基于多通道的ICU脑血管疾病死亡风险预测模型

死亡风险预测指根据病人临床体征监测数据来预测未来一段时间的死亡风险。对于ICU病患，通过死亡风险预测可以有针对性地对病人做出临床诊断，以及合理安排有限的医疗资源。基于临床使用的MEWS和Glasgow昏迷评分量表，针对ICU病人临床监测的17项生理参数，提出一种基于多通道的ICU脑血管疾病死亡风险预测模型。引入多通道概念应用于BiLSTM模型，用于突出每个生理参数对死亡风险预测的作用。采用Attention机制用于提高模型预测精度。实验数据来自MIMIC [Ⅲ]数据库，从中提取3?080位脑血管疾病患者的16?260条记录用于此次研究，除了六组超参数实验之外，将所提模型与LSTM、Multichannel-BiLSTM、逻辑回归（logistic regression）和支持向量机（support vector machine, SVM）四种模型进行了对比分析，准确率Accuracy、灵敏度Sensitive、特异性Specificity、AUC-ROC和AUC-PRC作为评价指标，实验结果表明，所提模型性能优于其他模型，AUC值达到94.3%。     

用于社交推荐的增强影响扩散模型

随着网络上创建连接、协作、共享的全新变革方式的出现,互联网上丰富的社交行为现象引起了研究者和实践者的关注.近年来,随着社交网络平台的普及与推广,基于社交网络的推荐系统也成为了个性化推荐领域的研究热点之一,社交推荐系统可以利用社交网络来缓解传统的推荐算法中数据稀疏性问题.在社交网络中,社交关系影响起着重要作用,而用户信任是社交关系形成的基础,每一个用户会受到其信任的用户影响,这些被信任的用户也会被自己的社交关系所影响,这就表明了联系在一起的用户会相互影响,导致社交联系之间的用户偏好具有相似性.用户的信任关系影响着用户偏好的推断,同时用户受到其信任用户的社交关系影响,而这些社交关系影响在社交网络中递归传播和扩散.因此,基于社交推荐算法研究的关键就在于信任信息的挖掘和利用.在基于社交网络的推荐领域中,比较有代表性的模型为Diff Net,该模型未充分考虑到信任问题,同时,在递归计算长距离的社交关系时,有额外的噪声,影响推荐预测的质量.本文提出了基于Diff Net改进的社交推荐模型-EIDNet.首先,该模型在模拟社交关系影响扩散过程时,通过用户对物品的历史交互记录建立用户间的信任关系,并融...     

金雀根联合督灸治疗强直性脊柱炎肾阳虚证临床研究

目的:观察金雀根联合督灸治疗强直性脊柱炎的临床疗效。方法:将150例强直性脊柱炎患者,采用随机分组法分为对照组和治疗组,每组各75例。治疗组给予金雀根联合督灸治疗;对照组口服柳氮磺吡啶肠溶片和白芍总苷胶囊,疗程共12周,观察治疗前后疼痛积分、体征变化等。结果:两组患者治疗前后疼痛积分比较,有显著性差异(P>0.05);两组治疗前后体征变化比较,有显著性差异(P>0.05)。结论:金雀根联合督灸治疗能有效缓解强直性脊柱炎肾阳虚证疗效显著,且不良反应少。     

反相HPLC测定盐酸氨基葡萄糖含量

目的建立反相HPLC法测定盐酸氨基葡萄糖,避免目标峰周围出现负峰、与杂质峰分离不好和目标物不保留的问题。方法采用反相高效液相色谱法,样品经流动相超声提取,用hilic色谱柱Zorbax Rx-Sil(2.1 mm×150 mm,5μm)分离;色谱条件为流动相:10 mmo L乙酸铵乙腈(V/V=12/88);流速:0.7 m L/min;检测波长:195 nm;柱温:30℃。结果本品在0.2~1.0 mg/m L范围内呈线性关系,相关系数为0.9994。平均回收率为94.2%~96.3%,精密度为1.21%~2.10%。结论此方法可定量测定胶囊中盐酸氨基葡萄糖,改进国标方法中目标物不保留的现象,方法简单,结果可靠。     

基于门控联合池化自编码器的通用性文本表征

为了学习文本的语义表征,以往的研究者主要依赖于复杂的循环神经网络(recurrent neural networks, RNNs)和监督式学习方法。该文提出了一种门控联合池化自编码器(gated mean-max AAE)用于学习中英文的文本语义表征。该文的自编码器完全通过多头自注意力机制(multi-head self-attention mechanism)来构建编码器和解码器网络。在编码阶段,提出了均值—最大化(mean-max)联合表征策略,即同时运用平均池化(mean pooling)和最大池化(max pooling)操作来捕获输入文本中多样性的语义信息。为促使联合池化表征可以全面地指导重构过程,解码器采用门控操作进行动态关注。通过在大规模中英文未标注语料上训练模型,获得了高质量的句子编码器。在重构文本段落的实验中,该文模型在实验效果和计算效率上均超越了传统的RNNs模型。将公开训练好的文本编码器,使其可以方便地运用于后续的研究。