弥漫性轴索损伤的神经网络研究进展

<正>颅脑损伤(traumatic brain injury,TBI)一般可分为局限性和弥散性脑损伤(diffuse brain injury,DBI)[1]。局限性脑损伤可导致局部神经功能障碍,而弥漫性脑损伤主要造成意识障碍,同时还会引起情感、记忆力、注意力、执行力等认知功能障碍,原因是包括网状激活系统、广泛大脑皮层在内的弥漫性轴索损伤(diffuse axonal injury,DAI)。其中"高水平"的认     

ARIMA模型和BP神经网络模型在我国乙型肝炎发病预测中的应用

目的探讨适合全国乙肝发病率的预测模型,为乙肝预测预警系统提供参考。方法应用2004-2012年全国乙肝月发病率数据,分别建立ARIMA模型和BP神经网络模型,利用建立的模型预测2013年1-12月乙肝发病率,采用实际发病率验证与比较两种模型的预测效果,评价指标为平均绝对误差(MAE)、平均绝对误差率(MER)和非线性相关系数(RNL)。结果全国2004-2013年乙肝月发病率在2.79/10万~9.44/10万间波动,序列具有明显的长期趋势。建立的乘积ARIMA(0,1,1)(0,1,1)12模型预测的MAE、MER、RNL分别为0.445、0.065、0.909,BP神经网络模型分别为0.635、0.093、0.872。ARIMA模型预测的平均绝对误差和平均绝对误差率要低于BP神经网络模型(△MAE=-0.190,△MER=-0.028),非线性相关系数要高于BP神经网络模型(△RNL=0.037)。结论 ARIMA模型和BP神经网络模型均适用于我国乙肝发病率的预测,且前者的预测效能和非线性拟合能力略优于后者。     

表面增强拉曼光谱与卷积神经网络用于耐甲氧西林金黄色葡萄球菌 的快速检测

目的 建立一种联合表面增强拉曼散射（SERS）与卷积神经网络（CNN）的方法，用于耐甲氧西林金黄色葡萄球菌（MRSA）和对甲氧西林敏感金黄色葡萄球菌（MSSA）的准确鉴定。方法 合成带正电的纳米银颗粒（AgNPs⁺）作为SERS基底，测量MRSA和MSSA的SERS指纹谱并制作数据集，构建浅层一维CNN网络并在该数据上训练生成MRSA/MSSA二分类模型。结果 合成的AgNPs⁺能够通过静电引力紧密地吸附在细菌菌体表面并产生显著的SERS效应，在654、731 cm^-1等7个波段均有明显的拉曼峰被增强出。提出的SERS-CNN方法用于MRSA和MSSA检测的准确率超过94.5%,重现性小于5%,检测灵敏度达到10² cells/mL。结论 建立的联合SERS与CNN的方法可用于MRSA的准确检测。     

乳腺癌复发因素预测模型构建

构建乳腺癌复发因素预测模型,分析最优化算法以及乳腺癌复发特征参数并对相关问题进行探讨,包括随机对照试验应用情况、再复发重要因素以及预测模型算法确定、C5.0算法比较研究等。     

卷积神经网络的发展及其在肿瘤影像学中的应用

肿瘤病死率高,影像学检查对肿瘤的早期诊断、治疗意义重大.随着人工智能深度学习技术的发展,卷积神经网络算法能够自动提取图像特征,快速寻找医学影像图片中的细微病变.计算机辅助检测系统可以帮助医生在肿瘤的早期阶段提高诊断准确率.     

3种预测模型在北京市西城区痢疾发病数预测中的应用与比较

目的探讨ARIMA季节乘积模型、温特斯法模型及多层感知器神经网络模型在痢疾预测中的应用。方法采集中国疾病预防控制信息系统中2005年1月-2012年12月报告的现住址为西城区的痢疾发病数。选择2012年9月前月发病数据进行建模拟合,应用拟合模型对2012年10月-12月的发病情况进行预测验证。结果应用训练样本构建的ARIMA(1,0,0)(0,1,1)12模型、温特斯法模型及多层感知器模型对原始数据拟合的平均绝对百分误差(MAPE)分别为21.06%、18.70%及25.51%,对2012年10-12月预测的MAPE分别为15.43%、26.67%、47.17%,模型预测能力有强到弱依次为ARIMA(1,0,0)(0,1,1)12温特斯法模型MLP神经网络模型。结论由于传染病的影响因素较复杂,应用历史数据构建模型进行预测是可行的。但应注意结合数据变动趋势选择合适的模型。本研究中,ARIMA乘积模型和温斯特法模型均适合痢疾的预测,可以为早期预警提供依据。     

深度学习算法在腭中缝成熟度分期中的应用

目的:探讨深度卷积神经网络模型(CNN)在评估锥形束计算机断层扫描(CBCT)影像中的腭中缝成熟度的应用,验证深度学习算法的有效性。方法:在已有卷积神经网络Xception模型的基础上,对模型进行针对性的结构优化,引入了注意力以及多特征融合机制。使用661例CBCT的腭平面截图,图像经预处理后作为训练集,在对网络模型进行训练后,利用20例典型分期样本进行验证,再分别测试38例困难样本(测试集A)和60例平均难度样本(测试集B)的分期准确率。最后将模型与医生的判断结果进行对比分析。结果:所设计的深度神经网络模型在数据集A和数据集B上的准确率分别为0.868和0.916,医生在数据集A和数据集B的准确率分别为0.628和0.850,结论:在病例出现多期性时,深度神经网络模型能够给出更加准确的结论,因此深度神经网络模型能够给医生提供有价值的参考,辅助医生做出正确的诊断。     

基于隐马尔可夫模型-径向基神经网络的表面肌电信号识别

目的：利用隐马尔可夫模型-径向基神经网络（HMM—RBFN）混合模型对7种手指动作进行辨识，探索控制HIT多自由度灵巧手的有效控制策略。方法：8例健康实验对象参加了试验，4例女性，4例男性。每例实验对象按提示完成7种手指动作，每种动作重复50次。通过表面肌电信号（sEMG）采集系统，提取实验对象前臂4块肌肉的sEMG，在对其进行预处理并提取小波变换特征向量后。分别送入HMM模型分类器及HMM—RBFN混合模型分类器进行训练。结果：HMM—RBFN混合模型识别效果和稳定性都大大优于HMM模型，验证了HMM—RBFN混合模型的有效性。结论：①HMM模型在sEMG识别中的效果没有其在语音信号识别中的好，有必要对其进行改进，以便更好的应用于sEMG的识别；②将HMM模型和神经网络组成混合分类器，可以弥补彼此的不足，获得更好的性能。