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。     

医学文本图像字符识别校正技术研究与应用

针对医学文本图像字符识别的后处理技术进行研究,通过建立医学常用专业词库,基于中文汉字图像的Hog特征和相关系数计算字符之间的文字相似度,从而对识别后的文本进行拼写检查校正,提高字符识别准确率。     

基于深度贝叶斯蒸馏网络的皮肤病变识别研究

目的：解决卷积神经网络无法量化模型的偶然不确定性与认知不确定性问题,优化皮肤病变类型识别机制,降低误诊率。方法：在构建多尺度网络时,基于贝叶斯深度学习网络构建深度贝叶斯蒸馏网络,通过多次采样数据分布方式拟合训练数据模型,量化模型的偶然不确定性与认知不确定性。进一步引入了知识蒸馏对模型进行压缩,构建学生网络模型拟合教师网络的输出,使用教师网络的参数和真实值标签训练学生网络,从而实现对模型参数量与时间的优化。结果：识别准确率与现有相关方案相比提高3.00%～8.00%,达到83.90%,同时参数量减少14.12%,运行时间节约8.70%。结论：基于深度贝叶斯蒸馏网络的皮肤病变识别机制能够显著提高识别准确率,同时减少模型参数量与运行时间。     

基于深度学习的患者安全事件的命名实体识别

为解决日益增长的数据体量与实际作业效率和成本的矛盾,用科学的标注体系对患者安全事件语料进行标注,设计了一种基于深度学习的BERT-BiLSTM-CRF模型,结合中文文本语料的语义特征和字符特征对其进行命名实体识别,最终实验F1值为91.49%,相较于BiLSTM-CRF模型和IDCNN-CRF模型,实体的识别性能分别提升了7.33%和8.30%,验证了该模型的有效性。     

基于深度学习的中孕期胎儿超声筛查切面自动识别

目的本研究利用深度学习方法,基于深度卷积神经网络模型,对中孕期胎儿超声筛查图像的31个标准切面进行自动识别。方法采集孕20~24周胎儿超声筛查切面图像共76260张(包含31个切面),将其划分为训练集68386张,测试集7874张。在Vgg16网络模型上进行模型微调,加载数据集进行训练。将训练好的模型在测试集进行验证。结果该模型对于胎儿超声筛查切面的识别正确率为94.8%。结论该方法能够准确识别胎儿超声筛查图像的每个切面,为胎儿超声图像的自动质量控制解决方案打下了坚实的基础。     

门急诊电子病历现状与技术创新的研究

目的 研制门急诊手写病历采集器,为门急诊医生提供信息化手段.方法 结合医院门急诊诊疗工作特点和电子病历(Electronic Medical Record,EMR)的现状,利用手写识别技术和XML技术,对门急诊EMR进行创新研究与设计.结果 实现了一个高效方便的门急诊EMR系统.结论 门急诊EMR系统优化了门急诊工作流程,提高了医生工作效率和医院管理水平.     

疾病关联网络的构建及其对并发症预测方法的研究

目的:通过基于Bert深度学习技术处理的电子病历数据构建疾病关联网络,使用链路预测技术对患者的并发症进行预测.方法:使用Bert-WWM模型进行命名实体识别,提取来自非结构化中文电子病历中的疾病诊断信息,使用关联规则挖掘技术计算疾病关联系数,在此基础上构建疾病关联网络.最后,使用链路预测,预测患者潜在的并发症.结果:通...     

TcmYiAnBERT:基于无监督学习的中医医案预训练模型

目的/意义 充分挖掘中医医案中的文本信息,提高中医药信息化程度和中医医案症状术语抽取、关系抽取等下游任务的准确率。方法/过程 通过光学字符识别和爬虫技术获取大量中医医案数据并进行预处理,构建面向中医医案领域预训练数据集,使用BERT模型预训练方法,经过多轮训练得到首个面向中医领域专有预训练模型TcmYiAnBERT,并将该模型开源。结果/结论 中医领域专有预训练模型TcmYiAnBERT在中医命名实体识别任务中比未使用该模型的预训练模型F1值提高2.8个百分点。     

置信职业行为在外科手术教学领域应用的文献计量学研究

目的探究置信职业行为在外科手术教学领域中的研究历程和发展方向。方法检索2005年1月1日至2022年12月31日Web of Science、Scopus、PubMed、中国知网、万方数据知识服务平台、中华医学期刊全文数据库等期刊数据库中关于置信职业行为在外科手术教学领域的文献, 使用在线文献计量学分析工具和VOSviewer软件进行文献计量分析。结果共纳入56篇文献, 未检索到中文文献。在该领域的研究中, 美国是发文量最大国家(34篇), 发文最多的作者为威斯康辛大学的Rebecca M Minter(7篇), 发文量最大的期刊为Journal of Surgical Education(14篇), 发文量最大的机构为美国威斯康辛大学(9篇)。出现频率最高的关键词依次是Competence(10次)、Skills(8次)、Educations(8次)和Residents(6次)。结论置信职业行为在外科手术教学领域的研究正处于高速发展期, 而来自我国的相关研究较为匮乏, 亟需开展相关教学改革, 并融合互联网+、人工智能等新技术, 建立具有中国本土特色的基于置信职业行为的手术教学评价体系...     

基于交叉熵的神经网络在病理图像分析中的应用

目的 探讨利用基于交叉熵的神经网络识别典型病理图像.方法 提取27个宫颈细胞及细胞核的形态学与色度学特征参数并进行标准化处理,运用(SNN)软件对700例宫颈细胞图片进行神经网络分析.结果 细胞按正常、低度和高度鳞状上皮细胞、癌细胞进行分类识别,训练集与测试集识别率分别为98.29%、96.57%.使用相同训练样本数量,识别率高于其他网络模型.结论 该方法可以很好对宫颈细胞进行分类识别,并可应用于其他病理图片定量分析研究.     

Human Activity Recognition from Body Sensor Data using Deep Learning

In recent years, human activity recognition from body sensor data or wearable sensor data has become a considerable research attention from academia and health industry. This research can be useful for various e-health applications such as monitoring elderly and physical impaired people at Smart home to improve their rehabilitation processes. However, it is not easy to accurately and automatically recognize physical human activity through wearable sensors due to the complexity and variety of body activities. In this paper, we address the human activity recognition problem as a classification problem using wearable body sensor data. In particular, we propose to utilize a Deep Belief Network (DBN) model for successful human activity recognition. First, we extract the important initial features from the raw body sensor data. Then, a kernel principal component analysis (KPCA) and linear discriminant analysis (LDA) are performed to further process the features and make them more robust to be useful for fast activity recognition. Finally, the DBN is trained by these features. Various experiments were performed on a real-world wearable sensor dataset to verify the effectiveness of the deep learning algorithm. The results show that the proposed DBN outperformed other algorithms and achieves satisfactory activity recognition performance.     

基于深度学习的慢性阻塞性肺病与哮喘-慢性阻塞性肺疾病重叠分类

目的：基于医疗大数据的深度学习分析算法,提出了一种具有辅助诊断价值的慢性阻塞性肺病与哮喘-慢性阻塞性肺疾病重叠的鉴别诊断方法。方法：选择COPDGene数据集,利用Fisher评分的方法进行特征选择,使用准确率和ROC曲线对深度信念网络模型和支持向量机模型构建鉴别诊断模型,进行分析和比较。结果：使用深度信念网络模型得出的与COPD和ACO分类有关的敏感特征与已知临床诊断策略具有较高的吻合度,支持向量机模型和深度信念网络模型的分类准确率分别为85.28%和93.56%,灵敏度分别为89.73%和95.21%,特异度分别为74.10%和89.29%。结论：利用深度信念网络构建的COPD与ACO自动分类模型具有较高的鉴别诊断能力,可以有效协助临床医生对患者进行诊断。     

The localizing value of downbeat nystagmus

Downbeat nystagmus (DBN) is a primary position nystagmus with the fast phase in a downward direction. It is a rare but distinctive disorder of ocular motility and usually localizes the lesion at the posterior fossa. Four patients with DBN were seen in the department. One had a medullary glioma, and another congenital basilar invagination. The other two were initially diagnosed as demyelinating disease. One was subsequently found to have Arnold Chiari Malformation on magnetic resonance imaging (MRI). Review of the literature showed that cerebellar ectopia (Arnold Chiari Malformation) is the commonest cause of DBN. However 1/3 of reported cases have no obvious cause. DBN is of such high localizing value that we recommend MRI of cervicomedullary junction for all patients with DBN to exclude cerebellar ectopia or medullary lesion.     

大鼠基底前脑中神经降压肽样和甘丙肽样神经元的老年变化

作者用免疫组化法及显微分光光度计研究了年轻(4—5月)及老年(2—24月)大鼠基底前脑中神经降压肽样(NT-L)和甘丙肽样(GAL-L)胞体及纤维终末的老年变化,NT-L胞体主要位于基底前脑的外侧隔核(LS),斜角带核(DBN)及腹侧苍白球(VP)中,NT-L纤维终末主要位于LS及VP中,GAL-L胞体主要位于内侧隔核(MS)及DBN中,LS和VP中仅有少量纤维终末。老年大鼠LS,DBN及VP中NT-L胞体的数量以及MS,DBM中GAL-L胞体的数量均比年轻大鼠明显减少,光吸收率明显下降,我们的结果表明大鼠基底前脑中的NT-L及GAL-L神经元有明显的老年变化,此种变化的意义有待进一步研究。     

基于句子级Lattice-长短记忆神经网络的中文电子病历命名实体识别

目的 提出一种基于Re-entity新分词方法的条件随机场（CRF）模型,并与双向长短记忆神经网络（BiLSTM）-CRF和Lattice-长短记忆神经网络（LSTM）进行比较。方法 比较了现有实体识别方法和模型后,针对2018年全国知识图谱与语义计算大会（CCKS2018）任务一“电子病历命名实体识别”,提出基于Re-entity的CRF、BiLSTM-CRF、Lattice-LSTM方法,并在不同语料库训练不同参数级别的字符向量集。分别将各方法引入神经网络模型中进行模型性能对比实验,最后分别基于句子级和篇级输入句长进行对比研究。结果 CRF模型在最优特征工程的结果下引入Re-entity方法后性能得到提高,句子级的Lattice-LSTM模型在该任务上取得了89.75%的严格F1-measure,优于CCKS2018任务一的最高结果（89.25%）。结论 基于Re-entity新分词方法的CRF模型可利用中文临床药物知识库有效提高电子病历中药物的识别率,Re-entity方法可改善数据预处理阶段分词导致的错误累加,Lattice结构可以更好地结合字符和词序列的潜在语义信息,同时句子级输入能有效提高神经网络模型的识别准确率。     

Dual Function Seal: Visualized Digital Signature for Electronic Medical Record Systems

Digital signature is an important cryptography technology to be used to provide integrity and non-repudiation in electronic medical record systems (EMRS) and it is required by law. However, digital signatures normally appear in forms unrecognizable to medical staff, this may reduce the trust from medical staff that is used to the handwritten signatures or seals. Therefore, in this paper we propose a dual function seal to extend user trust from a traditional seal to a digital signature. The proposed dual function seal is a prototype that combines the traditional seal and digital seal. With this prototype, medical personnel are not just can put a seal on paper but also generate a visualized digital signature for electronic medical records. Medical Personnel can then look at the visualized digital signature and directly know which medical personnel generated it, just like with a traditional seal. Discrete wavelet transform (DWT) is used as an image processing method to generate a visualized digital signature, and the peak signal to noise ratio (PSNR) is calculated to verify that distortions of all converted images are beyond human recognition, and the results of our converted images are from 70?dB to 80?dB. The signature recoverability is also tested in this proposed paper to ensure that the visualized digital signature is verifiable. A simulated EMRS is implemented to show how the visualized digital signature can be integrity into EMRS.     

中老年人情绪刺激的事件相关电位研究

目的 探讨正确调节负性、中性情绪刺激,发挥正性情绪刺激对中老年人健康、智力、工作和生活的促进作用.方法 研究25例中老年人对正性、负性和中性简笔画面孔图片以及汉字"喜"、"思"、"恐"随机构成刺激序列的情绪刺激诱发的事件相关电位(ERP).结果 情绪的主效应分别出现于左侧颞顶区(40～80 ms),双侧顶枕和颞顶区(160～180 ms)和(310～340 ms);刺激的主效应分别出现于前头部(375～475 ms),后头部(195～255 ms),全头部(135～175 ms)和(275～355ms):情绪与刺激因素无显著交互效应.结论 成功的情绪调节是个体根据情境的变化,灵活地采取既有益于自身的身心健康又能适应社会环境需求的策略来控制自己的情绪;正性情绪刺激对中老年人健康、智力、工作和生活有促进作用.     

融合嵌入字词特征的中文医疗命名实体识别

针对中文医疗文献中的中文词边界模糊、分词歧义导致传统深度学习方法难以获取词汇语义信息的问题，提出了一种融合嵌入字词特征的中文医疗命名实体识别模型。首先，针对词向量缺失边界特征的问题，将词向量与词性、词边界特征拼接融合，结合注意力机制捕获字符间潜在的依赖权重等特征和增强词汇向量；其次，将通过BERT模型获得的字符向量与增强词汇向量拼接融合作为嵌入的基础上，利用BiLSTM模型提取上下文语义信息特征；最后通过CRF模型进行序列解码。利用瑞金医院标准化代谢性疾病管理中心（MMC）的糖尿病标注数据集对融合嵌入字词特征的中文医疗命名实体识别模型进行实验，获得了较好的结果。     

甲型HIN1流感电子病历与手写病历规范化比较

目的比较我院点选式电子病历与手写病历在甲型H1N1流感住院患者临床应用中的规范性差别。方法选我院甲型H1N1流感住院患者手写病历117份、电子病历127份。对甲型H1N1流感常见症状如发热、咳嗽等进行统计,分析两者病案规范性差别。结果电子病历与手写病历在症状、体征的描述记录上有显著性差异。结论点选式电子病历较传统手写病历对甲型H1N1流感住院患者病史收集记录更加全面、规范。医生应加强规范化收集病史的意识。