检索结果-南通市图书馆

作者：刘东东厦门大学

学位级别：硕士

抑郁症的及时诊断和治疗对精神医学领域来说具有重要意义,临床上对抑郁症的诊断主要通过心理统计量表以及医生的问答进行综合判断。这对心理医生的要求比较高,而且容易出现误诊的情况。随着人工智能技术的兴起,基于大数据分析的人工智... 详细信息

抑郁症的及时诊断和治疗对精神医学领域来说具有重要意义,临床上对抑郁症的诊断主要通过心理统计量表以及医生的问答进行综合判断。这对心理医生的要求比较高,而且容易出现误诊的情况。随着人工智能技术的兴起,基于大数据分析的人工智能诊疗技术开始广泛应用在精神医学领域。以往的人工智能检测模型大多聚焦在患者的生物信号,如血压、脉搏、脑电等单项生理生化信息,本文创新性地提出了一种基于表情和动作特征的多模态深度卷积神经网络模型来检测抑郁症病情的严重程度。该模型分为表情识别和肢体识别两个模块:表情识别模块用于识别患者面部的7种表情出现的概率,并用表情熵来表示患者的面部表情复杂度;肢体识别模块用于识别患者身体18个关节点的位置,并用动作熵来表示患者的肢体动作复杂度。根据模型输出的表情和动作特征,本文首次定义了行为熵抑郁度(Behavioral depression degree,BDD)来量化患者的抑郁症严重程度,并以此作为本文模型的检测结果。本文模型取得了很好的检测效果。首先,患者在各种表情占比以及动作幅度上明显区别于心理医生,患者的悲伤表情占主导且肢体运动幅度较小,心理医生的快乐表情占主导且肢体运动幅度较大。其次,随着患者病情的改善,患者的行为熵抑郁度与心理统计量表总得分均呈下降趋势。164位患者的行为熵抑郁度演化趋势与其抑郁自评量表(Self-rating depression scale,SDS)、焦虑自评量表(Self-rating anxiety scale,SAS)和汉密顿抑郁量表(Hamilton depression scale,HAMD)总得分演化趋势的平均皮尔森相似度均超过了 72.2%,并且行为熵抑郁度在治疗后的减分率与心理统计量表总得分的减分率均在20%左右。结果表明,行为熵抑郁度可以根据患者的表情和动作特征来实时评估抑郁症患者的病情严重程度。本文模型从表情和动作两个维度来检测抑郁症,具有及时、高效和泛化性能强等特点,未来可以有效解决抑郁症患者面临的医疗资源短缺问题。此外,本文的工作也给其他心理健康疾病的人工智能检测提供了参考。

关键词：医疗大数据抑郁症行为熵深度学习

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于知识图谱的骨科康复医疗领域的问答系统

基于知识图谱的骨科康复医疗领域的问答系统

作者：尤欢欢厦门大学

学位级别：硕士

随着互联网和人工智能的发展,设计智能化专家系统,实现网上自动寻诊,成为互联网智慧远程医院的一个发展方向。本论文的目标是设计一个基于知识图谱的医学自动问答系统,帮助人们更有效的获取以骨科康复为主的医疗健康知识。由于图数据库N... 详细信息

随着互联网和人工智能的发展,设计智能化专家系统,实现网上自动寻诊,成为互联网智慧远程医院的一个发展方向。本论文的目标是设计一个基于知识图谱的医学自动问答系统,帮助人们更有效的获取以骨科康复为主的医疗健康知识。由于图数据库Neo4j的易操作、速度快、可视化等特点,我们利用Neo4j建立知识图谱。我们通过互联网采集半结构化数据、对书籍归纳整理和咨询医生三种方式采集数据,其中由于互联网采集方式速度快、数据量大等特点,主要采取此种方式。我们用基于Scrapy框架的python网络爬虫抓取网络上的各种医学信息,特别是针对骨科康复治疗知识进行系统抓取,将这些医学数据通过数据清洗,整合成以疾病为中心的结构化知识,存入图数据库Neo4j中,该知识图谱共有七类约9.6万实体节点,十类约109万的关系量级以及九类属性类型。问答系统则以中文分词、实体识别、语义识别、关键词匹配等方式实现。同时,为减少错别字对答案查询的影响,借鉴中文分词中的双向最大匹配算法来执行模糊查询。骨科康复是各类骨伤病整体治疗方案中不可缺少的环节,对于术前准备和术后恢复相当重要,而现阶段对于此类的研究却相对较少。因此我们在知识图谱构建中,重点加入骨科康复治疗的系统化知识,形成一个以一般医学知识为背景,骨科康复治疗疾病知识为主要内容,可进行专业化深入查询的问答系统,为骨科康复的互联网远程诊疗打下基础。

关键词：知识图谱问答系统图数据库骨科康复

基于人工智能算法的“3+1+2”新高考走班排课研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于人工智能算法的“3+1+2”新高考走班排课研究

作者：杨国钰厦门大学

学位级别：硕士

2018年新高考综合改革提出了“3+1+2”选课模式,为高中生提供了多样化的科目组合。随之带来的问题是,传统上课模式已经无法满足各科目的教学计划。“走班制”教学模式提高了教学资源的利用率,为解决教学资源与学生选课之间的矛盾提供了... 详细信息

2018年新高考综合改革提出了“3+1+2”选课模式,为高中生提供了多样化的科目组合。随之带来的问题是,传统上课模式已经无法满足各科目的教学计划。“走班制”教学模式提高了教学资源的利用率,为解决教学资源与学生选课之间的矛盾提供了一个合理有效的理论方案。但在调研中发现,许多高中由于教学资源有限或人工排课困难,被迫限制学生的选课种类,达到减少甚至避免进行走班排课的目的,这样的解决方案违背了新高考改革的初衷。利用计算机技术研究教学资源的最大化利用,从而解决走班排课问题,能够辅助新高考改革的顺利推进。目前“3+1+2”选课模式下的算法研究论文较少,本文针对该选课模式提出了改进的分班排课解决方案。本文的主要研究工作包括:1.构建数学模型。归纳走班制下的分班、排课影响因素与限制约束,构建了对应的分班、排课数学模型,有针对性的设计了多种优化目标,丰富了走班制研究的理论基础。2.设计走班策略和配套算法。针对“3+1+2”选课模式,本文制定了定一走二分组走班策略。基于该策略,本文结合多种传统人工智能算法,设计了“3+1+2”模式下的分班排课算法方案:利用基于模拟退火的“3+1+2”分组分班算法实现学生分班,利用基于多目标遗传的两阶段“3+1+2”走班排课算法实现课表排布。3.实验证实可行性。本文采用真实高中的教学资源和学生选课情况作为数据集,进行分班、排课实验,验证了走班策略的可行性,最后对分班、排课结果和算法性能等要素进行讨论分析。综上,本文通过制定走班策略和设计配套解决算法,实现了“3+1+2”下的走班排课,丰富了新高考排课领域的研究,也为完整排课系统的开发提供了算法思路,有助于新高考综合改革的推进。

关键词：新高考改革走班排课人工智能算法模拟退火多目标优化

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

癌细胞在各向异性环境中的迁移动力学研究

癌细胞在各向异性环境中的迁移动力学研究

作者：刘艳平厦门大学

学位级别：硕士

癌症,作为目前危害人类健康的最大杀手,人们对此进行了大量的研究,但是癌症的死亡率仍在不断攀升,其中癌细胞的转移是癌症致死的一个非常重要的因素。在这篇文章中,我们基于实验细胞迁移数据,结合布朗运动和统计物理方法,深度分析了细... 详细信息

癌症,作为目前危害人类健康的最大杀手,人们对此进行了大量的研究,但是癌症的死亡率仍在不断攀升,其中癌细胞的转移是癌症致死的一个非常重要的因素。在这篇文章中,我们基于实验细胞迁移数据,结合布朗运动和统计物理方法,深度分析了细胞迁移的轨迹。并使用一些新颖有效的方法,如通过功率谱拟合得到癌细胞迁移的运动参数。人们发现不同类型的细胞具有不同的运动行为。一些类型细胞的自关联函数是双指数衰减的,这与传统的持续随机行走模型(Persistent random walk)所产生的单指数衰减不一样。众所周知,传统的持续随机模型是各项同性的,然而细胞运动所处的微环境却是各向异性的,然而这种各向异性对癌细胞的迁移模式具有重要的影响,因此本文将引用各向异性的模型来分析其对癌细胞迁移的重要影响。为了深度挖掘时间序列数据中的信息,本文将奇异矢量分解(Singular vector decomposition)方法应用到细胞的轨迹中以得到任何一条迁移轨迹的主轴和副轴。基于这个方法,我们可以使用传统的分析方法来得到细胞在这两个轴上的迁移性质,进一步验证微环境的各向异性对细胞迁移的影响。通过最大似然估计方法拟合速度功率谱,我们可以得到细胞的运动参数(持续时间和扩散系数),从而了解一个细胞群体中细胞的结构。这种细胞结构可以有助于我们理解群体细胞迁移中领头细胞交换的现象,并为之后建模群体细胞的迁移提供参考。并且通过分析实验数据,我们可以粗略地得到癌细胞迁移的物理图像。

关键词：癌细胞各向异性奇异矢量分解

基于PSG信号特征提取的双向LSTM模型在微觉醒检测中的应用

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于PSG信号特征提取的双向LSTM模型在微觉醒检测中的应用

作者：钱镶钰厦门大学

学位级别：硕士

频繁的睡眠微觉醒可能会导致严重的健康问题,如神经认知障碍、精神状况问题以及心血管疾病。睡眠多导图监测人体在睡眠过程中的生理信号变化,是睡眠障碍诊断的黄金标准。临床环境中,医生需要仔细检查患者的睡眠多导图记录,以确定潜在的... 详细信息

频繁的睡眠微觉醒可能会导致严重的健康问题,如神经认知障碍、精神状况问题以及心血管疾病。睡眠多导图监测人体在睡眠过程中的生理信号变化,是睡眠障碍诊断的黄金标准。临床环境中,医生需要仔细检查患者的睡眠多导图记录,以确定潜在的睡眠障碍。医生注释的过程会带来很大的工作量,因此需要建立自动化标注模型来代替手工注释过程。Physionet数据库提供了 994例患有睡眠障碍病人的带注释的睡眠多导图,本文基于此数据库构建了一个基于特征提取的双向LSTM微觉醒模型。基于临床医学知识和特征选择技术,本文从睡眠多导图13个信号通道中提取了 62个包含生物学信息的特征。这些特征包括从脑电和肌电信号中提取的功率谱密度值和熵值,从气流、胸部和腹部信号提取的呼吸紊乱系数,从心电信号中提取的心率变异性值,从眼电信号提取的波形时域特征,以及从血氧通道提取的低氧负荷值等。将这些特征拼接组合,归一化后进入分类器。分类器由三部分组成,第一层采用双向LSTM网络,双向LSTM网络可以连接过去和未来的信号信息到当前输入片段上。第二层采用两个并行的50个节点组成的全连接网络,一个全连接网络用于输出微觉醒判断结果,另一个全连接网络用于输出睡眠分期结果。最后使用softmax输出预测结果。在数据预处理中,采用smote算法处理类别不平衡的问题。在训练过程中,采用交叉熵辅助损失函数,将微觉醒检测作为主任务,将睡眠分期作为辅助的训练任务,将两个任务的损失函数进行加权求和。本文讨论了不同通道组合检测微觉醒事件能力的大小,得出呼吸、胸部和腹部信号组合检测能力最强,脑电和肌电通道组合次之。五次交叉验证后,集成模型的AUPRC和AUROC分别为0.481和0.878。结果表明,本文提出的方法可以帮助医生更快地识别PSG图像,并且避免了医生地主观错误。

关键词：微觉醒检测睡眠多导图特征提取 Bi-LSTM网络

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的睡眠呼吸暂停分类的研究

基于深度学习的睡眠呼吸暂停分类的研究

作者：张少杰厦门大学

学位级别：硕士

睡眠是一种影响整个生物体的广泛的生物现象。在人类中,与睡眠相关的疾病会降低患者睡眠质量进而影响到他们生活质量。睡眠呼吸暂停是一种常见的睡眠相关的疾病,严重影响了现代社会很多人的健康。多导睡眠监测(Polysomnography,PSG)是... 详细信息

睡眠是一种影响整个生物体的广泛的生物现象。在人类中,与睡眠相关的疾病会降低患者睡眠质量进而影响到他们生活质量。睡眠呼吸暂停是一种常见的睡眠相关的疾病,严重影响了现代社会很多人的健康。多导睡眠监测(Polysomnography,PSG)是目前临床上检测睡眠呼吸暂停的主要方法。但是存在着很多不便,也给相关医生很大工作压力。目前,已有相关文献探究了自动对患者进行睡眠呼吸暂停判定可能性。研究人员能够基于人工智能领域的知识对患者进行睡眠呼吸暂停的自动判定,但是这些方法还存在进一步研究的空间。主要是因为目前的方法一方面需要大量的工作在特征提取上,另一方面之前的大量研究集中在区分正常睡眠和睡眠呼吸暂停,而关于进一步对不同种类的睡眠呼吸暂停的区分较少。所以本文应用了不同的深度学习模型,通过对比不同的模型结构所得到的结果来实现对PSG信号的睡眠呼吸暂停的分类工作。本文中,模型主要采取了深度神经网络模型,其中用到了卷积神经网络(CNN)和循环神经网络的变体长短时记忆网络(LSTM)。本文的模型结构没有专门的特征提取的步骤,实现了端到端的睡眠呼吸暂停的判定。本文选用了 physionet challenge 2018年竞赛的PSG多导图的数据库作为实验数据,该数据库是当年举办的一项关于微觉醒相关的竞赛所使用的数据。数据库中有我们需要的关于睡眠呼吸暂停的标签,故可以用来进行睡眠呼吸暂停相关的研究。本文中我们从中选择了 800个人作为数据集,并从其中抽取出来共有162397条数据片段,针对正常和睡眠呼吸暂停的分类最高准确率达到90%。针对呼吸暂停和低通气两者间的分类效果准确率达到85%。表明了本文所提出的基于深度学习的模型在对患者的睡眠呼吸暂停的判定方面具有一定的实用性。

关键词：睡眠呼吸暂停多通道卷积神经网络循环神经网络 PSG

机器学习辅助优化二氧化钛纳米管微图案及其高通量应用

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

机器学习辅助优化二氧化钛纳米管微图案及其高通量应用

作者：王斯厦门大学

学位级别：硕士

双极电化学反应装置简单、操作方便,被广泛用于制备结构/性质梯度变化的微图案。但双极电化学反应涉及到的实验参数众多,各参数对微图案的结构、性质的影响错综复杂,如何快速优化各实验参数,并获得理想的微图案是当下的难点。针对当前... 详细信息

双极电化学反应装置简单、操作方便,被广泛用于制备结构/性质梯度变化的微图案。但双极电化学反应涉及到的实验参数众多,各参数对微图案的结构、性质的影响错综复杂,如何快速优化各实验参数,并获得理想的微图案是当下的难点。针对当前国内外在医用钛表面梯度TiO2纳米管微图案(TNMs)的构筑及其应用于高通量研究等关键技术和重要科学问题,本论文的主要研究侧重于借助机器学习方法辅助TNMs的优化,并将其应用于生物学响应的高通量研究中。主要研究内容如下:1.应用主动学习模型实现TNMs的优化,包括TNMs样品制备、分类、回归和验证。针对某些实验条件下易出现钛箔样品的熔断而导致实验失败无可用数据的情况,利用决策树模型将其转换为一个二分类问题,即将熔断的样品与正常样品进行区分,较好的定义了实验边界条件并分析实验参数的影响程度。2.利用梯度增强回归树(GBRT)模型对分类模型筛选后的有效数据进行分析,为优化TNMs提供预测指导,并用实验验证模型预测的准确性。将验证实验的结果用于更新训练数据集,并开始下一个主动学习循环。通过几次迭代,在不需要大量实验的情况下扩充TNMs的梯度范围并获得了直径范围为27-470 nm 的最佳 TNMs。3.在优化得到的最佳TNMs表面,采用电化学沉积法构筑具有形貌和粒径梯度分布的纳米银微图案(TNMs-AgNPs),结果表明Ag纳米颗粒(AgNPs)的大小和数量随TiO2纳米管直径的增大而增加。4.应用优化的TNMs和TNMs-AgNPs样品进行细胞粘附、增殖和细菌粘附的高通量研究。细胞实验的结果表明,无论样品表面是否有银的存在,细胞的数量和铺展面积都随着TiO2纳米管管径的增大而减少。相同尺寸的纳米管表面,沉积有AgNPs的样品表面粘附的细胞数量更少且细胞铺展面积更小,这表明AgNPs对细胞活性有一定的抑制作用。细菌粘附实验表明,对于未沉积AgNPs的样品,细菌仅在最小管径的纳米管表面有较多粘附,其余位置的差异并不明显;但对于沉积AgNPs的样品,随着纳米管管径的增大,附着细菌的数量显著减少,这说明沉积的AgNPs对细菌活性有明显的抑制作用。

关键词：机器学习微图案化双极电化学高通量研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的单通道睡眠分期研究

基于深度学习的单通道睡眠分期研究

作者：徐富献厦门大学

学位级别：硕士

睡眠是人体必不可少的一项生理活动。研究发现,良好的睡眠是健康的重要保证。失眠会产生不同程度的疾病。睡眠情况的研究基础是睡眠分期。传统上,睡眠分期工作由专家手动进行,然而这种方法存在耗时久、主观性影响较大等缺点。为了解决... 详细信息

睡眠是人体必不可少的一项生理活动。研究发现,良好的睡眠是健康的重要保证。失眠会产生不同程度的疾病。睡眠情况的研究基础是睡眠分期。传统上,睡眠分期工作由专家手动进行,然而这种方法存在耗时久、主观性影响较大等缺点。为了解决人工睡眠分期中出现的问题,我们提出了基于深度学习神经网络技术进行睡眠自动分期的方法。该方法模型由卷积神经网络（Convolutional Neural Networks,CNN）以及长短时记忆神经网络（Long Short-term Memory Networks,LSTM）组成。我们的模型共有1 1层网络结构,包括四个卷积层和两个LSTM层。其中LSTM网络捕捉前后睡眠时期之间的关系。数据主要取自美国国家生理数据库中的睡眠数据。由于数据类别的不平衡,我们对数据量较少的类别进行了上采样操作,保证训练过程数据的均衡。另外,我们删除了数据中的某些特殊数据和不确定分期的数据。除此之外,我们没有对原始数据进行任何的预处理操作。我们的模型取得了接近于人类专家的效果。整体分类准确率达到了 80%,MF1值达到75%。这证明了深度学习用于时序医疗数据的处理是可行的。而且与传统的基于统计规则的分期模型相比,本文模型更加简单高效,泛化性能更好。适用于非线性、非平稳的脑电信号,同时我们的工作也给其他类似的生理信号的处理提供了参考。

关键词：睡眠神经网络自动分期

应用深度神经网络对多导睡眠图的睡眠分期研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

应用深度神经网络对多导睡眠图的睡眠分期研究

作者：王抒伟厦门大学

学位级别：硕士

传统上,自动睡眠分期是一项非常具有挑战性且费时费力的任务,由于睡眠是人类自我修复的一项不可或缺的生理机制,于此衍生了大量的睡眠研究。因为大多数现有的自动睡眠分期方法都基于单通道的脑电（electroencephalography,EEG）数据,然... 详细信息

传统上,自动睡眠分期是一项非常具有挑战性且费时费力的任务,由于睡眠是人类自我修复的一项不可或缺的生理机制,于此衍生了大量的睡眠研究。因为大多数现有的自动睡眠分期方法都基于单通道的脑电（electroencephalography,EEG）数据,然而,这些方法忽略了医师从整体上观测多个通道EEG信号进行睡眠阶段的分期过程。为了解决这一问题,我们优化了数据结构,对医师的分期过程进行了详细的学习与建模。最终,考虑到人工智能领域的飞速发展与其子类神经网络的强大的非线性拟合能力。我们提出了一种基于多通道脑电图的自动睡眠分期方法,介绍了在原始EEG与EOG样本上使用深度卷积神经网络（convolutional neural network,CNN）进行睡眠阶段分期的监督学习。该网络具有11层,每30s的睡数据作为被分为一个期,被预测的样本以及前两个时期作为输入数据,并且不需要任何信号预处理或特征提取,只需要对类别不均衡的数据做简单数据增强（Data Augmentation,DA）,删减特殊数据与非普适性数据。我们使用来自福建省某睡眠中心医院的EEG与EOG及专家评估的多导睡眠图（Polysomnographic,PSG）数据对提出的模型进行训练和评估。实验结果表明,我们的模型SuperSleepNet性能与人类专家的性能相当。实验证明,神经网络与医疗时序数据的结合是完全可行的,且在自动睡眠分期的研究中不应该忽略EOG数据。我们还将探索使用其他医疗时序数据解决其他问题的方法,例如疾病检测和健康分析。实验与理论紧密结合,才能更好的造福人类社会。

关键词：睡眠分期多通道卷积神经网络脑电图眼电图

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

深度学习分析数据不依赖获取的质谱数据

深度学习分析数据不依赖获取的质谱数据

作者：何情祖厦门大学

学位级别：硕士

在蛋白质组学中,蛋白质质谱仪是一种对肽段和蛋白进行鉴定和定量的强有力工具。传统的串联质谱仪采集二级质谱时,使用的主要是数据依赖获取(data-dependent acquisition,DDA)模式。DDA模式采集强度高的肽段信号,能够较好的对蛋白质进行... 详细信息

在蛋白质组学中,蛋白质质谱仪是一种对肽段和蛋白进行鉴定和定量的强有力工具。传统的串联质谱仪采集二级质谱时,使用的主要是数据依赖获取(data-dependent acquisition,DDA)模式。DDA模式采集强度高的肽段信号,能够较好的对蛋白质进行定性,但是重复性差,定量不准确。近年来,一种被称为全碎片离子顺序窗口化获取质谱(Sequential Windowed Acquisition of All Theoretical Fragment Ions,SWATH)数据不依赖获取(data-independent acquisition,DIA)质谱技术开始被广泛关注。SWATH技术采集扫描区间内所有的肽段信息,通量高,定量精准且重复性很高。但是现有的SWATH质谱数据的分析方法需要结合DDA数据才能分析,这使得实验成本骤增,也造成鉴定结果完全依赖于DDA数据。本文提出一种基于深度学习的可直接处理DIA数据的算法。该算法结合深度变分自动编码器与多种机器学习算法,利用深度学习提取子离子信号的特征来区分不同肽段产生的子离子。首先,我们对数据进行降噪预处理。然后,使用深度学习分析数据并输出虚拟谱图。最后,我们使用搜索引擎和OpenSWATH软件对虚拟谱图中包含的肽段进行定性和定量。我们的算法直接从DIA数据中获取肽段离子及其对应的碎片离子,避免了 DDA数据造成鉴定结果的局限性。对于测试数据,我们的算法找到的肽段数量比主流算法DIA-Umpire多61.4%,蛋白数量比它多64.5%。此外,相较于DIA-Umpire,我们的算法能够找到更多低浓度的蛋白。

关键词：深度学习变分自动编码器数据不依赖获取质谱 SWATH数据分析