随着智慧医疗的发展和医疗规模的不断扩大,医疗领域逐渐步入大数据时代,共享医疗数据可以提高医疗服务质量并且降低其成本.但由于目前的电子医疗记录(Electronic Medical Record,EMR)的共享基本都基于中心式存储和共享方式,容易造成单...随着智慧医疗的发展和医疗规模的不断扩大,医疗领域逐渐步入大数据时代,共享医疗数据可以提高医疗服务质量并且降低其成本.但由于目前的电子医疗记录(Electronic Medical Record,EMR)的共享基本都基于中心式存储和共享方式,容易造成单点攻击和用户信息泄露等缺陷.为了解决这些问题,我们提出了一种基于联盟区块链的电子医疗记录安全共享模型(SMCB:A Safe Sharing Model for Electronic Medical Records based on Consortium Blockchain),简称为SMCB.在该方案中,利用联盟区块链的去中心化,患者可以自行管理自己的EMR,无需可信第三方机构.基于环签名的特性,用户之间可以在完全匿名和不需要群管理员的情况下决定是否对某查询用户进行EMR的共享.展开更多
该文针对不规则干扰导致文字图片字符识别率下降的问题,提出一种基于U型网络框架和部分卷积运算的文字图片修复模型.首先,针对常见字体的干扰问题,通过图像融合建立干扰文字图像数据库,在逐像素损失、感知损失和全变分损失的共同约束下...该文针对不规则干扰导致文字图片字符识别率下降的问题,提出一种基于U型网络框架和部分卷积运算的文字图片修复模型.首先,针对常见字体的干扰问题,通过图像融合建立干扰文字图像数据库,在逐像素损失、感知损失和全变分损失的共同约束下,根据已有笔画细节对污损部分进行修复,并对污损汉字的字体形状和笔画走向的细部特征进行复原;其次,使用光学字符识别接口对修复前后图片进行测试并计算识别率;最后,将该文算法初步应用于真实场景下的古代文字拓片修复.实验证明,该文模型在常见文字修复上峰值信噪比最高达到32.58 d B,最佳损失值为0.015,污损文字图片修复后识别准确率提升30.49%.展开更多
通过剖析短语结构层次句法分析的层次性和汉语结构特点,提出了一种把核心词作为词块的形式替换、层层进行词块组合的句法结构树.在句法边界分析的过程中,将词块识别和核心词提取分开进行.在词块识别模块,使用双向长短期记忆模型(Bi-dire...通过剖析短语结构层次句法分析的层次性和汉语结构特点,提出了一种把核心词作为词块的形式替换、层层进行词块组合的句法结构树.在句法边界分析的过程中,将词块识别和核心词提取分开进行.在词块识别模块,使用双向长短期记忆模型(Bi-directional Long Short-Term Memory,BiLSTM)和条件随机场(Conditional Random Field,CRF)结合的模型(BiLSTM+CRF)进行词块边界标记的识别,其中BiLSTM模型学习上下文特征,CRF模型学习输出标记序列结果的转移特征,达到预测标记序列联合解码的作用;在核心词提取模块,结合Word2vec词向量改进TextRank重要度排序算法,通过加入词语的相似度信息、位置信息、词性信息来提高识别准确度.实验对比了CRF、BiLSTM、BiLSTM+CRF词块识别分别与三种信息组合的TextRank核心词识别的句法边界分析效果,并对比了各句长下每种模型的识别情况.结果表明,使用BiLSTM+CRF联合改进的TextRank识别效果最好,相比于基线LR方法F1值提升了6.58个百分点,整句正确率提升了3.68个百分点,验证了模型的有效性和稳定性.展开更多
文摘随着智慧医疗的发展和医疗规模的不断扩大,医疗领域逐渐步入大数据时代,共享医疗数据可以提高医疗服务质量并且降低其成本.但由于目前的电子医疗记录(Electronic Medical Record,EMR)的共享基本都基于中心式存储和共享方式,容易造成单点攻击和用户信息泄露等缺陷.为了解决这些问题,我们提出了一种基于联盟区块链的电子医疗记录安全共享模型(SMCB:A Safe Sharing Model for Electronic Medical Records based on Consortium Blockchain),简称为SMCB.在该方案中,利用联盟区块链的去中心化,患者可以自行管理自己的EMR,无需可信第三方机构.基于环签名的特性,用户之间可以在完全匿名和不需要群管理员的情况下决定是否对某查询用户进行EMR的共享.
文摘该文针对不规则干扰导致文字图片字符识别率下降的问题,提出一种基于U型网络框架和部分卷积运算的文字图片修复模型.首先,针对常见字体的干扰问题,通过图像融合建立干扰文字图像数据库,在逐像素损失、感知损失和全变分损失的共同约束下,根据已有笔画细节对污损部分进行修复,并对污损汉字的字体形状和笔画走向的细部特征进行复原;其次,使用光学字符识别接口对修复前后图片进行测试并计算识别率;最后,将该文算法初步应用于真实场景下的古代文字拓片修复.实验证明,该文模型在常见文字修复上峰值信噪比最高达到32.58 d B,最佳损失值为0.015,污损文字图片修复后识别准确率提升30.49%.
文摘通过剖析短语结构层次句法分析的层次性和汉语结构特点,提出了一种把核心词作为词块的形式替换、层层进行词块组合的句法结构树.在句法边界分析的过程中,将词块识别和核心词提取分开进行.在词块识别模块,使用双向长短期记忆模型(Bi-directional Long Short-Term Memory,BiLSTM)和条件随机场(Conditional Random Field,CRF)结合的模型(BiLSTM+CRF)进行词块边界标记的识别,其中BiLSTM模型学习上下文特征,CRF模型学习输出标记序列结果的转移特征,达到预测标记序列联合解码的作用;在核心词提取模块,结合Word2vec词向量改进TextRank重要度排序算法,通过加入词语的相似度信息、位置信息、词性信息来提高识别准确度.实验对比了CRF、BiLSTM、BiLSTM+CRF词块识别分别与三种信息组合的TextRank核心词识别的句法边界分析效果,并对比了各句长下每种模型的识别情况.结果表明,使用BiLSTM+CRF联合改进的TextRank识别效果最好,相比于基线LR方法F1值提升了6.58个百分点,整句正确率提升了3.68个百分点,验证了模型的有效性和稳定性.
