摘要： Magnetic resonance-guided focused ultrasound surgery(MRgFUS) thalamotomy is an emerging technique for medication-refractory essential tremor(ET), but with variable outcomes. This study used pattern regression analysis to identify brain signatures predictive of tremor improvements. Fifty-four ET patients(mean age = 63.06 years, standard deviation(SD) = 10.55 years, 38 males) underwent unilateral MRg FUS thalamotomy and were scanned for resting-state functional magnetic resonance imaging(rsf MRI). Seventy-four healthy controls(mean age = 58.09 years, SD = 10.30 years, 38 males) were recruited for comparison. Tremor responses at 12 months posttreatment were evaluated by the Clinical Rating Scale for Tremor. The fractional amplitude of low-frequency fluctuations(f ALFF) was calculated from rs-f MRI data. Two-sample t-test was used to generate a disease-specific mask, within which Multivariate Kernel Ridge Regression analyses were conducted. Predicted and actual clinical scores were compared using Pearson's correlation coefficient(r) and normalized mean squared error(Norm. MSE).Permutation test and leave-one-out strategy were applied for results validation. KRR identified f ALFF patterns that significantly predicted the hand tremor improvement(r = 0.23, P = 0.025; Norm. MSE = 0.05,P=0.026) and the postural tremor improvement(r = 0.28, P = 0.025; Norm. MSE = 0.06, P = 0.023), but not action tremor improvement. Lobule VI of right cerebellum(Cerebelum＿6＿R), right superior occipital gyrus(Occipital＿Sup＿R) and lobule X of vermis(Vermis＿10) contributed most for hand tremor prediction(normalized weights(NW): 2.77%, 2.40%, 2.34%) while Vermis＿10, left supplementary motor area(Supp＿Motor＿Area＿L) and right hippocampus(Hippocampus＿R) for postural tremor prediction(NW:2.69%, 2.12%, 2.05%). The low contributing NW of the individual brain regions suggested that the f ALFF pattern as a whole is an overall predicting feature. Preoperative f ALFF pattern predicts tremor benefits induced

关键词： 小样本学习   光谱分析   数据增强   对抗攻击   对抗防御  

摘要： 基于振动光谱分析的无损检测技术在化工、制药、国防等多个领域应用广泛。近年来,深度学习技术高速发展,基于深度学习的振动光谱分析方法越来越受到重视。然而,由于特殊环境要求和高昂的采样设备成本等因素,将深度学习应用于光谱分析领域面临数据样本稀缺的挑战。训练数据不足,导致深度网络模型难以充分训练,识别精度提升受限。此外,已有研究表明,面向图像、语音等领域的深度学习模型容易受到精心制造的对抗样本的欺骗。因此,小样本场景下的深度光谱分析模型的对抗鲁棒性也是亟待深入研究的问题。 为解决光谱分析模型因训练数据不足而导致的性能低的问题,本文提出了一个新的自监督学习框架,该框架能够生成具有语义的新数据,从而辅助光谱分析模型的训练。为深入研究光谱分析模型的对抗鲁棒性,本文首先从攻击者的角度出发,在白盒设置下使用不同的攻击方法针对光谱分析模型生成对抗样本。结果表明,光谱分析模型同样存在面对对抗样本时鲁棒性差的问题。最后,本文从防御者的角度进行光谱分析模型的防御性研究,分析不同方法的防御效果。 第一,针对振动光谱分析领域现存的数据量不足的问题,结合已有的数据增强方法,本文提出了一种端到端的神经网络框架——Tea Net。与现有数据增强方法相比,Tea Net降低了训练过程中对数据量的要求,且可以产生具有语义的新样本。实验结果表明,Tea Net训练得到的振动光谱分类器精度有所提升。 第二,为了研究现有振动光谱分析模型的对抗鲁棒性,本文基于图像领域中提出的攻击方法,结合光谱数据的特征,提出了一种面向振动光谱分析模型的新攻击方法。与直接应用于图像领域的攻击方法相比,该方法生成的对抗样本具有更好的隐蔽性。此外,从特征空间的角度出发,本文提出了一种新的攻击模式,并将其应用于光谱匹配系统。实验结果显示,在对抗攻击的背景下,现有的光谱分析模型普遍存在对抗鲁棒性差的问题。 第三,针对现存的振动光谱分析模型面对对抗样本时鲁棒性差的问题,基于前述攻击方法,本文从主动防御和被动防御两个角度出发,提出了一系列防御措施。其中包括被动防御:平滑化、网络参数正则化以及对抗性训练;主动防御:使用附加网络检测对抗样本。实验结果表明,平滑化和使用附加网络检测对抗样本可以有效的过滤对抗样本,而网络参数正则化和对抗性训练很容易被重新产生的对抗样本欺骗。

关键词： 激光选区熔化   CoCr合金   监督学习   图像识别   孔隙   工艺优化  

摘要： 激光选区熔化(SLM)是一种具有一体成形、材料利用率高和成形质量高等技术特点的激光增材制造技术,在金属加工领域具有独特的优势;CoCr合金具有高强度、高硬度、耐腐蚀性、耐磨性和生物相容性等优良的特性,被广泛应用到航空航天和医疗器械制造等领域。结合两者的优势,将激光选区熔化应用于CoCr合金的生产制造这一方向变得具有极高的研究价值。SLM技术的复杂性导致影响成形的因素也具有较高的不确定性,SLM工艺优化是目前研究的重点,但是传统的增材制造工艺优化更多是依靠“试错法”,人工智能的兴起,将机器学习算法运用到增材制造的工艺优化和成分优化过程中可以极大的节省试验成本和时间成本。 基于以上的研究背景,本文选用真空气雾化制备的CoCr合金粉末为研究对象,选用EOS M290激光选区熔化打印机打印成形,采用机器学习模型预测与试验相互印证的研究方法,重点研究了激光选区熔化技术工艺参数(激光功率、扫描速度、扫描间距、铺粉层厚)对CoCr合金试样的致密度以及对孔隙平均面积和圆孔率的影响,从而得到一定区间范围内最佳的工艺参数组合。 本论文的研究主要分为四个部分,第一部分通过试验的方法测得不同工艺参数下的CoCr合金试样的致密度以及根据能量密度公式计算出激光能量密度。根据BP神经网络算法模型、随机森林算法模型、长短期记忆网络算法模型和PSO-BP神经网络算法模型理论知识以及模型的参数调试,最终搭建出机器学习的算法模型。 第二部分研究了将试验测得的不同参数下的致密度作为样本输入到建立好的四种机器学习算法模型中,经过反复训练,将得到的预测结果与真实值进行验证,通过绝对平均误差、最小均方误差、均方根误差和决定系数等算法评价指标从而对四种机器学习模型性能进行对比,选出预测准确性较高、适应度较好的监督学习模型:长短期记忆网络算法模型和PSO-BP神经网络算法模型。 第三部分研究了本次试验激光能量密度对致密度的影响,从而继续细化研究了激光功率、扫描速度、扫描间距和铺粉层厚四种工艺参数对CoCr合金表面微观缺陷的影响。主要通过智能识别的方法,统计了每种工艺参数下的孔隙数量、平均面积大小和圆孔率。研究发现激光功率对于孔隙平均面积和圆孔率的影响较为显著,随着激光功率的增大,孔隙的平均面积和圆孔率均呈现出先减小后增大的趋势;孔隙的平均面积和圆孔率随着激光扫描速度的增大,也均呈现出先减小后增大的趋势;随着扫描间距的增大,孔隙的平均面积和圆孔率出现了增大的趋势;铺粉层厚相差较小时,对孔隙的平均面积和圆孔率的影响不大。 第四部分研究了将统计出的不同工艺参数下的孔隙平均面积和圆孔率作为输入样本,输入到了通过致密度测试筛选出的两种准确性和稳定性都较好的监督学习算法模型中,实现激光功率、扫描速度、扫描间距和铺粉层厚四种工艺参数对孔隙的平均面积和圆孔率的预测,从得到致密度相对较高条件下,孔隙平均面积较小、圆孔率较高的工艺参数组合范围:激光功率为280W-300W、扫描速度为880mm/s-970mm/s、扫描间距为0.11mm-0.17mm、铺粉层厚为30μm-40μm。为优化SLM制造CoCr合金工艺参数提供参考意义。也为其它增材制造合金的工艺参数的优化提供方法和策略。

关键词： 智能交通   时空轨迹数据   轨迹表示学习   轨迹相似性   轨迹聚类  

摘要： 随着全球卫星定位和移动互联网技术的快速发展,大规模车辆轨迹数据已经能够被实时采集和存储。通过对这些轨迹数据进行深入分析可以洞察出人们的出行习惯、交通拥堵情况、城市运行状态等重要信息。然而,原始的时空轨迹数据序列属于空间点状数据,对于诸如轨迹聚类等需要空间线状数据的数据分析算法并不友好,虽然空间线状的轨迹数据是由轨迹点构成的,但直接使用轨迹点数据进行轨迹聚类会引入额外的轨迹距离计算环节,增加聚类过程的时间损耗。为了更有效地利用轨迹数据,轨迹表示学习应运而生。轨迹表示学习旨在将原始的轨迹点序列数据转换为高维向量形式,以便于后续的数据分析和挖掘。 为了得到有效的轨迹表示向量,本文提出了一种基于Transformer-XL模型的轨迹表示学习方法。本文将Transformer-XL模型应用于轨迹序列数据,利用其自注意力机制来捕捉轨迹序列中的时空模式并将其表示为定长的特征向量,为了验证基于Transformer-XL模型的轨迹表示学习方法的有效性,与Doc2Vec模型和Transformer模型进行了对比实验,验证了所提方法能够有效地捕捉轨迹数据的关键特征。最后,将轨迹表示向量应用于轨迹聚类。实验结果显示本文所提方法产生的轨迹表示向量在相似性计算和轨迹聚类方面都表现出了良好的性能和效果。本文的主要研究内容如下: (1)为了解决轨迹表示学习中存在的数据稀疏性问题,提出了一种基于频繁路段轨迹序列的随机游走图采样算法。该算法利用频繁路段轨迹序列构建加权有向图模型。基于上述加权有向图模型,并采用一种二阶随机游走策略,通过图采样获得路段轨迹序列样本数据,与原始路段轨迹序列混合后,用于轨迹表示学习模型的输入数据。通过引入频繁路段轨迹序列,不仅能够更好地捕获数据中的时空模式,而且有效解决了数据稀疏性的问题。 (2)提出了一种基于Transformer-XL模型的轨迹表示学习方法。该方法首先在Transformer模型的自注意力机制基础上,使用了循环机制,使得Transformer-XL在处理长序列时保持更长的上下文记忆,而无需增加模型的参数量,然后结合MLM任务充分捕获轨迹数据中的时空模式和重要特征,将路段轨迹序列转换为轨迹表示向量。通过与基于Doc2Vec模型和Transformer模型的轨迹表示学习方法进行对比实验,基于Transformer-XL模型的轨迹表示学习方法具有更强的表达能力和更好的学习效果。 (3)提出一种基于轨迹序列表示向量的聚类算法。该算法通过计算轨迹序列表示向量之间的相似性进行聚类,最后通过与传统的聚类算法进行对比实验,验证了本文提出的聚类算法在保证性能的同时,大大提高了聚类效率。

关键词： 目标分析   机器学习   探索与应用  

摘要： 机器学习是人工智能领域的重要组成部分，在很多领域得到了广泛的应用，全面且深刻地认识机器学习的重要性和相关内容至关重要。本文首先对机器学习进行了概述，分析了目标分析中的机器学习类型。其次探讨了机器学习模型设计，重点研究了目标分析中的机器学习方法的应用。最后对目标分析中的机器学习方法未来提出展望，通过跨界合作和技术创新来推动机器学习在目标分析领域的发展。

关键词： 结肠癌   生物标志物   特征选择   生存分析   LASSO   Boruta   XGBoost  

摘要： 结肠癌是一种非常常见的危害人类身心健康的恶性肿瘤,在我国发病率及致死率更是居高不下,导致了许多人的死亡.结肠癌的潜在生物标志物的挖掘对于推进结肠癌的确诊及治疗有十分重要的意义.我们利用GEO数据库下载GSE74602;GSE9348;GSE10950;GSE25070这四个数据集,利用统计学习方法,对其基因进行筛选,并进行有关潜在生物标志物的认定. 我们进行数据清洗然后进行去批次效应,将其整合成一个数据集.利用limma包进行差异基因表达分析,分析在癌症组和正常组之间的差异表达的基因,一共得到129个上调基因,和196个下调基因共325个差异表达基因.之后利用GO和KEGG数据库,进行功能富集分析,观察这325个差异表达的基因富集到哪些功能条目.基于STRING数据库进行PPI蛋白互作网络分析,得到MYC,TOP2A,FOXM1,AURKB等是连接度较高的基因. 利用三种不同算法,对325个基因进行更进一步的筛选.LASSO算法的得到FOXQ1,ABI3BP,CDCA5,CELSR3等9个基因,Boruta算法得到151个核心基因,XGBoost算法得到11个核心基因,我们对这几种方法得到的基因取交集,得到FOXQ1,PPAP2A等6个交集基因. 对得到的6个核心基因,进行ROC分析,发现6个基因的AUC均在0.9以上,认定其为潜在的生物标志物.基因PPAP2A生存分析结果显著,这证明其可能与患者的预后情况密切相关.6个基因的免疫浸润结果表明B cells naive在正常结肠组织中的浸润比例较高,在结肠癌肿瘤组织中浸润比例较低,Mast cells activitied在正常结肠组织中的浸润比例较低,在结肠癌肿瘤组织中浸润比例较高.利用Cell Miner数据库找到与基因相关的药物,再对能搜索到蛋白质分子结构的基因与相关药物进行分子对接,FOXQ1基因,S100A11基因和SCARA5与Ribavirin,Masoprocol,Mitomycin的结合能均低于-5 kcal/mol,可能对癌症的治疗发挥作用.

关键词： 道路提取   图像处理   卷积神经网络   多尺度特征提取   上下文信息融合  

摘要： 道路作为地理信息系统中不可或缺的要素,在城市规划、交通管理、自动驾驶、灾害应急响应等领域都具有至关重要的作用。因此,如何利用高分辨率遥感影像实现城乡道路的自动提取,已成为遥感图像智能解译领域研究的热点问题。传统的遥感影像道路提取方法依赖手工特征设计,特征表达能力和泛化性能有限,难以满足海量遥感图像自动化解译的需求。随着深度学习技术的飞速发展,卷积神经网络已被广泛应用于遥感图像智能解译任务,并取得显著成就。随着遥感影像分辨率的不断提高,图像中的地物类别和形状复杂多变,不同地物之间存在显著的尺度差异,给道路的准确提取带来了挑战。此外,受成像视角、地形、天气等因素的影响,遥感图像中的部分道路被建筑物、树木、阴影等遮挡,现有基于卷积神经网络的道路提取方法捕获全局上下文信息时能力不足,导致分割准确性不高。针对上述问题,本文旨在结合门控融合、注意力机制和特征重构等方法,深入研究更高精度和准确性的道路提取网络。具体的工作如下: (1)针对高分辨率遥感影像中复杂多样的背景信息对道路提取造成的干扰,以及建筑物、树木等障碍物的遮挡导致道路局部信息不完整的问题,本文基于编码器-解码器架构提出了一种结合门控融合和双注意力的网络。该网络在跳跃连接中添加多个全阶段门控融合模块提取多尺度信息,并利用门控机制有选择地进行融合,从而增加网络的感受野,提高道路提取的精度。同时,在编码器末端引入含注意力的上下文提取模块,以捕获道路的长距离依赖关系,改善局部信息不足导致的语义割裂问题。经过实验验证,该网络在公开数据集CHN6-CUG、DeepGlobe、Massachusetts和SpaceNet上表现优异。 (2)针对遥感影像中地物尺度差异大、道路类型多变导致道路准确提取困难的问题,根据道路本身复杂的拓扑结构和带状分布的特性,本文提出了一种基于多维特征重构与多方向信息融合的道路提取网络。该网络采用编码器-解码器结构,通过分组多维特征重构模块对多尺度信息进行细粒度的通道和空间重构,有效提取关键道路特征并减少信息冗余。此外,该方法还通过多方向上下文信息融合模块中的条带卷积从多个方向捕获道路区域的远程依赖关系,采用池化分支在垂直和水平方向聚合全局语义信息,以提取完整连续的道路。通过在四个数据集上进行大量实验,结果表明该网络能显著提高复杂场景下的道路提取精度,同时降低计算成本。