自适应变异粒子群优化算法及在新冠肺炎疫情传播预测中的应用

为克服粒子群算法容易陷入局部最优和全局寻优精度不高的缺点,通过对算法的局部寻优和全局寻优的特点进行分析,首先使用正态分布衰减策略改进惯性权重;同时基于算法运行的时间自适应采用不同的基于高斯分布及柯西分布的变异优化策略,解决全局搜索和局部开发能力的不平衡问题,实现了局部寻优和全局寻优的双重优化,满足了提高寻优速度和寻优精...     

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。     

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.     

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...     

改进U-Net的新冠肺炎图像分割方法

新型冠状病毒肺炎（COVID-19）大流行疾病正在全球范围内蔓延。计算机断层扫描（CT）影像技术,在抗击全球 COVID-19 的斗争中起着至关重要的作用,诊断新冠肺炎时,如果能够从CT图像中自动准确分割出新冠肺炎病灶区域,将有助于医生进行更准确和快速的诊断。针对新冠肺炎病灶分割问题,提出基于U-Net改进模型的自动分割方法。在编码器中运用了在 ImageNet 上预训练好的 EfficientNet-B0网络,对有效信息进行特征提取。在解码器中将传统的上采样操作换成DUpsampling结构,以此来充分获取病灶边缘的细节特征信息,最后通过模型快照的集成提高分割的精度。在公开数据集上的实验结果表明,所提算法的准确率、召回率和Dice系数分别为84.24%、80.43%和85.12%,与其他的语义分割算法相比,该方法能有效分割新冠肺炎病灶区域,具有良好的分割性能。     

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。     

结合深层密集聚合的新冠肺炎CT图像分类方法

新型冠状病毒肺炎在全球范围迅速蔓延,为快速准确地对其诊断,进而阻断疫情传播链,提出一种基于深度学习的分类网络DLDA-A-DenseNet。首先将深层密集聚合结构与DenseNet-201结合,对不同阶段的特征信息聚合,以加强对病灶的识别及定位能力;其次提出高效多尺度长程注意力以细化聚合的特征;此外针对CT图像数据集类别不均衡问题,使用均衡抽样训练策略消除偏向性。在中国胸部CT图像调查研究会提供的数据集上测试,所提方法较原始DenseNet-201在准确率、召回率、精确率、F₁分数和Kappa系数提高了2.24%、3.09%、2.09%、2.60%和3.48%;并在COVID-CISet图像数据集上测试,取得99.50%的最优准确率。结果表明,对比其他方法,提出的新冠肺炎CT图像分类方法充分提取了CT切片的病灶特征,具有更高的精度和良好的泛化性。     

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.     

新冠疫情相关社交媒体谣言传播量化分析

新冠肺炎疫情的爆发伴随着大量的谣言在社交媒体平台传播,对网络秩序和社会稳定产生了不良影响.已有的疫情相关社交媒体谣言传播量化分析研究仅对谣言内容等单一传播要素展开分析,而忽略了构成信息传播的其他基础要素,包括传播者、受众以及传播效果等.同时,这些研究的谣言数据与真实的社交媒体谣言数据也存在分布偏差和信息缺失.因此,基于新浪微博平台对新冠疫情相关社交媒体谣言的传播展开更加全面的量化分析.具体而言,首先对谣言传播内容进行分析,包括其主题分析、涉及地区分析、事件倾向性分析以及情感分析;进一步对谣言参与用户进行分析,将参与用户分为3类：造谣者、传谣者和辟谣者,并分别对其基础属性、关注主题、个体情绪以及自网络属性进行探究;最后对谣言引发舆情进行分析,探究其情感的整体分布、与主题、关键词和地区的关系、以及情感的演变规律.该研究首次从信息传播的各个基础要素层面对疫情相关的社交媒体谣言传播展开量化分析,不仅对新冠肺炎疫情相关谣言传播有了更全面深刻的认识,同时对突发公共事件的谣言研究和谣言治理也具有十分重要的价值.     

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。     

基于Grid-Search的Dropout-LSTM模型在新冠肺炎预测中的应用

为了对新冠肺炎(COVID-19)实现更准确地分析与预测,建立了基于LSTM(long short-term memory)的新冠肺炎预测模型,使用网格搜索法对最关键的3个超参数进行优化。同时,为了提高预测准确性,解决过拟合现象,引入Dropout正则化对网络进行了优化。实验证明：具有多层隐藏层的LSTM模型比传统LSTM模型有更高的预测准确性;当Dropout比率为0.22时,能够有效地解决模型预测时出现的过拟合问题;相比较RNN(recurrent neural network)模型和SEIR(susceptible exposed infected recovered)模型,所建立的基于Grid-Search的Dropout-LSTM模型的均方根误差、平均绝对误差和平均绝对百分比误差均最小。因此,建立的基于Grid-Search的Dropout-LSTM模型有更优的预测能力。     

微博信息传播预测研究综述

微博已经逐渐成为人们获取信息、分享信息的重要社会媒体,深刻影响并改变了信息的传播方式.针对微博信息传播预测问题展开综述.该研究对舆情监控、微博营销、个性化推荐具有重要意义.首先概述微博信息传播过程,通过介绍微博信息传播的定性研究工作,揭示微博信息传播的特点;接着,从以信息为中心、以用户为中心以及以信息和用户为中心这3个角度介绍微博信息传播预测相关研究工作,对应的主要研究任务分别是微博信息流行度预测、用户传播行为预测和微博信息传播路径预测;继而介绍可用于微博信息传播预测研究的公开数据资源;最后,展望微博信息传播预测研究的问题与挑战.     

基于EasyDL的新冠肺炎检测系统研究

通过EasyDL平台搭建基于CT影像的新冠肺炎检测系统,利用人工智能在图像识别上能够自动学习图像特征及区分图像特征之间差异的特点,来检测病人是否患有新冠肺炎.实验结果显示,新冠肺炎识别精确度为100.00％,感染性肺疾病识别精确度为98.06％,非感染性肺疾病识别精确度为93.64％,正常肺部识别精确度为98.03％....     

新型冠状病毒肺炎综述文献的网络结构分析

对新型冠状病毒肺炎综述文献进行网络结构分析可为新冠疫情的应对提供有效的理论支持。采用可视化软件CiteSpace对Web of Science数据库中新型冠状病毒肺炎综述文献的引文数据进行共被引网络分析,经统计发现文献共被引网络的度分布呈幂律分布,网络连通性较强且存在小世界现象。运用团渗流算法对其进行重叠社团挖掘,检测到7篇同时跨3个社团的核心文献,结合被引频次对网络重叠节点的功能进行验证。借助网络重叠节点的ID符号、介数中心性指标发现相应研究主题间联系紧密。通过不同特征的重要网络节点,能够有效挖掘到相关的研究主题。     

迁移学习应用于新型冠状病毒肺炎诊断综述

新型冠状病毒肺炎（COVID-19）疫情爆发以来,由于该病毒具有极强的传染性,所导致的感染人数与死亡人数持续增加。筛查疑似患者和早期诊断COVID-19是防止疫情恶化的重要措施之一。通过核酸检测和人工检查等方法在感染早期诊断出COVID-19是防止其在社会中爆发的最佳途径。然而核酸检测效率低下,仅仅依靠放射科专家诊断X射线图像和CT扫描图像存在耗时长且易出现诊断误差等问题。研究人员相继提出了基于迁移学习的计算机辅助诊断算法,可以最大程度地减少传统诊断方法所产生的问题,但目前关于迁移学习在新冠肺炎成像中的应用综述较少,因此总结和分析了当前国内外基于迁移学习技术诊断COVID-19的研究成果。针对模型类型进行分类讨论,分别从数据集来源、数据预处理方法、基于迁移学习的诊断模型、模型可视化、评价指标以及模型性能6个角度进行分析和比较。并指出了当前所面临的挑战和未来的发展方向,为今后进一步的研究工作奠定了基础。