关键词： 时间序列   自监督学习   对比表征学习   多分支   多视图  

摘要： 时间序列数据在众多行业中拥有广泛应用,然而受限于标注信息的缺失和复杂的时频域多变性,针对时间序列的表征学习成为一项挑战性任务。因此,提出一种用于时间序列的多分支多视图的上下文对比表征学习(MBMVCRL)方法。首先,从时频这2个视角增强时间序列样本,并把结果分别输入多分支多视图模型,从而提取时间序列的多视角特征表达;其次,为进行对比表征学习,分别根据2个视角的特征表达,计算上下文对比误差和交叉预测误差,并联合训练以获取最优的特征表达;最后,为验证所提方法对时间序列的表征能力,采用仿射非负协同表征(ANCR)分类器进行下游的分类任务。实验结果表明,相较于主流的时间序列时序上下文对比学习(TS-TCC)方法,所提方法在人体动作、癫痫和睡眠状态识别任务上的识别准确率分别提升了5.15、0.90和1.89百分点。消融实验结果则表明了多分支多视图模型的重要性,强调了所提模型拥有的参数敏感性不高和收敛快的特点,可见所提模型在不同时间序列应用上具有不错的泛化性。

关键词： 冠状动脉狭窄   血流储备分数   CT血管成像   机器学习  

摘要： 目的:以侵入性血管造影测得的血流储备分数(FFR ICA)为参考标准,探讨基于机器学习方法测得的心室舒张期和收缩期冠状动脉狭窄段CT血流储备分数(CTFFR)及跨狭窄段CTFFR差值(ΔCTFFR)对心肌缺血的评估价值。方法:使用第三代双源CT机对55例冠心病患者进行冠脉CTA检查,使用基于机器学习方法的CTFFR测量软件,分别基于心室舒张期和收缩期冠脉CTA数据测量冠脉狭窄病变处的CTFFR(分别称为dCTFFR和sCTFFR),并计算其近端与远端CTFFR的差值(ΔdCTFFR和ΔsCTFFR)。采用Pearson相关分析探讨dCTFFR和sCTFFR与FFR的关系。以同期测得的FFR ICA≤0.80作为参考标准,分别评估dCTFFR、sCTFFR、ΔdCTFFR和ΔsCTFFR对狭窄血管所致心肌缺血的诊断准确性。结果:55例患者共68支冠状动脉血管ICA诊断有狭窄病变(其中11例患者为多支血管狭窄),其中44支血管狭窄处FFR≤0.80、24支FFR>0.80。①dCTFFR与FFR的相关性良好(r=0.656,P<0.001),sCTFFR与FFR呈中度相关(r=0.457,P<0.001)。②在血管水平,以FFR≤0.80作为参考标准,dCTFFR的诊断效能优于sCTFFR(AUC分别为0.813和0.700,P=0.025),且ΔdCTFFR的诊断效能也优于ΔsCTFFR(AUC分别为0.833和0.742,P=0.027)。③在24支非缺血性狭窄病变(FFR>0.80)中,ΔdCTFFR和ΔsCTFFR假阳性诊断率(均为25.00%)均小于dCTFFR(54.17%)和sCTFFR(45.83%);在12支“灰区”狭窄病变(0.75≤FFR≤0.80)中,dCTFFR和ΔdCTFFR的假阴性诊断率(分别占16.67%和占25.00%)均小于sCTFFR(50.00%)和ΔsCTFFR(66.67%);对于32处严重缺血性狭窄病变(FFR<0.75),dCTFFR和ΔdCTFFR的假阴性诊断率分别为3.13%和12.50%,小于sCTFFR(15.63%)和ΔsCTFFR(21.88%)。结论:基于机器学习CTFFR测量技术获得的dCTFFR与侵入性FFR的相关性高于sCTFFR。与sCTFFR或ΔsCTFFR相比,dCTFFR和ΔdCTFFR的诊断效能更高,在评估血管狭窄所致心肌缺血时应作为首选指标。

关键词： 思维导图   医用高等数学   优化  

摘要： 本文旨在探讨运用思维导图有助于优化“医用高等数学”课程的学习方法。通过分析“医用高等数学”的课程特点以及学生在学习过程中面临的现实问题,阐述了如何巧妙运用思维导图实现知识的系统化整合、思维的全面激发以及记忆的深刻强化,进而助力学生精准把握“医用高等数学”的核心知识体系。同时,还针对如何将思维导图有效应用于“医用高等数学”的学习过程,提出了具体可行的策略和方法。本文的目的是为广大医学生提供一份提升数学学习效率与综合素养的学习指南,激发他们的自主学习潜能,为其日后在医学领域的深入探索与实践奠定坚实的基础。

关键词： 交通信号控制   智能交通   强化学习   卷积门控循环单元  

摘要： 针对现有基于强化学习的交通信号控制方法未考虑交通流量变化趋势,无法适应复杂多变路况而造成拥堵的问题,提出了基于流量预测的信号灯配时优化强化学习方法。提出相位配时幅度控制模型,分析历史流量数据的时空特性,对下一时间片的流量进行预测,并根据预测结果计算相位配时的合理范围;使用H-PPO算法在控制信号相位同时增加其配时控制,并设计压力阀奖励函数,避免算法在控制信号时频繁的相位变换影响驾驶员驾驶体验。仿真结果表明:所提方法在提高路口通行效率和减小相位切换频次均有良好表现,优于对比方法。

关键词： 卷积神经网络   磁共振成像   体层摄影术,X线计算机   深度学习   头部   图像处理  

摘要： 目的基于颅脑磁共振Dixon多对比度图像,采用深度学习方法重建CT图像,并与原始CT图像比较评估重建效果。资料与方法回顾性收集2021年6—12月上海交通大学医学院附属瑞金医院77名健康志愿者头颅CT和MRI图像,使用U-Net神经网络进行训练,训练集62名,测试集15名,基于Dixon的4种对比图像及其不同组合共7种模型进行CT图像重建。采用平均绝对误差、均方误差、Pearson相关系数、颅骨区域戴斯相似性系数评估图像重建效果。结果7种Dixon图像组合模型训练重建CT图像与原始CT图像均呈较强相关性(R>0.75,P<0.05),采用4通道模型重建CT图像与真实CT值最相近[平均绝对误差为147.516±30.802,均方误差为(8.648±3.403)×104],相关系数最大(R为0.796±0.055),颅骨区域相似性系数最高(戴斯相似性系数为0.800±0.036)。结论通过Dixon图像进行深度学习训练可实现头颅CT图像重建,且Dixon 4种对比图像组合可提高CT图像重建效果。

关键词： 机器学习   神经网络   物理信息   深度能量法   应力分析  

摘要： 采用机器学习结合计算力学分析了带孔薄板的应力问题,其中数据驱动神经网络依赖于输入数据,通过学习数据中的模式来进行预测。物理信息神经网络通过嵌入平衡方程,提高了准确性和泛化能力。深度能量法根据最小势能原理构造损失函数,计算效率和准确性明显更优,给出了其在双向均匀拉伸和非均匀拉伸下的Von Mises应力和误差云图,误差不超过5%。与机器学习的交叉有力地促进了计算力学研究范式的创新,并不断拓展其深度和应用范围。

关键词： 数学核心素养   创新思维   数学教学过程   教学策略   学习方法  

摘要： 近年来,随着社会经济的不断发展,新经济社会背景下的企业亟需知识型人才、技能型人才、创新型人才。培养学生的创新思维,是建立创新型人才队伍的基础,也是新课改背景下,教育的主流趋势。数学不仅是自然科学的基础,也是重大科技创新的基础,在经济发展和科技竞争中发挥关键作用,加强数学创新人才培养的迫切性已成为国家和社会的共识[1]。因此,数学教学过程就显得尤为重要,数学教师应当引入创新的教学策略和学习方法,来有效提高教学的有效性,进而激发和培养学生的创新思维。文章从数学核心素养的视角出发,探讨学生创新思维的培养策略,并分析其在数学教学中的实际应用。

关键词： 理论多相催化   催化剂理性设计   机器学习   机器学习势   生成式模型  

摘要： 多相催化反应在化工领域具有重要地位,是合成氨、煤制油等工业部门的核心.一直以来,为了更好地理解活性位点、反应路径以及微观动力学等信息,基于密度泛函理论的计算方法在这一领域发挥着独特的作用.但受限于计算能力,这样的研究手段难以处理涉及大时间与空间尺度的问题.近年来,作为人工智能重要分支的机器学习方法逐渐兴起,为理论多相催化研究带来了全新的研究范式.本文首先介绍了针对特定催化问题的统计学习模型、应用策略与局限性;然后重点探讨了机器学习势函数及其在多相催化理论模拟中应用的现状与挑战,并强调了近期兴起的通用机器学习势模型及其预训练-微调部署方式在多相催化模拟中的潜力;最后讨论了新兴的包括大语言模型在内的生成式模型在多相催化研究中的前景.在可预期的未来,机器学习方法与多相催化将有更深入的交叉,为多相催化剂理性设计工作带来更多便利,这既是相关研究者的一大机遇,也是新的挑战.

关键词： 数据流分类   概念演化   主动学习   新类检测   聚类  

摘要： 数据流分类方法研究在开放环境下的模型动态更新，以期从实时到达且不断变化的数据流中检测并适应概念演化，目前多数数据流分类方法通常假设数据流中样本的类别数是固定的，并且样本的标签可以不受限制地获取，这在真实场景下是不现实的。为此提出了一种概念演化数据流主动学习方法（Active Learning Method for Concept Evolution Data Stream,ALM-CEDS），定义基于样本标准差的基分类器重要性度量，提出基于加权预测概率的样本预测方法，提升分类器的分类性能；提出基于混合标签查询策略的分类器更新方法，使用难区分和代表当前数据分布的样本更新分类器；提出基于微簇q-近邻轮廓系数的新类检测方法，在数据流中快速识别新类。在4个真实数据流与5个合成数据流上的对比实验表明，本文所提出的概念演化数据流主动学习方法的分类性能优于已有的6种数据流学习方法。

关键词： 尖峰特征   口音识别   语音识别   多任务学习  

摘要： 口音是语音识别面临的主要挑战之一,为解决多口音语音识别问题,进一步探索口音识别与语音识别任务之间的相互作用,该文提出一种基于尖峰特征的口音识别和语音识别多任务学习方法。该方法首先通过共享部分编码器底层网络,利用口音信息隐式增强特定口音的声学特征,提升口音语音识别性能;其次,通过分析口音特征可发现,口音特征大部分由空白帧组成,而更能反映口音差异的有效标签帧未发挥主要作用。因此,该文在多任务学习框架下,将有效标签对应的连接主义时序分类(connectionist temporal classification, CTC)尖峰特征作为口音识别的输入特征,从而在一定程度上提升口音识别性能。在英文Common Voice和AESRC2020数据集上的试验结果表明:与直接混合所有数据训练的模型相比,该文方法在语音识别性能上分别绝对提升0.6%和1.0%;在口音识别上,基于CTC尖峰特征的口音识别性能分别绝对提升0.7%和1.9%。