阿尔茨海默病(Alzheimer’s Disease,AD)是一种慢性神经系统退行性疾病,其准确分类有助于实现AD的早期诊断,从而及时采取针对性的治疗和干预措施.本文提出了一种最近邻域聚合图神经网络(Graph neural network with nearest Neighborhood...阿尔茨海默病(Alzheimer’s Disease,AD)是一种慢性神经系统退行性疾病,其准确分类有助于实现AD的早期诊断,从而及时采取针对性的治疗和干预措施.本文提出了一种最近邻域聚合图神经网络(Graph neural network with nearest Neighborhood AgGrEgation,GraphNAGE)的AD分类新方法.首先进行图数据建模,将AD数据样本表示为图数据.采用基于互信息(Mutual Information,MI)的特征选择方法,从样本的114维大脑皮层与皮层下感兴趣区域(Cerebral Cortex and Subcortical Regions Of Interest,CCS-ROI)的体积特征中选取重要性高的体积特征,并将其用于节点建模.提出基于相似性度量的关系建模方法,利用重要性高的体积特征、遗传基因、人口统计信息和认知评分对样本之间的关系进行建模.进而构建GraphNAGE,针对每个节点,基于与该节点相关的边的权重进行最近邻域采样,然后使用均值聚合方法对采样得到的邻居节点和中心节点的数据进行聚合,最后通过一个全连接层和一个Softmax层实现AD分类.在TADPOLE(The Alzheimer’s Disease Prediction Of Longitudinal Evolution)数据集上进行实验,结果表明:本文提出的AD分类方法的准确率(ACCuracy,ACC)为98.20%,F_(1)分数为97.34%,曲线下面积(Area Under Curve,AUC)为97.80%.实验结果表明:本文提出的AD分类方法充分利用了AD数据样本之间的相关性,其性能优于传统的基于机器学习、深度学习和图神经网络(Graph Neural Network,GNN)的AD分类方法.展开更多
创新教学评价方法是教育现代化改革中不可或缺的部分.目前,对课堂教学效果的评价大多采用阶段测试、问卷调查和人工观察等方式,存在教学情况反馈滞后、操作复杂且消耗人力、易受主观因素影响等问题.针对上述问题,结合深度学习技术提出...创新教学评价方法是教育现代化改革中不可或缺的部分.目前,对课堂教学效果的评价大多采用阶段测试、问卷调查和人工观察等方式,存在教学情况反馈滞后、操作复杂且消耗人力、易受主观因素影响等问题.针对上述问题,结合深度学习技术提出了一种基于学习情绪面部特征识别的课堂教学智慧评价方法.首先,建立了学生学习情绪面部特征数据集,并通过深度网络识别不同的面部特征.随后,依据调查问卷结果,构建了基于学习情绪面部特征的教学效果量化评价策略,实现了客观实时地反馈课堂教学效果的目的.实验结果表明,在课堂学生面部特征识别中,You Only Look Once(YOLO)深度神经网络的性能优于其他几种对比模型,可实现学生面部特征的快速、高精度识别.为创新智慧课堂评价模式,提升课堂教学质量提供了一种具有参考价值的方案.展开更多
文摘目的 基于疾病诊断相关分组(DRG)付费模式,分析不同DRG分组患者发生医院感染的医疗资源消耗情况,为优化医院感染防控和资源管理提供依据。方法 回顾性分析四川省某地市级医院2024年1月1日—12月31日出院患者病案资料及DRG相关指标,比较医院感染组(院感组)与非医院感染组(非院感组)患者医疗资源消耗情况,分层分析两组患者平均住院日数及次均住院费用差异。结果 2024年该院纳入DRG管理的出院患者医院感染发病率为1.57%。院感组与非院感组患者在年龄、性别、入院及离院方式方面的差异均有统计学意义(均P<0.05)。医院感染部位主要集中在下呼吸道、手术部位、泌尿道及血液。院感组时间消耗指数(1.63 VS 0.85)、平均住院日数(21.00 VS 5.00 d)、费用消耗指数(1.53 VS 0.92)、次均住院费用(4.47万VS 0.73万)及多项费用均高于非院感组(均P<0.05)。血流感染医疗资源消耗较高。医院感染患者多集中在急性白血病伴严重并发症或合并症(MCC)相关分组,颅内或开颅手术伴MCC相关分组,气管切开伴机械通气96 h相关分组及胃、食道和十二指肠手术相关分组。重点DRG组中院感组患者平均住院日及次均住院费用均高于非院感组,差异均有统计学意义(均P<0.05)。结论 医院感染显著增加医疗资源消耗,基于DRG分组分析可进一步确定感染防控的重点病组,更加准确细化地评价医疗资源消耗情况,进而优化医疗资源配置,提升医院运营效率。
文摘阿尔茨海默病(Alzheimer’s Disease,AD)是一种慢性神经系统退行性疾病,其准确分类有助于实现AD的早期诊断,从而及时采取针对性的治疗和干预措施.本文提出了一种最近邻域聚合图神经网络(Graph neural network with nearest Neighborhood AgGrEgation,GraphNAGE)的AD分类新方法.首先进行图数据建模,将AD数据样本表示为图数据.采用基于互信息(Mutual Information,MI)的特征选择方法,从样本的114维大脑皮层与皮层下感兴趣区域(Cerebral Cortex and Subcortical Regions Of Interest,CCS-ROI)的体积特征中选取重要性高的体积特征,并将其用于节点建模.提出基于相似性度量的关系建模方法,利用重要性高的体积特征、遗传基因、人口统计信息和认知评分对样本之间的关系进行建模.进而构建GraphNAGE,针对每个节点,基于与该节点相关的边的权重进行最近邻域采样,然后使用均值聚合方法对采样得到的邻居节点和中心节点的数据进行聚合,最后通过一个全连接层和一个Softmax层实现AD分类.在TADPOLE(The Alzheimer’s Disease Prediction Of Longitudinal Evolution)数据集上进行实验,结果表明:本文提出的AD分类方法的准确率(ACCuracy,ACC)为98.20%,F_(1)分数为97.34%,曲线下面积(Area Under Curve,AUC)为97.80%.实验结果表明:本文提出的AD分类方法充分利用了AD数据样本之间的相关性,其性能优于传统的基于机器学习、深度学习和图神经网络(Graph Neural Network,GNN)的AD分类方法.
文摘创新教学评价方法是教育现代化改革中不可或缺的部分.目前,对课堂教学效果的评价大多采用阶段测试、问卷调查和人工观察等方式,存在教学情况反馈滞后、操作复杂且消耗人力、易受主观因素影响等问题.针对上述问题,结合深度学习技术提出了一种基于学习情绪面部特征识别的课堂教学智慧评价方法.首先,建立了学生学习情绪面部特征数据集,并通过深度网络识别不同的面部特征.随后,依据调查问卷结果,构建了基于学习情绪面部特征的教学效果量化评价策略,实现了客观实时地反馈课堂教学效果的目的.实验结果表明,在课堂学生面部特征识别中,You Only Look Once(YOLO)深度神经网络的性能优于其他几种对比模型,可实现学生面部特征的快速、高精度识别.为创新智慧课堂评价模式,提升课堂教学质量提供了一种具有参考价值的方案.
