检索结果-南通市图书馆

中华危重病急救医学 2024年第4期36卷 358-363页

作者：段红伟李晓静杨兴菊王飞杨逢永济南市人民医院(山东第一医科大学附属人民医院)重症医学科济南271100 济南市人民医院(山东第一医科大学附属人民医院)护理部济南271100

目的探讨脓毒症患者发生急性呼吸窘迫综合征(ARDS)的独立危险因素,建立预警模型,并基于合成少数类过采样技术(SMOTE)算法对模型进行预测价值验证。方法采用回顾性病例对照研究方法,选择2016年10月至2022年10月济南市人民医院收治的566... 详细信息

目的探讨脓毒症患者发生急性呼吸窘迫综合征(ARDS)的独立危险因素,建立预警模型,并基于合成少数类过采样技术(SMOTE)算法对模型进行预测价值验证。方法采用回顾性病例对照研究方法,选择2016年10月至2022年10月济南市人民医院收治的566例脓毒症患者。收集患者的一般资料、基础疾病、感染部位、起始病因、病情严重程度评分、入院时血液指标和动脉血气分析指标、治疗措施、并发症及预后指标。根据患者住院期间是否发生ARDS分组,观察对比两组患者的临床资料;采用单因素和二元多因素Logistic回归分析筛选脓毒症患者住院期间发生ARDS的独立危险因素,并建立回归方程,构建预警模型,同时基于SMOTE算法改进数据集,构建改进数据集的预警模型;绘制受试者工作特征曲线(ROC曲线),对比验证模型的预测效能。结果566例脓毒症患者均纳入最终分析,其中163例在住院期间发生ARDS,403例未发生ARDS。单因素分析显示,两组患者年龄、体质量指数(BMI)、恶性肿瘤、输血史、胰腺及胰周感染、胃肠道感染、起始病因为肺部感染、急性生理学与慢性健康状况评分Ⅱ(APACHEⅡ)、序贯器官衰竭评分(SOFA)、白蛋白(Alb)、血尿素氮(BUN)、机械通气治疗、脓毒性休克比例及重症监护病房(ICU)住院时间差异均有统计学意义。二元多因素Logistic回归分析显示,年龄〔优势比(OR)=3.449,95%可信区间(95%CI)为2.197~5.414,P=0.000〕、起始病因为肺部感染(OR=2.309,95%CI为1.427~3.737,P=0.001)、胰腺及胰周感染(OR=1.937,95%CI为1.236~3.035,P=0.004)、脓毒性休克(OR=3.381,95%CI为1.890~6.047,P=0.000)、SOFA评分(OR=9.311,95%CI为5.831~14.867,P=0.000)为脓毒症患者住院期间发生ARDS的独立危险因素。基于上述危险因素建立预警模型:P1=-4.558+1.238×年龄+0.837×起始病因为肺部感染+0.661×胰腺及胰周感染+1.218×脓毒性休克+2.231×SOFA评分;ROC曲线分析显示,该模型预测脓毒症患者住院期间发生ARDS的ROC曲线下面积(AUC)为0.882(95%CI为0.851~0.914),敏感度为79.8%,特异度为83.4%。基于SMOTE算法改进数据集,再次构建预警模型:P_(2)=-3.279+1.288×年龄+0.763×起始病因为肺部感染+0.635×胰腺及胰周感染+1.068×脓毒性休克+2.201×SOFA评分;ROC曲线分析显示,该模型预测脓毒症患者住院期间发生ARDS的AUC为0.890(95%CI为0.867~0.913),敏感度为85.3%,特异度为79.1%,进一步验证了以上述独立危险因素构建的预警模型具有较高的预测效能。结论脓毒症患者住院期间发生ARDS的危险因素包括年龄、起始病因为肺部感染、胰腺及胰周感染、脓毒性休克和SOFA评分,临床上可依据基于上述危险因素建立的预警模型对脓毒症患者发生ARDS的概率进行评估,进而提前干预,改善预后。

关键词：脓毒症急性呼吸窘迫综合征危险因素回归方程合成少数类过采样技术算法

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

非平衡网络流量识别方法

引用

计算机应用 2018年第1期38卷 20-25页

作者：燕昺昊韩国栋黄雅静王孝龙国家数字交换系统工程技术研究中心郑州450002

针对网络中存在的对等网络(P2P)流量泛滥导致的流量失衡问题,提出将非平衡数据分类思想应用于流量识别过程。通过引入合成少数类过采样技术(SMOTE)算法并进行改进,提出了均值SMOTE(M-SMOTE)算法,实现对流量数据的平衡化处理。在此基础... 详细信息

针对网络中存在的对等网络(P2P)流量泛滥导致的流量失衡问题,提出将非平衡数据分类思想应用于流量识别过程。通过引入合成少数类过采样技术(SMOTE)算法并进行改进,提出了均值SMOTE(M-SMOTE)算法,实现对流量数据的平衡化处理。在此基础上分别采用3种机器学习分类器:随机森林(RF)、支持向量机(SVM)、反向传播神经网络(BPNN)对处理后各类流量进行识别。理论分析与仿真结果表明,在不影响P2P流量识别准确率的前提下,与非平衡状态相比,引入SMOTE算法将非P2P流量的识别准确率平均提高了16.5个百分点,将网络流量的整体识别率提高了9.5个百分点;与SMOTE算法相比,M-SMOTE算法将非P2P流量的识别准确率与网络流量的整体识别率分别进一步提高了3.2个百分点和2.6个百分点。实验结果表明,非平衡数据分类思想可有效解决P2P流量过多导致的非P2P流量识别率低的问题,同时所提M-SMOTE算法具有更高的识别准确度。

关键词：非平衡数据 P2P流量流量识别机器学习合成少数类过采样技术算法

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于卷积神经网络的动物识别算法研究

基于卷积神经网络的动物识别算法研究

引用

作者：袁东芝华南理工大学

学位级别：硕士

随着移动设备的发展,人手一个手机乃至多个手机已经成为不再稀奇的事情了,而手机上的应用也是琳琅满目。伴随着移动设备的高速更新迭代,人工智能也在同时期高速发展。为了开发出一款便捷的移动端动物识别应用软件,本文利用卷积神经网络... 详细信息

随着移动设备的发展,人手一个手机乃至多个手机已经成为不再稀奇的事情了,而手机上的应用也是琳琅满目。伴随着移动设备的高速更新迭代,人工智能也在同时期高速发展。为了开发出一款便捷的移动端动物识别应用软件,本文利用卷积神经网络,进行了移动终端上动物图像识别的研究。本文对已有的神经网络结构进行改良,提出了一些图像处理算法的改进,并且通过结合传统图像处理方法和卷积神经网络对动物图像进行训练,最终在移动终端神经网络框架上实现移植。本文的主要成果和创新点包括:(1)对数据集平衡算法SMOTE算法进行研究,提出了一种改进的边缘增强SMOTE算法。动物主要是位于图像正中央,为了增强数据集新样本的背景多样性,本文提出了一种变化权值的边缘环境增强SMOTE算法,增加环境信息混合,不影响对象混合,并利用DenseNet121卷积神经网络对该算法进行平衡前后的斯坦福大学犬类数据集进行实验,识别率为85.31%,比文献提高了将近10%。(2)对目前卷积神经网络进行深入研究,提出了一种基于MobileNet网络改进的MobileNet-Beta新网络模型。最终通过多个网络实验对比得出DenseNet模型在识别率上优异于MobileNet等轻量型模型,但其在识别速度和模型参数大小上却劣于MobileNet等模型。为了在移动终端上应用高性能识别,提出了MobileNet-Beta的模型,在AWA2数据集上实验比MobileNet的准确率提升了2.86%,比MobileNet V2提升了1.27%。(3)本文首先验证了混合特征SISURF比起单独的SIFT和SURF特征实验效果更加优异,提出了利用混合特征显著图对神经网络进行预训练的深度学习训练方法,通过使用SISURF特征提取到的特征图对网络进行预训练,然后再对原图进行二次训练,最后由实验结果得知,通过使用SISURF特征显著图进行预训练的方法,在平衡的AWA2数据集上识别率提升了1.31%,而在平衡的犬类数据集上识别率提升了0.88%。(4)利用移动终端开源框架NCNN,通过并行网络逻辑判断结果输出,在安卓移动终端上进行模型移植。本文在移动终端加载的三个训练好的模型(MobileNet、MobileNet V2和MobileNet-Beta网络),并且对模型并行输出的结果进行最终的逻辑判断,最后产品的测试识别率为95%。

关键词：动物图像识别卷积神经网络合成少数类过采样技术算法混合SISURF特征移动终端深度学习

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：