病模型。根据SAIVR模型的传播规则，利用微分方程理论给出了该模型的传播动力学方程，分析了该模型的无病平衡点和地方病平衡点的存在性，利用下一代矩阵方法计算出该模型在无病平衡点处的基本再生数，根据Routh-Hurwitz判据得到了该模型在平衡点处的局部渐近稳定性条件，利用Lyapunov理论证明了模型的全局稳定性。仿真实验表明，考虑无症状者和变异者的SAIVR模型准确预测了传染病的爆发时间、爆发规模和消亡时间，有助于减少传染病在人群中的传播率，增加感染者、变异者的免疫率，有效控制SAIVR传染病的传播。     

基于人际关系的传染病传播仿真模型研究

通过建立一种基于人际关系的传染病传播仿真模型对传染病传播过程以及预测在相关防控措施下疫情发展的趋势进行研究。基于人际关系描述个体间的接触与交互,以个体为单位建立仿真模型,根据中国卫健委平台收集武汉地区COVID-19疫情的初期数据调整模型参数,估算基本再生数（R0）验证模型,并模拟不同疫情防控手段的场景,探讨不同干预措施下疫情传播的趋势。建立的基于人际关系的传染病传播模型首先模拟了武汉疫情初期的传播过程,估算武汉封城前COVID-19的R0;然后对扬州疫情发展趋势进行了初步预测,发现疫情已进入可控阶段。通过探讨在人口密集接触场所（以学校为例）中不同的干预措施对疫情发展的影响,针对学生秋季开学提出相关防控意见,讨论了个体在社交接触网络中的社交移动距离对疫情传播的影响。     

COVID-19智能体模型及城市疫情封控措施评价研究

国内新冠肺炎(COVID-19)疫情平稳后,外来输入携带病毒的人与货物可能导致国内出现疫情小幅反弹.针对各地疫情反弹后城市采取封控措施的尺度对城市运行的影响问题,结合多智能体仿真、复杂网络模型中的小世界网络与GIS技术,构建了COVID-19城市空间智能体模型,通过马尔科夫蒙特卡洛方法(Markov chain Mon...     

新冠肺炎传播动力学建模及预测

为了深入研究新冠肺炎传播趋势和传播风险,根据新冠肺炎的传播特点,考虑政府管控和个人防护等措施,在经典传染病SIR模型的基础上,引入低风险群体,提出一种新冠肺炎传播动力学模型SLIR,并对模型的平衡点、稳定性和分岔等复杂动力学行为进行分析,揭示新冠肺炎传播机理.为了提高该模型的疫情预测精度,以美国新冠肺炎的真实数据为基础,使用最小二乘法对模型参数进行分段估计.最后利用该模型对美国新冠肺炎进行预测和分析,仿真结果表明,相比于传统SIR模型,该模型能较好地对美国疫情发展趋势做出预测,官方公布的实际数据也可进一步验证模型的有效性. SLIR模型可以有效仿真新冠肺炎传播,并为政府选择合适的防控措施提供技术支撑.     

The analysis of isolation measures for epidemic control of COVID-19

This paper proposes a susceptible exposed infectious recovered model (SEIR) with isolation measures to evaluate the COVID-19 epidemic based on the prevention and control policy implemented by the Chinese government on February 23, 2020. According to the Chinese government’s immediate isolation and centralized diagnosis of confirmed cases, and the adoption of epidemic tracking measures on patients to prevent further spread of the epidemic, we divide the population into susceptible, exposed, infectious, quarantine, confirmed and recovered. This paper proposes an SEIR model with isolation measures that simultaneously investigates the infectivity of the incubation period, reflects prevention and control measures and calculates the basic reproduction number of the model. According to the data released by the National Health Commission of the People’s Republic of China, we estimated the parameters of the model and compared the simulation results of the model with actual data. We have considered the trend of the epidemic under different incubation periods of infectious capacity. When the incubation period is not contagious, the peak number of confirmed in the model is 33,870; and when the infectious capacity is 0.1 times the infectious capacity in the infectious period, the peak number of confirmed in the model is 57,950; when the infectious capacity is doubled, the peak number of confirmed will reach 109,300. Moreover, by changing the contact rate in the model, we found that as the intensity of prevention and control measures increase, the peak of the epidemic will come earlier, and the peak number of confirmed will also be significantly reduced. Under extremely strict prevention and control measures, the peak number of confirmed cases has dropped by nearly 50%. In addition, we use the EEMD method to decompose the time series data of the epidemic, and then combine the LSTM model to predict the trend of the epidemic. Compared with the method of directly using LSTM for prediction, more detailed information can be obtained.

     

人工智能在新型冠状病毒肺炎中的研究综述

新型冠状病毒肺炎（corona virus disease,COVID-19）的暴发对全球人类的生命财产安全造成了巨大威胁。人工智能（artificial intelligence,AI）为助力打赢这场疫情攻坚战发挥了不可替代的作用。由于AI的助力,医疗资源紧张的问题得到大幅度缓解,并提高了医疗诊断效率,同时也避免接触感染的风险。阐述了COVID-19和AI的背景知识,从疫情趋势预测、疫情溯源追踪、检测诊断、药物开发、疫苗研制、药物再利用、网络舆论管控以及基因组测序这8个疫情防控的环节讨论了AI在本次COVID-19中的研究进展,并列举本次疫情中AI所面临的挑战,浅谈本次疫情对我国AI产业影响以及两者的辩证关系,对全文进行总结。     

基于Biclustering的中医药症关系分析

针对中医临床中的药症关系知识发现问题,在计算药症相关相似度的基础上,采用Biclustering分析方法获得中医临床诊疗中的重要药物配伍信息,并发现与这些药物配伍相应的临床症状。研究结果表明,Biclustering方法是一种有效的中医药物配伍和药症关系分析方法。     

考虑疫情扩散传播风险的多目标拼车应急管理优化调度模型

为了解决在疫情背景下传统拼车出行模式面临的交互传染风险,对疫情背景下的拼车管理进行分析,提出了将低风险及潜在风险乘客分开服务的拼车策略。在进一步考虑拼车系统应兼顾的社会效益及服务质量的基础上,构建了在满足基本额定盈利及最小化等待时长的双目标拼车应急管理优化调度模型,并给出了求解该模型的组合模拟退火算法。通过具体算例对模型的有效性进行验证,结果表明模型能够较快收敛到一个稳定值,且计算结果能够反映实际场景,说明了模型及算法的有效性。最后,通过一个仿真实验对所构建模型在病毒传播中的作用进行了分析,结果显示所构建的模型可以有效抑制拼车导致的病毒传播速度。     

基于深度学习的新型冠状病毒肺炎诊断研究综述

新型冠状病毒肺炎(COVID-19)具有高传染性和高致病性,严重威胁人民群众的生命安全和身体健康,快速准确地检测和诊断COVID-19对于疫情控制至关重要.目前COVID-19检测诊断方法主要包括核酸检测和基于医学影像的人工诊断,但是核酸检测耗时较长并且需要专用的测试盒,而基于医学影像的人工诊断过于依赖专业知识,分析耗...