基于深度学习的耳部穴区自动分割方法

耳部穴区的自动分割是实现智能化耳穴疗法的基础。然而,由于耳部穴区较多,且缺乏清晰的边界特征,现有方案在自动分割耳穴时面临着挑战。因此,需要一种快速准确的耳部穴区自动分割方法。本研究提出了一种基于深度学习的耳部穴区自动分割方法,主要包含耳部轮廓检测、解剖部位分割及关键点估计和图像后处理三个阶段。本文还提出了K-YOLACT以提升解剖部位分割及关键点定位的运行效率。实验结果表明,所提出的方法实现了对耳部正面图像内66个穴区的自动分割,分割效果优于现有方案。同时K-YOLACT方法的解剖部位分割的平均精度均值（mAP）为83.2%,关键点定位平均精度均值为98.1%,且运行效率明显提升。该方法的提出为耳穴图像的精确分割提供了可靠的解决方案,也为中医疗法的现代化发展提供了强有力的技术支持。     

基于卷积神经网络和长短时记忆网络的心理疲劳状态识别方法

现代生活节奏加快,生活压力逐渐增大,长期累积的心理疲劳对健康构成威胁。通过分析生理信号和参数,本文提出一种可以识别心理疲劳状态的方法,从而有助于维护健康生活。本文所提方法是基于卷积神经网络与长短时记忆网络结合的心电信号心理疲劳状态识别方法。首先,利用一维卷积神经网络模型的卷积层提取局部特征,通过池化层提取关键信息,同时去除部分冗余数据。然后,将提取的特征作为长短时记忆网络模型的输入,以进一步进行心电特征的融合。最后,通过全连接层整合关键信息,成功实现了对心理疲劳状态的准确识别。研究结果表明,相较于传统的机器学习算法,本文提出的方法显著提高了心理疲劳识别的准确性,识别的准确度达到了96.3%,可为心理疲劳的预警和评估提供可靠的基础。