山体滑坡实时检测对于减少人员伤亡和财产损失至关重要。为了解决传统图像识别方法在滑坡监测中的时间滞后和误判问题,构建了一个多域数据集,以增强对山体滑坡和沙尘暴视觉特征的理解,并提出一种剪枝和增强的山体滑坡自动检测模型。该...山体滑坡实时检测对于减少人员伤亡和财产损失至关重要。为了解决传统图像识别方法在滑坡监测中的时间滞后和误判问题,构建了一个多域数据集,以增强对山体滑坡和沙尘暴视觉特征的理解,并提出一种剪枝和增强的山体滑坡自动检测模型。该模型基于改进的VanillaNet网络,结合动态多头注意力检测模块,显著提高了山体滑坡场景的视觉感知能力。此外,采用基于性能感知近似的全局通道剪枝(performance-aware approximation of global channel pruning,PAGCP)算法对该模型进行了压缩,以适应嵌入式部署。实验结果表明,所提出的模型在达到实时检测的前提下,显著提高了山体滑坡场景检测的准确性,对山体滑坡自然灾害监测与预警具有参考价值。展开更多
目的训练多种机器学习模型用于听性脑干反应(auditory brainstem response,ABR)波形的自动识别,并确定准确率最高的模型,使ABR自动识别技术更好地应用于临床实践。方法选取2021年6月至2022年6月北京清华长庚医院收治的100例听力正常和...目的训练多种机器学习模型用于听性脑干反应(auditory brainstem response,ABR)波形的自动识别,并确定准确率最高的模型,使ABR自动识别技术更好地应用于临床实践。方法选取2021年6月至2022年6月北京清华长庚医院收治的100例听力正常和伴有听力损伤人群的受试者(200耳)为研究对象,根据年龄和听力水平将受试者分为组1(年龄18~59岁,500、1000、2000、4000 Hz频率平均听阈≤25 dB HL)、组2(年龄≥60岁,500、1000、2000、4000 Hz频率平均听阈≤25 dB HL)、组3(年龄18~59岁,500、1000、2000、4000 Hz频率平均听阈>25 dB HL)、组4(年龄≥60岁,500、1000、2000、4000 Hz频率平均听阈>25 dB HL),每组25例。收集受试者纯音测听和ABR数据,提取ABR信号时域和频域特征,与受试者年龄、性别、纯音听阈,刺激声强度以及原始信号序列拼接得到特征向量。分别使用逻辑回归、支持向量机分类、伯努利朴素贝叶斯分类、高斯朴素贝叶斯分类、高斯过程分类、决策树、随机森林、表格网络、轻量化梯度提升框架、极致梯度提升框架和局部级联集成。等机器学习模型对ABR波形进行识别训练,并对整体数据和分组数据分别计算不同模型下波形识别的准确率。结果高斯过程分类模型的整体准确率达到了94.89%,超过了其他机器学习模型。其中95.62%为<60岁听力正常受试者、92.19%为≥60岁听力正常受试者、92.92%为<60岁伴有听力损失受试者、92.50%为≥60岁且伴有听力损失受试者。结论机器学习技术在ABR波形的自动识别方面具有良好的应用前景,高斯过程分类模型优于其他机器学习模型。展开更多
文摘山体滑坡实时检测对于减少人员伤亡和财产损失至关重要。为了解决传统图像识别方法在滑坡监测中的时间滞后和误判问题,构建了一个多域数据集,以增强对山体滑坡和沙尘暴视觉特征的理解,并提出一种剪枝和增强的山体滑坡自动检测模型。该模型基于改进的VanillaNet网络,结合动态多头注意力检测模块,显著提高了山体滑坡场景的视觉感知能力。此外,采用基于性能感知近似的全局通道剪枝(performance-aware approximation of global channel pruning,PAGCP)算法对该模型进行了压缩,以适应嵌入式部署。实验结果表明,所提出的模型在达到实时检测的前提下,显著提高了山体滑坡场景检测的准确性,对山体滑坡自然灾害监测与预警具有参考价值。
文摘目的训练多种机器学习模型用于听性脑干反应(auditory brainstem response,ABR)波形的自动识别,并确定准确率最高的模型,使ABR自动识别技术更好地应用于临床实践。方法选取2021年6月至2022年6月北京清华长庚医院收治的100例听力正常和伴有听力损伤人群的受试者(200耳)为研究对象,根据年龄和听力水平将受试者分为组1(年龄18~59岁,500、1000、2000、4000 Hz频率平均听阈≤25 dB HL)、组2(年龄≥60岁,500、1000、2000、4000 Hz频率平均听阈≤25 dB HL)、组3(年龄18~59岁,500、1000、2000、4000 Hz频率平均听阈>25 dB HL)、组4(年龄≥60岁,500、1000、2000、4000 Hz频率平均听阈>25 dB HL),每组25例。收集受试者纯音测听和ABR数据,提取ABR信号时域和频域特征,与受试者年龄、性别、纯音听阈,刺激声强度以及原始信号序列拼接得到特征向量。分别使用逻辑回归、支持向量机分类、伯努利朴素贝叶斯分类、高斯朴素贝叶斯分类、高斯过程分类、决策树、随机森林、表格网络、轻量化梯度提升框架、极致梯度提升框架和局部级联集成。等机器学习模型对ABR波形进行识别训练,并对整体数据和分组数据分别计算不同模型下波形识别的准确率。结果高斯过程分类模型的整体准确率达到了94.89%,超过了其他机器学习模型。其中95.62%为<60岁听力正常受试者、92.19%为≥60岁听力正常受试者、92.92%为<60岁伴有听力损失受试者、92.50%为≥60岁且伴有听力损失受试者。结论机器学习技术在ABR波形的自动识别方面具有良好的应用前景,高斯过程分类模型优于其他机器学习模型。
