检索结果-南通市图书馆

在线全文

学校读者我要写书评

暂无评论

基于深度学习的癫痫脑电信号分类

数据采集与处理 2022年第4期37卷 787-797页

作者：徐晴葛成蔡标陆翼常珊江苏理工学院电气信息工程学院生物信息与医药工程研究所常州213001

有效地分析处理癫痫脑电信号并对其准确分类可以进一步完善癫痫检测问题。因此,各种深度学习方法逐渐应用到该问题中,如使用BiLSTM模型对癫痫脑电的一维时间序列数据进行处理。为进一步提高癫痫脑电分类的准确率,本文将癫痫脑电的一维... 详细信息

有效地分析处理癫痫脑电信号并对其准确分类可以进一步完善癫痫检测问题。因此,各种深度学习方法逐渐应用到该问题中,如使用BiLSTM模型对癫痫脑电的一维时间序列数据进行处理。为进一步提高癫痫脑电分类的准确率,本文将癫痫脑电的一维时间序列数据转换为二维图像,使用EfficientNetV2模型来实现癫痫检测的二分类。同时,引入梯度加权类激活映射(Gradient⁃weighted class activation mapping,Grad⁃CAM)对二维图像分类进行可视化分析。对德国伯恩大学脑电癫痫脑电信号数据集的预处理版本进行分类实验,EfficientNetV2模型的准确率达到了98.69%,优于BiLSTM模型。结果表明,EfficientNetV2模型可以有效通过二维脑电图像实现癫痫脑电分类,而且分类准确率更高。

关键词：癫痫脑电信号 EfficientNetV2 BiLSTM 梯度加权类激活映射

在线全文

学校读者我要写书评

暂无评论

DRSTN:深度残差软阈值化网络

计算机科学 2024年第S01期51卷 81-87页

作者：曹岩朱真峰郑州大学计算机与人工智能学院郑州450001

在采用深度残差等神经网络模型解决图像分类任务时,特征提取过程损失的一些重要特征会影响模型的分类性能。神经网络“端到端”的学习模式带来的黑盒问题,也会限制其在诸多领域的应用和发展。另外,神经网络模型往往需要较长的训练时间... 详细信息

在采用深度残差等神经网络模型解决图像分类任务时,特征提取过程损失的一些重要特征会影响模型的分类性能。神经网络“端到端”的学习模式带来的黑盒问题,也会限制其在诸多领域的应用和发展。另外,神经网络模型往往需要较长的训练时间。为了提高深度残差网络模型的分类效果和训练效率,引入了模型迁移方法和软阈值化方法,提出了DRSTN(Deep Residual Soft Thresholding Network)网络,并对此网络结构进行微调,生成了不同版本的DRSTN网络。DRSTN网络的性能得益于3个方面的有机整合:1)通过梯度加权类激活映射(Gradients-weighted Class Activation Mapping,Grad-CAM)方法对网络的特征提取进行可视化,根据可视化结果挑选进一步优化的模型;2)基于模型迁移,研究人员不必全新地搭建模型,可以直接在已有的模型上进行优化,能够节省大量训练时间;3)软阈值化作为非线性变换层嵌入到深度残差网络体系结构中,以消除样本中不相关的特征。实验结果表明,在相同训练条件下,DRSTN_KS(3*3)_RB(2:2:2)网络在CIFAR-10数据集上的分类精度相比SKNet-18,ResNet18和ConvNeXt_tiny网络分别提高了15.5%,8.8%和10.9%;该网络也具有一定的泛化性,在MNIST和Fashion MNIST数据集上能够达到快速的迁移效果,分类精度分别达到99.06%和93.15%。

关键词：迁移学习残差网络梯度加权类激活映射软阈值化方法图像分类

基于Deeplab-MV3的三七垄间导航线提取算法研究

在线全文

学校读者我要写书评

暂无评论

昆明理工大学学报（自然科学版） 2023年第5期48卷 95-106页

作者：陈红张兆国解开婷王成琳王法安昆明理工大学现代农业工程学院云南昆明650093 云南省高校中药材机械化工程研究中心云南昆明650093 昆明理工大学机电工程学院昆明650500

针对田间路径语义分割算法在复杂场景中识别准确率低、时滞大,现有的导航线提取算法在三七种植场景中适用性差的问题,本文以改进的轻量化Deeplab-MV3模型识别垄径区域,并提出一种结合分段外接框质心生成导航定位点和多段三次B样条曲线... 详细信息

针对田间路径语义分割算法在复杂场景中识别准确率低、时滞大,现有的导航线提取算法在三七种植场景中适用性差的问题,本文以改进的轻量化Deeplab-MV3模型识别垄径区域,并提出一种结合分段外接框质心生成导航定位点和多段三次B样条曲线的导航中线提取方法,实现对三七垄径导航线的准确高效提取.在三七田间数据集上训练模型并通过梯度加权类激活映射法分析Deeplab-MV3的各部分模块改进的有效性,测试集上模型垄间识别的平均交并比为74.80%,像素准确率为94.53%,参数量为3.086×10~6,模型推理速度为55.44帧/s,满足部署到移动设备的识别准确性和模型轻量化要求.开展三七垄间导航线提取实验,结果表明本文算法的平均像素偏差为5.32像素,误差占比的平均偏差为0.91%,偏航角平均偏差为1.27°,相较于使用Canny算子边缘提取的中点的导航线拟合法的导航精度有所提高.实验结果可为复杂道路田间环境的导航线提取以及农机导航设备提供研究基础.

关键词：三七语义分割 Deeplab-MV3 垄间导航线梯度加权类激活映射

同方期刊数据库

在线全文

学校读者我要写书评

暂无评论

基于深度学习的DRFM信号识别

现代雷达 2024年第3期46卷 54-58页

作者：房津辉宋宝军朱明哲空军工程大学防空反导学院陕西西安710051 西安电子科技大学电子工程学院陕西西安710071

针对数字射频存储器(DRFM)产生信号与源信号之间无法有效区分的问题,运用基于小波变换的同步压缩变换将时域的雷达信号转换为时频图,运用深度学习强大的图像识别能力,实现了基于深度学习的源信号与DRFM信号识别,从而解决了在雷达信号处... 详细信息

针对数字射频存储器(DRFM)产生信号与源信号之间无法有效区分的问题,运用基于小波变换的同步压缩变换将时域的雷达信号转换为时频图,运用深度学习强大的图像识别能力,实现了基于深度学习的源信号与DRFM信号识别,从而解决了在雷达信号处理中无法有效区分回波信号和DRFM欺骗信号以及在雷达干扰识别中基于DRFM的欺骗干扰难以识别的问题。为了验证深度学习过程的可靠性,通过神经网络可解释性算法对训练结果进行了验证和分析。实验结果表明,相比于识别原始信号,识别DRFM信号神经网络需要用到更多的特征,神经网络判断准确率达到了96.33%,识别精度良好。

关键词：干扰识别时频变换梯度加权类激活映射导向反向传播深度学习

在线全文

学校读者我要写书评

暂无评论

宫颈细胞显微图像分割技术研究

宫颈细胞显微图像分割技术研究

作者：陈磊鑫中南大学

学位级别：硕士

宫颈癌是全球最常见的癌症类型之一。从早期的宫颈病变到发展晚期的浸润癌是一个缓慢的过程,大部分早期宫颈癌患者的治愈率高,而晚期宫颈癌治疗手段有限。对于宫颈病变的早期筛查与干预,是降低宫颈癌发病率以及死亡率的关键。基于宫颈... 详细信息

宫颈癌是全球最常见的癌症类型之一。从早期的宫颈病变到发展晚期的浸润癌是一个缓慢的过程,大部分早期宫颈癌患者的治愈率高,而晚期宫颈癌治疗手段有限。对于宫颈病变的早期筛查与干预,是降低宫颈癌发病率以及死亡率的关键。基于宫颈细胞涂片的细胞学筛查方法是进行宫颈癌筛查的常规手段,然而其需要病理学家目视检查宫颈细胞涂片中每个宫颈细胞的病变情况,工作量大,效率低下,且对病理学家的专业性具有很高要求。宫颈癌自动筛查技术通过自动化手段辅助完成宫颈细胞涂片的阅片工作,极大降低了病理学家的工作量,提升筛查效率与准确性。宫颈癌自动筛查技术基于宫颈癌病理知识计算一系列宫颈癌临床诊断指标判别宫颈细胞病变情况,其中宫颈癌临床诊断指标计算的准确性取决于宫颈细胞显微图像中宫颈细胞分割的准确性,准确的从宫颈细胞显微图像中分割出每一个细胞实例的细胞核与细胞质区域是宫颈癌自动筛查技术的关键。因此,论文基于宫颈细胞显微图像研究宫颈癌自动筛查领域的关键技术-宫颈细胞语义分割算法和宫颈重叠细胞分割算法。论文研究的对象为基于宫颈细胞涂片的宫颈细胞显微图像,由于宫颈细胞涂片特殊的制片与染色工艺,宫颈细胞显微图像中存在细胞质边界区域与背景对比度低、重叠区域特征变化复杂、细胞质污染等一系列挑战,现有的语义分割方法无法有效适用。论文提出了一种专用于宫颈细胞显微图像的基于多尺度边缘特征聚集的宫颈细胞语义分割网络。其采用编码器-解码器架构为基本骨架,结合论文所提出的多尺度特征提取模块(MFE模块)与边缘特征聚集模块(EFA模块),可以有效应对宫颈细胞显微图像中的挑战,在公共数据集CCEDD上实现了先进的宫颈细胞核、细胞质语义分割性能。在细胞核分割任务中Dice、m Io U、F1分数指标分别达到0.9767、0.9475、0.9812。在细胞质分割任务中Dice、m Io U、F1分数指标分别达到0.8480、0.7417、0.8550。由于宫颈细胞显微图像存在大量的重叠细胞团,仅采用语义分割算法无法分割出重叠细胞团的每一个细胞实例。考虑到现有的重叠细胞分割方法易受异常像素点干扰,分割精度不足等问题,论文提出了一种基于梯度加权类激活映射的重叠细胞分割方法。其首先采用梯度加权类激活映射算法对细胞重叠区域进行定位,在之后,设计了候选边界点搜索算法以得到候选边界点。最后,将候选边界点使用B样条进行曲线拟合,并与所设计的语义分割网络的分割结果进行拼接,得到重叠细胞团每一个细胞实例的轮廓线。图37幅,表4个,参考文献69篇

关键词：宫颈癌宫颈癌自动筛查语义分割重叠细胞分割多尺度特征提取边缘特征聚集梯度加权类激活映射

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于卷积神经网络的砌体墙震后破坏评估

基于卷积神经网络的砌体墙震后破坏评估

作者： NAV RAJ BHATT 哈尔滨工业大学

学位级别：硕士

建筑物震后损伤评估是地震灾害损失评估、震后恢复和重建工作的重要内容之一。建筑物震后损伤评估要现场找出结构损伤或破坏位置并对其进行分类统计和分析,它不仅提供了有关任何结构中损坏构件的数量和类别的重要信息,还帮助我们发现导... 详细信息

建筑物震后损伤评估是地震灾害损失评估、震后恢复和重建工作的重要内容之一。建筑物震后损伤评估要现场找出结构损伤或破坏位置并对其进行分类统计和分析,它不仅提供了有关任何结构中损坏构件的数量和类别的重要信息,还帮助我们发现导致损坏的可能的结构缺陷。传统的损伤评估技术包括由工程师或专家对每个受损结构进行目视检查,这种检查方式不仅危险、耗时,而且需要大量熟练人力。基于计算机视觉的结构损伤识别技术已经成为结构监测和检测领域中一个极为先进和创新的研究方向,并逐渐受到了土木工程研究人员的关注。计算机视觉技术的主要优点是非接触、远距离、高精度、更大的覆盖范围以及可通过移动设备和无人机进行识别。本论文主要研究更易受地震影响的砌体结构的损伤评估。首先,本论文对卷积神经网络（CNN）理论进行了回顾和讨论,分析了迁移学习,超参数调试,卷积可视化等算法。同时,对砌体结构墙体在地震中可能发生的多类损伤（如对角裂缝、拐角分离、分层和平面外破坏等）进行了分类。其次,本文提出了一种通过在Image Net数据集上预先训练的VGG16模型上应用微调和转移学习而构建的深度CNN模型架构。梯度加权类激活映射（GradCAM）技术用于解决损坏的定位问题。最后,将本论文的方法应用于砌体结构墙体的损伤评估,对具有不同网络参数的多个模型在训练、测试和验证集结果进行了对比分析,并给出了基于GradCAM注意力机制的损伤定位图。结果表明,所提出模型的整体性能在表征和定位损伤方面表现出良好的一致性和鲁棒性。论文的结果证明了该模型在实际应用中的可行性。

关键词：计算机视觉地震损伤评估砌体结构卷积神经网络梯度加权类激活映射

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的甲状腺肿瘤风险基因预测

基于深度学习的甲状腺肿瘤风险基因预测

作者：何瑶重庆邮电大学

学位级别：硕士

甲状腺癌是最常见的内分泌恶性肿瘤,是由环境和遗传因素共同作用的一种复杂疾病,近年来的研究已取得很大的进展,但其分子机制仍有很大的不确定性。甲状腺癌早期多无明显症状和体征,探索其发病分子机制及鉴定潜在的风险基因具有十分重要... 详细信息

甲状腺癌是最常见的内分泌恶性肿瘤,是由环境和遗传因素共同作用的一种复杂疾病,近年来的研究已取得很大的进展,但其分子机制仍有很大的不确定性。甲状腺癌早期多无明显症状和体征,探索其发病分子机制及鉴定潜在的风险基因具有十分重要的意义。本文首先从癌症基因组图谱数据库中收集到568个样本的甲状腺癌转录组数据,将戴维森堡丁指数、Calinski Harabasz指数和轮廓系数作为评估指标比较了主成分分析、自编码器以及深度自编码器3种降维算法和K-Means、谱聚类、混合高斯模型、BIRCH以及凝集层次聚类5种聚类算法;其次,基于聚类结果通过treemap方法将基因表达数据转换为灰度图像数据集,以训练不同的神经网络,得到甲状腺癌分类模型;再利用梯度加权类激活映射方法对神经网络分类模型进行解释性研究,得到在分类过程中每个基因重要性得分的情况,并筛选出相关风险基因;最后,对这些风险基因进行基因本体富集与京都基因和基因组百科全书通路分析并结合文献分析了解风险基因的功能。通过以上研究,得到以下结果:1)基于深度自编码器的K-Means聚类方法聚类效果最佳,其戴维森堡丁指数为0.64,Calinski Harabasz指数为79186.54,轮廓系数为0.46;2)获得甲状腺癌分类模型,训练准确率达到99.78%,测试准确率达到98.92%,与几种典型的全连接神经网络网络和Le Net-5模型相比,本文的模型取得更卓越的效果;3)筛选出744个甲状腺癌相关风险基因,在富集的通路中,发现神经活性配体-受体相互作用信号通路与补体和凝血级联可能参与甲状腺癌的演化过程。本文的研究基于基因表达数据聚类结果来构建深度学习的数据集,是对基因表达数据聚类研究应用的一种新探索;同时构建甲状腺癌深度学习分类模型,并对其进行可视化研究以筛选出甲状腺癌相关风险基因,为探索甲状腺癌的发病机制提供了一种新思路。

关键词：梯度加权类激活映射甲状腺癌聚类深度学习

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于卷积神经网络的全基因组关联研究

基于卷积神经网络的全基因组关联研究

作者：黎姿赣南师范大学

学位级别：硕士

复杂疾病严重威胁着人类的身心健康,它是一种由遗传因素和环境因素共同引起的疾病,其中遗传因素具有非常重要的作用。单核苷酸多态性(Single nucleotide polymorphism,SNP)被称为第三代遗传标记,是指基因组的单个核苷酸引起的DNA序列多... 详细信息

复杂疾病严重威胁着人类的身心健康,它是一种由遗传因素和环境因素共同引起的疾病,其中遗传因素具有非常重要的作用。单核苷酸多态性(Single nucleotide polymorphism,SNP)被称为第三代遗传标记,是指基因组的单个核苷酸引起的DNA序列多态性。据统计,SNP占所有已知多态性的90%以上,人类对药物敏感、疾病倾向及表型性状差异大多与SNP有关,非常适合用于做疾病关联基因研究。全基因组关联研究(Genome-wide association study,GWAS)是以生物体基因组中的SNP为分子遗传标记,在全基因组水平上进行对照分析或相关性分析,通过比较发现影响复杂性状的基因变异的一种策略。开展复杂疾病的全基因组关联研究对于定位复杂疾病关联基因、发现其遗传机制、实现个性化医疗等具有重大意义。深度神经网络,已被证明在大多数应用中优于传统的机器学习算法,它在复杂大规模数据集上具有强大的建模能力。卷积神经网络(Convolutional neural networks,CNN)是深度学习的代表性算法之一。近年来,深度学习在GWAS中的应用取得了较大的进步和发展,但对于SNP数据的转换及模型的可解释性需要进一步研究。本文以双相情感障碍和冠心病全基因组SNP数据为研究材料开展复杂疾病全基因组关联研究,使用卷积神经网络对样本的基因型和表型进行关联建模,构建了卷积神经网络GWAS模型,并使用梯度加权类激活映射(Gradient-weighted class activation mapping,GradCAM)方法对模型进行可解释性研究,寻找疾病关联SNP位点和基因。主要工作内容如下:第一,提出了一种基于彩色图像的数据转换方法。构建了基于仿真数据的卷积神经网络GWAS模型,对本文提出的数据转换方法与已有数据转换方法进行了对比实验,验证了本文数据转换方法的有效性。第二,分别建立了双相情感障碍GWAS模型和冠心病GWAS模型,实验结果显示模型在真实的双相情感障碍SNP数据及冠心病SNP数据上均具有很好的性能表现,并且在相同的双相情感障碍数据集上,本文的实验结果优于已有文献的实验结果,验证了本文GWAS模型的有效性。第三,使用Grad-CAM方法分别对建立的双相情感障碍GWAS模型和冠心病GWAS模型进行了可解释性研究,分别筛选出双相情感障碍易感SNP位点和冠心病易感SNP位点,通过查询NCBI数据库匹配到易感基因,并将结果与从GeneCards数据库下载的易感基因进行对比。结果显示,在相同的双相情感障碍数据集上,本文的易感基因筛选准确率优于已有文献的易感基因筛选准确率。同时,与逻辑回归关联分析模型的对比实验显示,本文方法对易感基因筛选的准确率远高于逻辑回归模型,验证了本文研究方法对于筛选复杂疾病易感位点和基因的有效性。

关键词：全基因组关联研究单核苷酸多态性卷积神经网络基于彩色图像的数据转换梯度加权类激活映射

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t-fMRI脑状态解码

天津职业技术师范大学学报 2022年第4期32卷 45-50页

作者：付佳俊卢梅丽曹一凡郭兆桦高资成天津职业技术师范大学信息技术工程学院天津300222

针对传统方法在解码大脑状态中由特征提取带来的可重复性差和耗时问题,采用基于3D卷积神经网络(3D-CNN)模型对任务态功能磁共振成像(t-fMRI)进行分类,从不同数据粒度分别采用梯度加权类激活映射(GradCAM)算法和导向梯度加权类激活映射(G... 详细信息

针对传统方法在解码大脑状态中由特征提取带来的可重复性差和耗时问题,采用基于3D卷积神经网络(3D-CNN)模型对任务态功能磁共振成像(t-fMRI)进行分类,从不同数据粒度分别采用梯度加权类激活映射(GradCAM)算法和导向梯度加权类激活映射(Guided Grad-CAM)算法探索分类结果与大脑不同脑区的功能相关性。采用4种不同t-f MRI数据验证算法的有效性,结果显示:3D-CNN分类模型准确度达97.8%,特征可视化能够准确映射到分类结果对应的功能脑区,且可有效解码大脑任务状态。

关键词：脑状态解码 3D卷积神经网络(3D-CNN) 功能磁共振成像可视化梯度加权类激活映射导向梯度加权类激活映射