弱标签环境下基于语义邻域学习的图像标注

心电图（electrocardiogram, ECG）异常的自动检测是一个典型的多标签分类问题,训练分类器需要大量有高质量标签的样本. 但心电数据集异常标签经常缺失或错误,如何清洗弱标签得到干净的心电数据集是一个亟待解决的问题. 在一个标签完整且准确的示例数据集辅助下,提出一种基于异常特征模式 (abnormality-feature pattern, AFP) 的方法对弱标签心电数据进行标签清洗,以获取所有正确的异常标签. 清洗分2个阶段,即基于聚类的规则构造和基于迭代的标签清洗. 在第1阶段,通过狄利克雷过程混合模型（Dirichlet process mixture model, DPMM）聚类,识别每个异常标签对应的不同特征模式,进而构建异常发现规则、排除规则和1组二分类器. 在第2阶段,根据发现和排除规则辨识初始相关标签集,然后根据二分类器迭代扩展相关标签并排除不相关标签. AFP方法捕捉了示例数据集和弱标签数据集的共享特征模式,既应用了人的知识,又充分利用了正确标记的标签;同时,渐进地去除错误标签和填补缺失标签,保证了标签清洗的可靠性. 真实和模拟数据集上的实验证明了AFP方法的有效性.

     

超高效液相色谱-串联质谱法测定水中8种微囊藻毒素

微囊藻毒素主要是由水中蓝绿藻凋亡后产生的一类常见的环肽肝脏毒素,对水生生物及人体健康具有非常大的危害性。建立准确、快速检测微囊藻毒素的方法对中国民众饮水安全非常重要。对固相萃取、色谱和质谱等条件进行优化,建立了超高效液相色谱-串联质谱同时检测水中8种微囊藻毒素(LR、RR、YR、WR、LW、LA、LF、LY)的方法。该方法检出限为0.002～0.006μg/L,定量限为0.006～0.018μg/L,加标回收率为85.3%～107.5%,相对标准偏差小于11%。该方法可为地表水中微囊藻毒素的日常检测提供技术支持。