面向翻唱歌曲识别的相似度融合算法

提出了一种面向翻唱歌曲识别的相似度融合算法。该算法将基于乐理特征的相似度和基于人耳感知特性的相似度融合,通过把基于节拍跟踪和瞬时频率音级轮廓（IF-PCP）的最大互相关相似度、基于和声音级轮廓（HPCP）的Q_max相似度、基于耳蜗音级轮廓（CPCP）的Q_max相似度映射到同一个多维空间,并计算其几何距离来进行相似度融合。该算法使得IF-PCP特征的节拍速度不变性、HPCP特征的和声优势、CPCP特征的人耳感知特性有效融合。为了验证算法的有效性,采用包含212首不同歌曲共502个版本的数据库作为测试对象,以平均正确率均值和TOP-N作为测试指标对算法性能进行测试。测试结果表明,与基于单一相似度算法相比,该融合算法可提高翻唱歌曲识别准确率。     

基于交叉递归图和局部匹配的翻唱歌曲识别

基于Qmax算法,提出了一种新的序列局部匹配算法,用于翻唱歌曲识别。该算法通过改变所使用的步长条件使得匹配过程既能防止病态弯曲又能增加局部匹配分数。为了验证该算法在翻唱歌曲识别中的有效性,采用基于节拍同步的音级轮廓(PCP)特征作为测试对象,并利用最佳移位索引(OTI)实现基调不变性;根据所提取的特征构造交叉递归图(CRP),利用提出的局部匹配算法计算序列之间的相似度。实验结果表明,该方法获得了比传统匹配算法,如动态时间规整(DTW)、互相关和Qmax算法更高的识别准确率。     

腰麻领域基于卷积神经网络的脊髓圆锥末端位置定位算法

传统的脊髓圆锥末端内麻醉无可视化技术支持,主要通过麻醉师根据患者体表骨性特征进行穿刺定位,其难易程度与患者当前状态、麻醉师经验密切相关。本文提出了一种基于深度学习的识别定位算法,该算法利用深度学习模型对归一化的目标区域进行深度特征提取,增强特征的表征能力;最后输入到本文采用的SVM分类模型,得到最终的检测到的脊髓圆锥末端结果。定性定量实验结果表明,本文所提出的深度检测模型的检测性能较好,具有一定的可行性和使用价值。     

基于降噪自动编码器特征学习的音乐自动标注算法

目前,音乐自动标注模型大多采用手动设计模式,因而存在最佳特征难以选择的问题。提出了一种基于非监督学习的特征学习算法,该算法能自动学习特征的潜在结构而不需要依赖先验知识。首先,预处理阶段主要提取音乐的音级轮廓频率谱并进行PCA白化降维处理;然后,采用深度学习中的降噪自动编码器算法对降维后的特征进行无监督的学习,并采用最大值池化和取均值来聚合得到新的特征向量;最后,将特征向量和标签送入多层感知机中进行有监督的学习。基于Magnatagatune和GTZAN数据库的实验结果表明,本文算法在一定程度上提高了音乐自动标注的准确率。     

人工智能在鉴别肝门部胆管癌细胞及周围神经侵袭中的应用

目的 建立一种用于辅助诊断肝门部胆管癌(HC)的人工智能(AI)算法模型,评价其识别肿瘤细胞及周围神经侵犯(PNI)的能力.方法 采用AI算法对825张HC和175张非癌变组织图像(600张为训练集,300张为测试集,100张为比较数据集)进行深度学习,将不同参数的GoogLeNet和DenseNet相结合的神经网络用于HC细胞和PNI的特征提取和深度学习.比较该AI算法模型与3名病理科医师(副主任医师、主治医师、住院医师各1名)在判断肿瘤有无及肿瘤细胞百分比的差异.结果 基于深度学习的AI算法可以准确识别HC组织标本图像中的肿瘤细胞及PNI.AI算法诊断肿瘤的能力可与经验丰富的病理科副主任医师媲美,且在评估肿瘤细胞百分比方面更胜一筹.结论 AI算法模型在识别HC肿瘤细胞及PNI方面具有辅助作用.     

一种改进的基因功能网络术语相似度计算方法

阐述现有基因术语间语义相似度计算方法，提出基于融合高斯核函数的重启随机游走的基因本体术语相似度算法（Random Walk with Restart-based Similarity Measure，RWRSM），测试算法性能并进行分析，结果表明该算法优于其他算法，可以提高准确性及稳定性。     

一种基于二维匹配滤波器的掌纹识别算法

在掌纹识别算法中,基于Gabor滤波器和方向编码方法得到了广泛的研究和应用,但是此类方法一般使用Gabor滤波器提取特征,易受噪声和散焦等外界因素的影响。针对此问题,本文提出了一种基于匹配滤波器的算法。该算法使用二维匹配滤波器提取图像特征,采用双方向编码（DOC）匹配方法表征特征之间的相似度。实验结果表明,该算法对于噪声、散焦和平移等干扰都具有很好的鲁棒性,验证了该算法的可行性。     

基于多分类器的牌照字符识别算法

通过对牌照特征及已有识别算法进行分析,提出了基于多分类器模板匹配与支持向量机相结合的牌照字符识别算法。首先利用模板匹配进行粗分类,将多类问题转化成两类问题,再利用支持向量机进行精确分类。在模板匹配环节,使用灰度分布标准化,增加字符与模板的相似度。在Virtual Studio环境下进行测试,结果表明：与单一分类器相比较,该方法的识别精度与识别速度都有了很大的提高。     

基于注意力机制的空时融合深度学习睡姿监测算法研究

目的针对用于无扰睡姿检测的心冲击图(Ballistocardiogram,BCG)信号特征微弱,并且具有非线性、非平稳性强、存在噪声干扰以及信号本身具有空间和时域信息的特点,提出了一种基于注意力机制融合空时特征的深度学习睡姿检测模型(Deep Learning Sleeping Posture Monitoring Model,CTAM)。方法CTAM是一种可实现端到端的实时睡姿检测方案,通过睡眠带测试真实睡眠状态下睡姿的BCG信号,并构建数据集进行仿真对比实验。结果与具有类似结构的传统卷积神经网络(Convolutional Neural Networks,CNN)模型和空时融合的卷积-长短时记忆网络(Convolutional Long Short-Term Memory Network,CNN-LSTM)相比,CTAM在训练集的收敛性和测试集的准确率上均有显著的提升,其中,在测试集上的准确率分别较CNN模型和CNN-LSTM模型提升了1.46%和4.61%。结论CTAM这种算法模型在基于BCG信号下能实现睡姿的实时、有效、无扰监测,在改善睡眠质量监测领域具有较好的应用前景。     

基于多维度特征融合的深度学习骨龄评估模型

目的 通过基于特征提取的深度卷积神经网络,结合关键区域特征和人口学信息,评估儿童骨龄。方法 自动识别左手X线图像数据,对图像进行预处理,使用基于深度神经网络的X线图像分析方法,实现左手关节骨龄17个关键区域特征的自动提取,再将骨龄影像特征与临床大数据（人口统计、性别）融合训练骨龄评估模型,测试模型的评估效能。结果 使用基于深度学习的特征区域提取方法比传统图像分析方法可以更好地提取特征信息,结合临床信息从另一维度补充了骨龄发育信息。基于多维度数据特征融合的骨龄评估模型检测得到的骨龄平均绝对误差为0.455,优于传统方法和仅端到端的深度学习方法。结论 相较传统的机器学习特征提取方法,基于特征提取的深度卷积神经网络在骨龄回归模型上有更好的表现,结合人口和性别信息可进一步提升基于图像的骨龄预测准确率。     

人FHIT基因实时荧光定量RT-PCR检测方法的建立

目的：建立检测人脆性组氨酸三联体（fragile histidine triad,FHIT）基因的荧光定量RT-PCR方法。方法：根据GenBank中人FHIT基因序列,在保守区设计合成一对特异引物,将PCR扩增得到的FHIT基因克隆至PMD18-T载体上,构建的重组质粒标准品倍比稀释后运用SYBR Green I染料法绘制标准曲线,并进行融解曲线分析。结果：FHIT基因的标准品稀释度在1×107～1×103copies/μl范围内具有良好的线性关系,Ct值线性范围为14.28～28.36,相关系数为0.998,融解曲线分析表明,产物为特异的单峰,Tm为92.3±0.1℃。结论：建立了人FHIT基因实时荧光定量RT-PCR方法,为在mRNA水平对人FHIT的定量分析奠定了基础。     

A Pattern Matching Approach for the Estimation of Alignment Between Any Two Given DNA Sequences

For a given DNA sequence, it is well known that pair wise alignment schemes are used to determine the similarity with the DNA sequences available in the databanks. The efficiency of the alignment decides the type of amino acids and its corresponding proteins. In order to evaluate the given DNA sequence for its proteomic identity, a pattern matching approach is proposed in this paper. A block based semi-global alignment scheme is introduced to determine the similarity between the DNA sequences (known and given). The two DNA sequences are divided into blocks of equal length and alignment is performed which minimizes the computational complexity. The efficiency of the alignment scheme is evaluated using the parameter, percentage of similarity (POS). Four essential DNA version of the amino acids that emphasize the importance of proteomic functionalities are chosen as patterns and matching is performed with the known and given DNA sequences to determine the similarity between them. The ratio of amino acid counts between the two sequences is estimated and the results are compared with that of the POS value. It is found from the experimental results that higher the POS value and the pattern matching higher are the similarity between the two DNA sequences. The optimal block is also identified based on the POS value and amino acids count.     

糖尿病下肢深静脉血栓的临床预测模型的建立与验证*

目的: 构建糖尿病患者发生下肢深静脉血栓风险的临床预测模型,为临床提供预警。方法: 选取同济大学附属同济医院2018年11月至2021年11月的住院患者共281例,其中明确诊断糖尿病患者合并下肢深静脉血栓的111例患者作为试验组,明确诊断糖尿病无下肢深静脉血栓的170例患者作为对照组。对该模型进行评价,使用最小绝对收缩和选择算子(lasso)回归模型对糖尿病下肢深静脉血栓风险模型的特征选择进行优化。应用单因素和多元Logistic回归分析,将lasso回归模型中选取的特征相结合,建立预测模型诺模图(nomogram)。使用C指数、校准曲线图和决策曲线分析来评估预测模型的区分性、校准和临床实用性。结果: 单因素分析结果显示两组患者年龄、餐后2 h血糖、糖化血红蛋白、总胆固醇、高密度脂蛋白、纤维蛋白原、凝血酶原时间、D2聚体、血红蛋白、C反应蛋白、总蛋白、中性粒细胞数、淋巴细胞数、碱性磷酸酶、谷草转氨酶存在显著差异(P＜0.05)。多因素分析结果显示年龄、餐后2 h血糖、糖化血红蛋白、D2聚体、C反应蛋白、碱性磷酸酶、淋巴细胞数、谷丙转氨酶为糖尿病患者合并下肢深静脉血栓的独立相关因素。该模型具有良好的区分性,C指数为0.928,具有良好的校准性,受试者曲线显示良好的预测能力。结论: 本研究构建的nomogram结合了年龄、餐后2 h血糖、糖化血红蛋白、D2聚体、血红蛋白、C反应蛋白、碱性磷酸酶、谷草转氨酶,可以方便准确地对糖尿病合并深静脉血栓的风险预测。     

基于融合先验知识的肺结节深度学习分类方法

目的提出一种基于融合先验知识的肺结节深度学习分类方法。方法整体模型中包括图像特征提取子模型、语义提取子模型、语义整合子模型、多模态融合部分等。首先通过本文提出算法将医师标注语义信息转换为模糊one-hot码,然后将区域生长法设定不同阈值的输出图像输入语义提取子模型,模糊one-hot码作为多标签训练模型。最后将已训练语义提取子模型固定权重作为语义提取器置入整体模型中,输入图像分别经过图像特征提取子模型和语义提取子模型与语义整合子模型后通过融合输出预测结果。结果以公开数据集LIDC-IDRI作为实验数据做五折交叉验证,得出模型分类性能准确度88.32%、灵敏度81.86%、特异性93.37%、AUC 0.9220。结论基于融合先验知识的肺结节深度学习模型可较高性能实现肺结节良恶性诊断,可作为辅助影像医师诊断的有效工具。     

基于深度学习的白内障识别与分级

目的 利用深度学习方法自动提取眼底白内障特征,构建白内障自动分类器,并可视化分析深度网络中间层特征的逐层变换过程。方法 基于临床眼底图像,使用深度卷积神经网络（CNN）从输入数据的原始表示直接学习有用的特征,对比分析CNN自动提取的特征与预定义特征的性能表现。然后利用反卷积神经网络（DN）量化分析CNN各个中间层的特征,进一步研究输入图像中对CNN的预测贡献最大的像素集,探究CNN表征白内障的具体过程。结果 使用深度学习方法构建的分类器在四分类任务中达到0.818 6的平均准确率。与现有的预定义特征集相比,利用深度CNN自动提取的特征集能提供更好的白内障特征表示。CNN中间层特征呈现从低级抽象到高级抽象的分层变换,如梯度变化到边缘,然后到边缘状发散结构的组合,最后到血管和视神经盘信息的高级抽象,这种变换过程与临床检测白内障的诊断标准相吻合。结论 基于深度学习的分类器在性能表现上优于现有分类器。该方法对检测其他眼病也可能具有潜在的应用前景。     

心脏磁共振电影序列影像组学模型评估二尖瓣反流程度的价值

目的：评估基于心脏磁共振(cardiac magnetic resonance imaging，CMR)电影序列的影像组学模型在检测二尖瓣严重反流中的价值。方法：收集2015年11月至2018年8月在中南大学湘雅三医院接受CMR及超声心动图检查的患者80例，包括无或轻度反流组67例、中重度反流组13例。对CMR电影序列图像进行相对均值梯度差异(relative difference of average filtered gradient，RDAFG)分析，并结合最小输出误差平方和滤波追踪(minimum output sum of squared error filtering tracker，MOSSE)提取25维特征，利用主成分分析降至2维，对中重度反流组进行过采样后再利用支持向量机(support vector machine，SVM)建立影像组学模型。采用受试者工作特征(receiver operating characteristic，ROC)曲线评估模型效能。结果：两组患者的2维影像组学特征的差异均具有统计学意义(均P<0.01)，所建立影像组学模型的最佳检测效果的ROC曲线下面积为0.971，敏感度和特异度分别为85.7%和94.1%。结论：基于CMR电影序列的机器学习影像组学模型对二尖瓣反流程度的评估具有较好效果，有助于智能化辅助临床诊疗。     

Sparse Representation-Based Heartbeat Classification Using Independent Component Analysis

The classification of heartbeats is crucial to identify an arrhythmia. This paper proposes a new method that combines independent component analysis (ICA) with sparse representation-based classification (SRC) to distinguish eight types of heartbeats. We use ICA to extract useful features from heartbeats. A feature vector consists of 100 ICA features along with a RR interval. We use SRC to compute a sparse representation of a test feature vector with respect to all training feature vectors. The type of a test feature vector is determined using the concentration degree of sparse coefficients on each heartbeat type. For experimental purposes, 9800 heartbeats are extracted from the MIT-BIH electrocardiogram (ECG) database. The results show that our proposed method performs better than conventional methods, with 98.35% accuracy and 94.49%–100% sensitivities to several heartbeat types.