摘要： 随着数字化时代的到来,多模态教学法逐渐从小众趋向流行。多模态教学法是将“模态”作为学习环境,师生在其中交流。所谓“模态”,是由文化和社会所塑造的可供人们交流的资源,如图像、文字、声音和手势。因此,教师在运用多模态教学法时会使用文字、图像、声音和手势等多种模式进行交流,以促进学生学习。学习科学专家也倡导使用多种媒体、从多个渠道反复刺激学习者,以强化其学习效果、实现“有意义”的学习。

关键词： 脑龄预测   多模态脑影像   半监督学习   半监督聚类   混合变量  

摘要： 衰老和神经退行性疾病对个体的影响具有特异性,因此个体的生物学年龄和实足年龄之间可能存在偏差,这种偏差可以反映个体的功能性和结构性的异常。反映大脑生理年龄的脑龄是一种与衰老和神经精神类疾病相关的有潜力的生物标志物。研究脑龄有助于进一步了解衰老的系统性生理机制、寻找潜在的外源性干预措施、评估个体的疾病风险和诊断年龄相关的疾病等。此外,脑龄在神经精神类疾病的早期发现、临床诊断和评估预后等环节上具有临床应用的潜力。目前,研究人员主要通过不同实足年龄的健康受试者的脑影像和机器学习算法构建脑龄预测模型,并使用该模型预测其他受试者的脑龄。然而,目前脑龄预测模型的准确性尚不足以适应临床实际需要。为进一步提高脑龄预测模型性能,提出混合变量聚类先验半监督学习方法(MixedVariable Clustering-Prior Semi-Supervised Learning,MCSL),并结合多模态脑影像和受试者的混合变量信息构建脑龄预测模型。 个体偏差因素会对脑龄预测模型产生负面影响,为缓解这一问题并为MCSL提供置信度较高的先验信息,提出混合变量快速约束半监督聚类方法(Mixed-Variables Fast-Constrained Semi-Supervised Clustering,MFSC)。该方法主要有两点改进:一是针对脑龄预测模型容易受到个体偏差因素影响的问题,利用混合变量度量函数(Mixed Variable Metric Function,MVMF)将个体偏差因素以混合变量形式纳入先验信息中,用于校正数据的空间分布结构,并为MCSL提供混合变量先验信息;二是针对传统空间水平约束算法的时间复杂度较高与硬约束容易导致聚类错误的问题,提出快速空间水平约束算法(Fast Space Level Constraint,FSLC)。该方法通过图约束传播算法(Graph Constraint Propagation,GCP)降低约束传播过程的时间复杂度,并通过软空间校正算法(Soft Space Correction,SSC)缓解由约束随机性引起的聚类错误。MFSC利用混合变量和数据先验信息校正数据的空间分布结构,提高聚类准确性并为MCSL提供混合变量先验信息和聚类先验信息。此外,由于MFSC只对数据进行预处理,没有对聚类算法内部进行改变,因此MFSC可以直接应用于不同的基于距离的聚类算法。为验证MFSC的有效性,将MFSC应用于3种无监督聚类算法,并与原算法、3种半监督聚类算法和1种无监督聚类算法在9个基准数据集上进行对比实验。实验结果表明,在实验数据集中,MFSC算法的大多数聚类结果优于对比算法,且在混合变量数据集中表现最为突出。 为有效利用混合变量先验信息和聚类先验信息,在MFSC的基础上提出结合了聚类先验约束算法(Clustering Prior Constraint,CPC)的MCSL。CPC可以从聚类结果中提取有效的聚类先验信息,利用聚类先验信息校正数据的空间分布结构,从而改善预测结果。由于MCSL只对数据进行预训练,没有对监督学习算法内部进行改变,因此MCSL可以直接应用于不同的基于距离的监督学习算法。为验证MCSL的有效性,将MCSL应用于2种监督学习算法,并与原算法、3种监督学习算法和2种半监督学习算法在9个基准数据集上进行对比实验。实验结果表明,在实验数据集中,MCSL算法的大多数预测结果优于对比算法,且在混合变量数据集中表现最为突出。 为提高脑龄预测准确性,构建一个基于MCSL,并结合多模态脑影像和受试者混合变量信息的脑龄预测模型。为评估模型性能,将该模型与基于原算法和3种对比算法的脑龄预测模型在2个公共神经影像数据集上进行对比实验。实验结果表明,在包含个体偏差因素的混合变量数据集中,基于MCSL的脑龄预测模型的平均绝对误差(Mean Absolute Error,MAE)分别为11.73和14.61,优于对比算法。

关键词： 问题为本学习方法   期刊研读学习方法   临床医学教学  

摘要： 目的 评估将问题为本学习方法（Problem-Based Learning,PBL）与期刊研读学习方法（Journal-Based Learning,JBL）结合应用于临床医学教学中的效果。方法 研究对象为扬州大学建湖临床医学院2021—2022学年度秋季学期的50名临床医学五年制本科生，通过随机数表法分为PBL与JBL联合教学组（联合组）和常规教学组（对照组）。课程结束后，分别对两组学生进行评估，考核内容包括临床实践思维能力、文献阅读解析能力以及学生满意度问卷调查。结果评估结果显示，联合组学生在临床实践思维能力和文献阅读解析能力方面的得分显著高于对照组，差异有统计学意义（P<0.05）。此外，联合组学生的满意度评分及总体满意率均显著优于对照组，差异有统计学意义（P<0.05）。结论 结合使用问题为本学习方法与期刊研读学习方法在临床医学教学中能够显著提升学生的临床实践能力和科研探究能力。这种以学生为主体的教学方式，更容易被学生接受和认可，具有较高的教学效果和满意度。

关键词： 脑电图   早产儿   机器学习   脑成熟度  

摘要： 目的: 基于在早产儿头部不同位置采集的脑电信号,通过机器学习方法建立判别早产儿脑成熟度的预测模型,同时分析影响判读准确性的可能因素。 方法: 前瞻性收集2023年1月至2024年3月于住院期间完成床旁振幅整合脑电图检查的241例早产儿的临床资料,将患儿随机分为训练集和测试集,采集不同位置的头部单导联脑电信号,应用三种机器学习模型(支持向量机、随机森林、决策树)进行脑成熟度判读分析,以人工判读的实际胎龄为金标准,通过计算预测差值、平均绝对误差(mean absolute error,MAE)、根均方误差(root mean square error,RMSE)、相关系数r来评估不同模型的预测准确性。在准确性最佳的机器学习模型下,通过单因素分析评估影响模型判读准确性的因素。 结果: (1)基于支持向量机算法构建的脑成熟度预测模型与人工判读脑成熟度的一致率达64.15%,其评估性能为:MAE=0.840,RMSE=1.159,r=0.682;基于随机森林算法构建的脑成熟度预测模型与人工判读脑成熟度的一致率达90.09%,其评估性能为:MAE=0.378,RMSE=0.577,r=0.932;基于决策树算法构建的脑成熟度预测模型与人工判读脑成熟度的一致率达87.74%;其评估性能为:MAE=0.316,RMSE=0.794,r=0.858。 (2)随机森林模型预测早产儿脑成熟度时,不同出生胎龄分组下的准确性评估:出生胎龄<32周组的MAE=0.561,RMSE=0.783,r=-0.162;出生胎龄32-34周组的MAE=0.448,RMSE=0.750,r=-0.244;出生胎龄>34周组的MAE=0.269,RMSE=0.389,r=-0.068。 (3)将判读预测胎龄的误差在1周之内定义为机器学习模型判读准确,出生胎龄、出生体重、自然分娩比例、脑电图检查时较低的实际胎龄、Ⅱ度及以上颅内出血及脑白质回声增强在判读准确组和判读不准确组存在统计学差异(P<0.05)。 结论: (1)基于随机森林算法构建的早产儿脑成熟预测模型的预测准确度最佳。 (2)基于EEG信号构建的随机森林模型预测早产儿脑成熟度时,模型性能在不同出生胎龄分组中表现不同,随机森林预测模型在评估出生胎龄>34周的患儿脑成熟度时准确性最佳。 (3)低出生胎龄、自然分娩与Ⅱ度及以上颅内出血、脑白质回声增强等因素会降低随机森林模型判读早产儿脑成熟度的准确性。

关键词： 视觉定位   相机位姿估计   深度学习   注意力机制  

摘要： 视觉定位是通过采集场景中的图像信息来估计视觉传感器在三维空间中的位置和方向信息,在自动驾驶、机器人导航和增强现实等领域有着广泛应用。传统视觉定位方法主要依靠手工对图像进行特征提取和匹配,并通过多视图几何的方法计算相机的位置和方向信息。近年来,随着深度学习技术的迅猛发展,以深度学习为基础的视觉定位方法引起了广泛关注。相较于传统方法,深度学习的视觉定位方法更少依靠手工特征,解算相机位姿的速度更快,内存开销更低;在光照变化、动态遮挡、以及纹理稀疏等具有挑战性的场景下,展现出更优秀的鲁棒性。 目前,基于深度学习的视觉定位方法通过改进模型结构、结合辅助任务优化、改进损失函数、使用多模态数据增强等方法进一步提高了在不同场景下的定位表现。然而,现有的模型结构仍存在一些不足之处。首先,当前提出的定位方法大多是通过单一的模型管道,直接将特征图的语义信息映射到位姿表示空间,忽略了特征空间的差异性对视觉定位模型的影响;其次,在将特征的语义信息映射到位姿表示空间的过程中,场景图像中关键特征的二维位置信息未能得到充分利用,这也在一定程度上限制了视觉定位模型的定位精度。 针对上述问题,本文提出了一种端到端基于视觉置换器和坐标注意力相融合的双分支视觉定位模型。具体工作如下: (1)提出了一种基于单目图像回归相机位姿的端到端视觉定位模型,模型主体结构由特征编码器和双分支的位姿置换器组成。特征编码器负责从输入图像中提取关键的特征信息,为后续位姿回归提供特征支持。位姿置换器由两个并行分支组成,分别用于回归相机的位置和方向信息。 (2)设计了一种多头坐标注意力机制与视觉置换器相融合的模块,通过多头坐标注意力机制编码从编码器输出的特征图中关键点的位置信息。在保留了特征图的空间位置编码信息的同时,捕获远距离上下文依赖关系,显著提高了定位模型对特征关键点空间位置的感知能力。 (3)为验证提出模型的准确性和鲁棒性,本文在室内场景数据集7Scenes和室外场景数据集Cambridge Landmarks上进行了对比实验和消融实验。通过对比实验分析,本文提出的模型相比于经典定位模型和近几年比较成功的一些定位模型展现出了更稳健的定位效果。同时,为了全面评估本文所提出模型中各个结构模块的有效性,本文在7Scenes数据集上进行了系统的消融实验。一方面,通过分析不同模型变体在标准指标上的表现,对每个模块的量化贡献进行了解析;另一方面,采用可视化技术对显著性的特征区域和最终位姿估计的结果进行定性分析,直观展示了各个模块对定位结果的影响。

关键词： TBM   数据增强扩充   深度学习   参数预测  

摘要： 随着城市化加速和国家交通战略的实施,隧道建设需求急剧增加,而TBM作为高效的隧道掘进设备,其使用频率也在大幅增加,在TBM施工过程中,运行参数的精确预测对提高掘进效率和降低成本至关重要。对于大部分的TBM施工都需要试掘进过程,并根据试掘进过程搜集的数据来调整掘进参数,试掘进过程需要时间和经济成本,因此缩短试掘进过程,减少成本,实现在短时间小数据的情况下实现精确快速的参数设置下的高效掘进是亟待解决的问题,因此本文基于机器学习方法研究了TBM运行参数预测并研究了基于TBM施工数据集的小样本扩充方法,构建了基于生成式对抗网络的新型深度学习模型预测架构。具体工作和成果如下: (1)本文基于吉林引松工程数据,对数据进行了详细的数据处理与分析。通过构建二值判别函数提取了实际施工段数据,利用箱型图法进行数据离群异常值的清洗,采用Z-Score方法进行归一化,同时通过灰色关联度和皮尔逊相关系数法对数据进行相关性分析,两种方法所得的高相关性数据相互印证,最后通过均值滤波降噪法进行数据平滑处理。通过这些方法,确保了数据处理的科学性和准确性,为后续模型的建立和训练提供了高质量的数据基础。 (2)本文在考虑深度学习模型(DNN)能够处理复杂的非线性关系的优势、长短时记忆网络模型(LSTM)可以提取数据中时间特性的优势以及卷积神经网络模型(CNN)则依靠卷积核有效提取数据内部依赖特征的优势的基础上,依次构建了前述三种深度学习模型,并验证对比分析其在TBM运行参数预测中的性能。结果表明在评估验证集上DNN的均方根误差(RMSE)为0.058,平均绝对百分比误差为0.048,决定系数R2为0.919,而LSTM和CNN分别为0.062、0.056、0.936、0.059、0.040、0.991。三种模型在TBM参数预测工作中均表现出优异的性能,其中以卷积神经网络在各项指标上最优。 (3)本文探索了数据增强扩充方法在TBM数据集上的表现,通过构建生成式对抗网络(GAN)实现了对TBM施工数据分布的模拟,从而生成了与原数据极为相似的数据,生成数据评价指标FID达到了0.03,本项研究不仅为TBM运行参数的精确预测提供了新的思路和方法,还为小样本数据环境下的TBM参数预测模型训练提供了有效的数据增强扩充技术支持,具有重要的理论意义和应用价值。 (4)本文通过将预测模型网络层内置于新架构中的数据生成部分,并将生成部分与预测部分直接以串行形式耦合,从而提出了一种基于GAN的TBM参数预测新架构,并通过多项评价指标对新架构在青岛地铁实际施工数据上的预测表现进行评估,GANDNN、GAN-LSTM以及GAN-CNN都取得了不错的表现,这表明新架构的预测性能以及泛化性能都达到了理论上的应用水平。 通过深度学习模型和数据增强扩充技术在TBM参数预测上的应用,本研究有望为TBM掘进效率的提高和成本的降低提供一定的技术支撑。

摘要： 新课程改革背景下，高中英语学习重点转向了语言应用能力。语法学习摒弃了传统记忆和应试方法，强调实用性和语境结合。学生应学会在真实情境中灵活运用语法，以促进与他人的有效沟通。一、情境模拟练习，提升语法应用能力在传统的语法学习中，学生习惯于背诵各种语法规则和句型结构，忽视了语法与实际语境的紧密联系。新课改要求学生不仅要掌握规则形式，更应通过实际语言环境来理解语法的功能及其在交际中的作用。情境模拟练习便是通过创造真实的语境，使学生在模拟的情境中直接体验和运用语法规则。

关键词： 神经网络   图结构   表征学习   图神经网络   结构编码  

摘要： 传统神经网络通常设计用于处理规则的欧几里得空间数据,如图像和语音等,而这些数据的邻接关系通常是固定的、结构规整的。在这些规则数据上,卷积神经网络表现优异,尤其在图像分类、目标检测和语音处理等任务中。然而,当面对图结构数据时,传统神经网络模型却难以有效捕捉动态且不规则的节点关系。图神经网络的出现为解决这一挑战提供了新颖的视角。通过邻域聚合机制,图神经网络能够逐层更新每个节点的表示,同时整合其邻居节点的信息,从而更加有效地学习图中复杂的拓扑结构。这种机制不仅使图神经网络适应了图数据的多样性和灵活性,还能够在处理不规则图结构数据时表现优异。为了更好地服务于科学与工业,研究人员需要将图神经网络更多地应用于各个领域。具体的讲在社交网络分析中,图神经网络通过精准的用户行为预测提升了社交媒体的用户体验;在生物医药领域,图神经网络促进了药物分子结构建模和新药研发的效率;而在推荐系统中,图神经网络则通过深挖用户与物品之间的关系,显著提高了推荐效果。此外,图神经网络在交通管理、化学分子建模以及金融风险控制等领域也展现了强大的应用潜力,推动了这些行业的智能化与高效发展。然而图神经网络本身在各个方面尚且存在缺陷,在节点级别任务上,图神经网络本身存在深度下性能衰减的问题,在图级别任务上,图神经网络的表达能力与结构感知能力也收到挑战,在各类下游任务中,图神经网络的具体设计也尚未达到一个最优的效果。为了解决这些问题,本文从几个方面来深入研究并改善图神经网络在具体任务上的表现,本文的主要工作及创新点如下所示: (1)传统的浅层GNN模型在处理复杂图结构任务时存在显著局限性,随着模型深度的增加,信息传递的复杂性也随之上升,导致过度平滑(oversmoothing)问题的出现,使得节点表示趋向收敛,难以保留节点间的细微差异,从而影响分类性能。本文创新地提出了一种新型的Layer Sniffer图神经网络(LSGNN)模型,该模型通过引入Layer Sniffer机制来密集且自适应地聚合不同感受野的邻域信息,从而有效应对过度平滑和信息获取不足的问题。该机制结合了锥度系数和层注意力得分,强调了在各层中节点表示的紧密程度以及全局层级信息的关注,增强了模型在处理复杂图结构任务中的表现力。 (2)尽管GNN已成为图结构数据处理的主流方法,其基于消息传递的范式受限于1-WL同构测试的能力,无法有效捕捉许多在下游任务中至关重要的子结构特征。这种表现力的不足限制了GNN在多个领域(如化学信息学、生物信息学、交通系统等)的广泛应用。本文创新地提出了一种新的子图提取策略和基于子图编码的图神经网络框架——Substructure Aware Graph Neural Network(SAGNN)。本文引入了Cut子图的概念,通过有选择性地移除边来保留图的关键结构信息,从而有效解决图同构问题。同时,采用扩展的随机游走方法来编码子图的结构信息,显著降低了时间复杂度,并提升了模型的表现力。通过将子图的结构信息注入到GNN的表示学习过程中,SAGNN在不显著增加计算复杂度的情况下,显著提高了模型在各种任务中的性能。 (3)事件相机的核心优势在于其能够以极高的动态范围和时间分辨率处理稀疏和异步的数据流,这使得其在低延迟和低功耗方面具备显著的优势。然而现有神经网络架构大多未针对稀疏和异步数据流进行优化,通常需要将事件流转换为稠密图像帧,这一过程不仅导致信息丢失,还增加了计算负担和延迟。本文创新地提出了一种新的异步脉冲图卷积网络(ASGCN),为图表示学习提供了全新的方法。这一网络设计首次将脉冲神经网络应用于实际的图级任务,通过将事件流建模为图结构,利用子图提取策略实现了高效的计算。此外,本文构建了一个完全事件驱动的处理管道,能够直接处理原始神经形态数据,有效保留事件数据的稀疏性和异步特性。 (4)EEG信号作为脑机接口(BCI)系统的核心数据源,具有丰富的时空信息,但由于其数据复杂性和高维特性,传统的信号处理方法(如PCA和SVM)难以有效捕捉其内在结构。图神经网络因其在处理结构化数据(如EEG电极之间的时空关系)方面的优势,成为解决这一问题的潜在方案。通过建模不同EEG电极之间的连接结构,GNN可以捕捉到更加复杂的空间交互信息,有助于提升特征提取的精度和模型的可解释性。本文创新地提出了脉冲图注意网络(SGA),该模型不仅利用脉冲神经网络的稀疏性来降低功耗,还通过图卷积与注意力机制捕捉复杂的时空特征,从而显著提升了EEG信号处理的效率与可解释性。