利用决策树建立慢性阻塞性肺病中医诊断模型

慢性阻塞性肺病主要表现为呼吸困难,严重影响了患者的生存质量。肺活量测定法是目前的主要诊断方法。为了构建和谐医患关系,减少过度检查,从中医诊断的角度,根据已收集的病例资料,利用基于KL距离的决策树建立诊断模型,可实现对患者的初步筛查。实验以F-Measure、G-Mean、ROC曲线下面积以及精度召回率曲线下面积作为评价指标,将提出的决策树分别与ID3、C4.5以及CART比较。结果表明,提出的决策树较传统决策树取得了更好的预测效果,对应的评价指标分别达到了0.92、0.894、0.907以及0.9。最后,当应用于临床时,以临床上常用的AUROC作为评价指标,提出的决策树模型达到了0.823,取得了预期效果。     

婴儿情感识别综述

婴儿情感在塑造婴儿的认知和自我意识中扮演着关键角色,对婴儿成长具有至关重要的影响.目前婴儿情感研究领域,面临婴儿情感数据集不足、情感量化标准不统一,以及情感识别的准确性受限等问题.因此,如何有效地识别婴儿情感已成为该领域当前研究的核心难题.通过梳理当前婴儿情感识别领域的研究现状,从婴儿情感数据集、婴儿情感表示模型以及婴儿情感识别方法等方面对婴儿情感识别研究进行了分析与总结.列举并介绍了当前可用的公开数据集.总结并分析了常见婴儿情感模型,以及不同模态下的婴儿情感识别方法.概括该领域当前存在的问题以及探讨未来的研究方向,旨在为进一步的研究提供方向.     

面向机器阅读理解的高质量藏语数据集构建

机器阅读理解是通过算法让机器根据给定的上下文回答问题,从而测试机器理解自然语言的程度。其中,数据集的构建是机器阅读理解的主要任务之一。目前,相关算法模型在大多数流行的英语数据集上都取得了显著的成绩,甚至超过了人类表现。但对于低资源语言,由于缺乏相应的数据集,机器阅读理解研究尚处于起步阶段。该文以藏语为例,人工构建了藏语机器阅读理解数据集(TibetanQA),其中包含20 000个问题答案对和1 513篇文章。该数据集的文章均来自云藏网,涵盖了自然、文化和教育等12个领域,问题形式多样且具有一定的难度。另外,该数据集在文章收集、问题构建、答案验证、回答多样性和推理能力等方面,均采用严格的流程以确保数据的质量,同时采用基于语言特征消融输入的验证方法说明了数据集的质量。最后,该文初步探索了三种经典的英语阅读理解模型在TibetanQA数据集上的表现,其结果难以媲美人类,这表明藏语机器阅读理解任务还需要更进一步的探索。     

基于Huber指数平方损失函数的二维人体姿态估计网络

人体姿态估计是计算机视觉领域的一个研究热点,已经应用于教育、体育等方面,在视频监控、人机交互、智能校园等领域有着广阔的应用前景.简单的姿态估计基线方法在沙漏残差模块中加入几层反卷积层,使用均方误差(MSE)损失函数,结构和算法复杂度较低且能够较为精确地预测出关节点热图.首先,采用分段函数H-ESL(huber-exponential squared loss)损失函数,克服了MSE损失函数对于异常值较为敏感的缺点.其次,提出的网络在基线方法的网络上加入了注意力机制,并将大的卷积核转换成小的卷积核,使得网络精度提升的同时减少参数量及计算量,从而提高网络的预测效率.拟建网络利用COCO2017数据集的地面真实值分别进行训练和验证,均实现了高精度,mAP提高了2.6％,证明该方法适用于各种人类关键热图的输入,并能取得良好的效果.     

儿童青少年大脑发育及脑图谱研究综述

大脑发育是神经系统结构和功能分化及成熟的一系列动态过程。大脑结构的发育包括部分脑区白质体积和完整性的增加,以及灰质体积的下降等;而这些结构的改变往往伴随着认知功能的变化,如智商、工作记忆和问题解决能力的提高以及社会认知的改善等。越来越多的发育研究为儿童青少年的教育干预提供了参考信息,帮助学校和家庭引导其从拥有冲动冒险心理状态的少年儿童阶段平稳过渡到心智更为成熟的成人阶段。脑图谱作为研究脑结构、脑功能及脑疾病的重要手段,是研究者对大脑进行解析的有力工具,在大脑发育研究中发挥着不可缺少的作用。本文立足于发育脑图谱,从 3 方面对儿童青少年大脑发育及脑图谱研究进展进行综述。首先,介绍儿童青少年发育阶段大脑特征的转变,以此来强调关注儿童青少年阶段大脑健康发育的重要性;其次,介绍现有的包括数据预处理步骤在内的发育图谱绘制的方法和手段;最后,对儿童和青少年图谱的研究进展进行描述,并分析当前研究对理解儿童青少年发育所做出的贡献以及它们的不足之处。对发育中的大脑进行研究,有利于增强对正常发育过程的了解,以针对性地对失衡的发育过程进行早期干预;通过对现有技术手段优缺点的总结,促进相关领域研究者开发更多以研究儿童青少年为导向的数据处理工具;综述具有精细划分的基于特定年龄儿童的大脑发育图谱,为未来的发育研究提供了强有力的研究工具的参考。这一综述有助于促进跨学科研究,推动儿童和青少年大脑发育领域的进展,从而为青少年的教育、健康和神经疾病研究提供更好的指导。     

基于不平衡数据样本特性的新型过采样SVM分类算法

针对传统采样方式准确率与鲁棒性不够明显,欠采样容易丢失重要的样本信息,而过采样容易引入冗杂信息等问题,以UCI公共数据集中的不平衡数据集Pima-Indians为例,综合考虑数据集正负类样本的类间距离、类内距离与不平衡度之间的关系,提出一种基于样本特性的新型过采样方式.首先对原始数据集进行距离带的划分,然后提出一种改进的基于样本特性的自适应变邻域Smote算法,在每个距离带的少数类样本中进行新样本的合成,并将此方式推广到UCI数据集中其他5种不平衡数据集.最后利用SVM分类器进行实验验证的结果表明:在6类不平衡数据集中,应用新型过采样SVM算法,相比已有的采样方式,少(多)数类样本的分类准确率均有明显提高,且算法具有更强的鲁棒性.     

多卫星遥感降水产品在柬埔寨的应用比较分析

柬埔寨地区的水资源十分丰富,但由于气象、水文站点的稀缺以及水文气象数据的不连续等原因,导致流域基本水雨情及水资源特征数据不够完善、全面和准确,不利于该国水资源的科学管理和开发利用。一系列高时空分辨率的遥感降水产品的出现为降水数据的缺失和不连续提供了新的解决方法。选取了5种高精度的遥感降雨数据(CHIRPS、CMORPH_CRT、CMORRPH_BLD、MSWEP、TRMM)对柬埔寨地区2003~2015年降雨的时空分布差异、精度评价、极端降雨估计情况进行了对比分析。结果表明,5组遥感降雨产品总体均能较好地反映柬埔寨地区降雨的时间及空间变化规律。这对于柬埔寨及其它无资料地区的水资源研究及工程设计工作具有一定的指导作用。     

一种用于不平衡数据分类的改进AdaBoost算法

真实世界中存在大量的类别不平衡分类问题,传统的机器学习算法如AdaBoost算法,关注的是分类器的整体性能,而没有给予小类更多的关注。因此针对类别不平衡学习算法的研究是机器学习的一个重要方向。AsymBoost作为AdaBoost的一种改进算法,用于类别不平衡学习时,牺牲大类样本的识别精度来提高小类样本的分类性能。AsymBoost算法依然可能遭遇样本权重过大造成的过适应问题。据此提出了一种新型的AdaBoost改进算法。该方法通过对大类中分类困难样本的权重和标签进行处理,使分类器能够同时获得较好的查准率和查全率。实验结果表明,该方法可以有效提高在不平衡数据集上的分类性能。     

Mean Shift和粒子滤波实现红外人体跟踪算法综述

红外摄像仪能够全天候工作且不会受限于像光线不足、漆黑夜晚等外界环境的干扰,但是红外图像成像质量差、分辨率低、信息单一等特点导致研究人体目标跟踪出现许多难点问题。主要贡献表现在以下三个方面：（1）对少有的公开的红外数据集进行详细归纳;（2）重点阐述了国内外在红外人体跟踪方面对Mean Shift算法和粒子滤波算法的改进方案;（3）重点介绍了融合红外成像与可见光成像实现红外人体跟踪的研究进展。     

基于改进的SVM方法的异常检测研究

利用非参数检验的方法提取出对分类结果影响显著的特征变量,提出一种改进的 SVM多分类方法（D-SVM）,其融合了判别分析,可以解决样本不均衡导致的分类不准确和误报率高的问题。将多分类问题处理成一个个二分类问题,D-SVM既可以保持SVM较好的分类准确性,同时又可以不受样本不均衡的影响,具有较低的误报率。将 D-SVM 应用到 KDD99数据集,结果表明,该方法具有较高的分类准确性和较低的误报率。