目的构建基于3D打印矫形器三点力学数据与多种机器学习算法的青少年特发性脊柱侧弯(adolescent idiopathic scoliosis,AIS)Cobb角预测模型,以提供一种创新、无辐射的AIS早期临床筛查和监测方法。方法采集AIS患者的临床数据及3D打印矫形...目的构建基于3D打印矫形器三点力学数据与多种机器学习算法的青少年特发性脊柱侧弯(adolescent idiopathic scoliosis,AIS)Cobb角预测模型,以提供一种创新、无辐射的AIS早期临床筛查和监测方法。方法采集AIS患者的临床数据及3D打印矫形器的力学数据,构建包含性别、年龄、疾病类型、体重和Risser评分等特征的综合数据集。使用随机森林、支持向量回归、梯度提升回归机、极限梯度提升、轻量级梯度提升机和类别提升6种算法构建并评估Cobb角预测模型性能。结果梯度提升回归机模型在多项评估指标上表现最佳,精确率达到0.937、召回率为0.818、F1分数为0.949、曲线下面积(area under the curve,AUC)为0.843,在验证集中该模型的预测值准确率达到0.942,与实际Cobb值拟合较好。结论基于力学数据和机器学习的Cobb角预测模型有效避免了早期临床筛查中传统全脊柱X线片检查的辐射风险,实现了AIS患者的非侵入性评估,提高了筛查和监测的安全性和效率,为临床医生提供了有力的辅助决策工具,具有重要的临床意义。展开更多
针对当前动作识别过程中忽略了场景的语义信息,易受视角变换与遮挡的影响,导致识别率不高等问题,提出了一种基于动态时间规整耦合3D运动历史图像的人体动作识别算法。首先,结合人体的空间位置、运动方向和速度等不同特征,利用多维最长...针对当前动作识别过程中忽略了场景的语义信息,易受视角变换与遮挡的影响,导致识别率不高等问题,提出了一种基于动态时间规整耦合3D运动历史图像的人体动作识别算法。首先,结合人体的空间位置、运动方向和速度等不同特征,利用多维最长公共子序列(Multi-Dimensional Longest Common Subsequence,MDLCS),对视频数据中的行人目标进行跟踪,提取目标的运动轨迹。然后,基于频谱映射理论,对得到的轨迹实施聚类,并计算运动轨迹的聚类中心。通过对聚类结果执行ROI划分和提取,获取场景的语义上下文信息。再引入动态时间规整(Dynamic Time Warping,DTW),将输入的视频序列与聚类中心进行比较,消除异常与冗余动作信息。随后,计算轨迹段的起点、终点与工作区的ROI之间的位置关系,结合场景的语义上下文信息,采用基于颜色和深度信息的3D运动历史图像(3D Motion History Image,3D-MHI)来提取动作特征。最后,利用支持向量机(Support Vector Machine,SVM)对3D-MHI动作特征进行分类学习,完成对人体动作的识别。实验表明:所提算法在UCF Sport与Hollywood数据集上的识别率分别达到了95.1%和92.5%,与当前流行的动作识别算法比较,具有更高的识别率与较强的鲁棒性,对视角变换与遮挡等复杂场景下的动作识别更为有效。展开更多
土壤是具有高度异质性的复合体。早期的数字土壤制图研究主要关注水平方向的土壤空间变异和制图,对垂直方向空间变异和土壤三维制图考虑较少。近年来,三维地理信息技术和对地观测与探测技术的快速发展,极大地促进了土壤三维空间数据获...土壤是具有高度异质性的复合体。早期的数字土壤制图研究主要关注水平方向的土壤空间变异和制图,对垂直方向空间变异和土壤三维制图考虑较少。近年来,三维地理信息技术和对地观测与探测技术的快速发展,极大地促进了土壤三维空间数据获取、三维空间推测、三维数据模型、三维模型构建和可视化方法等方面的研究。本文对三维空间土壤推测与土壤模型构建的已有方法进行梳理和评述,以期为三维数字土壤制图的应用和发展提供建议。以三维土壤制图、三维GIS、三维数据模型、三维地质建模、三维可视化、土壤空间变异、空间推测、克里格插值、土壤-景观分析、深度函数、机器学习、地统计学、随机模拟等为关键词检索Web of Science数据库,基于相关度、引用率和文献来源等因素进一步筛选出重点文献进行分析。归纳整理了土壤空间变异性、三维空间土壤推测、三维空间数据模型和三维模型构建等关键技术的现有研究体系,对各种三维推测和建模方法的优缺点和适用场景作出评价。针对目前研究中存在的垂直方向土壤数据稀少、土壤三维推测精度低、三维模型质量待提高等问题,提出一些可行的研究思路。展开更多
文摘目的构建基于3D打印矫形器三点力学数据与多种机器学习算法的青少年特发性脊柱侧弯(adolescent idiopathic scoliosis,AIS)Cobb角预测模型,以提供一种创新、无辐射的AIS早期临床筛查和监测方法。方法采集AIS患者的临床数据及3D打印矫形器的力学数据,构建包含性别、年龄、疾病类型、体重和Risser评分等特征的综合数据集。使用随机森林、支持向量回归、梯度提升回归机、极限梯度提升、轻量级梯度提升机和类别提升6种算法构建并评估Cobb角预测模型性能。结果梯度提升回归机模型在多项评估指标上表现最佳,精确率达到0.937、召回率为0.818、F1分数为0.949、曲线下面积(area under the curve,AUC)为0.843,在验证集中该模型的预测值准确率达到0.942,与实际Cobb值拟合较好。结论基于力学数据和机器学习的Cobb角预测模型有效避免了早期临床筛查中传统全脊柱X线片检查的辐射风险,实现了AIS患者的非侵入性评估,提高了筛查和监测的安全性和效率,为临床医生提供了有力的辅助决策工具,具有重要的临床意义。
文摘针对当前动作识别过程中忽略了场景的语义信息,易受视角变换与遮挡的影响,导致识别率不高等问题,提出了一种基于动态时间规整耦合3D运动历史图像的人体动作识别算法。首先,结合人体的空间位置、运动方向和速度等不同特征,利用多维最长公共子序列(Multi-Dimensional Longest Common Subsequence,MDLCS),对视频数据中的行人目标进行跟踪,提取目标的运动轨迹。然后,基于频谱映射理论,对得到的轨迹实施聚类,并计算运动轨迹的聚类中心。通过对聚类结果执行ROI划分和提取,获取场景的语义上下文信息。再引入动态时间规整(Dynamic Time Warping,DTW),将输入的视频序列与聚类中心进行比较,消除异常与冗余动作信息。随后,计算轨迹段的起点、终点与工作区的ROI之间的位置关系,结合场景的语义上下文信息,采用基于颜色和深度信息的3D运动历史图像(3D Motion History Image,3D-MHI)来提取动作特征。最后,利用支持向量机(Support Vector Machine,SVM)对3D-MHI动作特征进行分类学习,完成对人体动作的识别。实验表明:所提算法在UCF Sport与Hollywood数据集上的识别率分别达到了95.1%和92.5%,与当前流行的动作识别算法比较,具有更高的识别率与较强的鲁棒性,对视角变换与遮挡等复杂场景下的动作识别更为有效。
文摘土壤是具有高度异质性的复合体。早期的数字土壤制图研究主要关注水平方向的土壤空间变异和制图,对垂直方向空间变异和土壤三维制图考虑较少。近年来,三维地理信息技术和对地观测与探测技术的快速发展,极大地促进了土壤三维空间数据获取、三维空间推测、三维数据模型、三维模型构建和可视化方法等方面的研究。本文对三维空间土壤推测与土壤模型构建的已有方法进行梳理和评述,以期为三维数字土壤制图的应用和发展提供建议。以三维土壤制图、三维GIS、三维数据模型、三维地质建模、三维可视化、土壤空间变异、空间推测、克里格插值、土壤-景观分析、深度函数、机器学习、地统计学、随机模拟等为关键词检索Web of Science数据库,基于相关度、引用率和文献来源等因素进一步筛选出重点文献进行分析。归纳整理了土壤空间变异性、三维空间土壤推测、三维空间数据模型和三维模型构建等关键技术的现有研究体系,对各种三维推测和建模方法的优缺点和适用场景作出评价。针对目前研究中存在的垂直方向土壤数据稀少、土壤三维推测精度低、三维模型质量待提高等问题,提出一些可行的研究思路。
