课程文献中心 更多>>

关键词： 可解释性   视觉属性   多模态融合   决策树   图像分类  

摘要： 基于深度神经网络的分类方法因缺乏可解释性,导致在金融、医疗、法律等关键领域难以获得完全信任,极大限制了其应用.现有多数研究主要关注单模态数据的可解释性,多模态数据的可解释性方面仍存在挑战.为解决这一问题,提出一种基于视觉属性的多模态可解释图像分类方法,该方法将可见光和深度图等不同视觉模态提取的属性融入模型的训练过程,不仅能通过视觉属性和决策树对已有的神经网络黑盒模型进行解释,而且能在训练过程中进一步提升模型解释信息的能力.引入可解释性通常会造成模型精度的降低,该方法在保持模型具有良好可解释性的同时,仍具有较高的分类精度,在NYUDv2、SUN RGB-D和RGB-NIR三个数据集上,相比于单模态可解释方法,该模型准确率明显提升,并达到与多模态不可解释模型相媲美的性能.

关键词： 失眠   睡眠时间   骨关节炎   孟德尔随机化   因果关联  

摘要： 背景:近年来,流行病学研究显示睡眠特征是骨关节炎的危险因素,但睡眠特征与骨关节炎之间是否存在因果关联仍未知。目的:探讨7种睡眠表型与骨关节炎的因果关系,以期为临床防治提供理论依据。方法:从已发表的全基因组关联研究中选择了7个与睡眠相关的特征:睡眠持续时间、早上起床、白天小睡、早起/晚起类型、打鼾、失眠和嗜睡症,提取这些睡眠相关特征的工具变量。膝骨关节炎和髋骨关节炎的工具变量来自公开全基因组关联研究。通过双样本和多变量孟德尔随机化分析,以评估睡眠特征与结局风险的因果关系。采用逆方差加权法作为主要孟德尔随机化分析方法,采用加权中位数、加权模式、孟德尔随机化-Egger回归、孟德尔随机化多效性残差和异常值等方法检测和校正多效性的存在。结果与结论:①两样本孟德尔随机化的逆方差加权法结果显示,睡眠时间与膝骨关节炎发病风险呈负向因果关联(OR=0.621,95%CI:0.470-0.822,P=0.001),失眠与髋骨关节炎发病风险呈正向因果关联(OR=2.016,95%CI:1.249-3.254,P=0.005)。敏感性分析结果表明因果关系稳健,孟德尔随机化-Egger截距分析未检测到潜在的水平多效性(膝骨关节炎:P=0.468,髋骨关节炎:P=0.551)。②多变量孟德尔随机化结果显示,失眠与髋骨关节炎的因果关联没有统计学意义(P=0.715),睡眠时间对膝骨关节炎发病风险有直接的负向因果关联(OR=0.526,95%CI:0.336-0.824,P=0.005)。反向孟德尔随机化结果显示,膝骨关节炎不是睡眠时间的影响因素(P=0.757)。③睡眠时间与膝骨关节炎发病风险呈负相关,纠正短睡眠时间可能减轻膝骨关节炎发病风险。

关键词： 不确定机动目标跟踪   概率假设密度滤波器   交互多模型   平移和旋转   纯方位跟踪  

摘要： 现有的多模型-高斯混合-概率假设密度(MM-GM-PHD)滤波器被广泛用于不确定机动目标跟踪，但它不能在不同模型下保持并行的估计，导致各模型的似然值滞后于目标机动。为此，该文提出一种联合多高斯混合概率假设密度(JMGM-PHD)滤波器，并将其用于纯方位多目标跟踪。首先，推导了JMGM模型，其中每个单目标状态估计由一组并行的、带模型概率的高斯函数描述，该状态估计的概率由一个非负的权重来表征。一组权值、模型概率、均值和协方差被统称为JMGM分量。根据贝叶斯规则，推导了JMGM分量的更新方法。然后，利用JMGM模型近似多目标PHD。根据交互式多模型(IMM)规则，推导出JMGM分量的交互、预测和估计方法。将所提JMGM-PHD滤波器应用于纯方位跟踪(BOT)时，针对同时执行平移和旋转的观测站，基于复合函数求导规则推导出一种计算线性化观测矩阵的方法。所提JMGM-PHD滤波器保持了单模型PHD滤波器的形式，但能够自适应地跟踪不确定机动目标。仿真结果表明，JMGM-PHD滤波器克服了似然值滞后于目标机动的问题，在跟踪精度和计算成本方面均优于MM-GM-PHD滤波器。

关键词： 多感官加工   食物选择   食物环境   食物消费   健康干预  

摘要： 环境中的视觉、听觉、嗅觉等单感官通道的线索对人们的饮食决策有着不同的影响,而这些线索主要通过影响个体对于食物的感知,影响个体的情绪反应,或基于线索和食物之间的图式一致性来发挥作用。当环境中的感官线索来自多个通道时,人们会对这些线索进行多感官加工,进而做出饮食决策。个体的特质及动机、饮食决策的范式及情景、社会文化环境都有可能发挥作用从而调控感官线索对饮食决策的影响。未来研究可以借助虚拟现实、机器学习等技术,对环境感官线索影响饮食决策背后的机制进行更深入的研究,并且基于已有的理论框架制定有效的健康干预策略。

关键词： 原型网络   小样本学习   对称卷积块网络   原型校准   反欧氏距离  

摘要： 针对基于原型网络的小样本学习模型泛化能力不足以及由少量样本得到的类原型不准确等问题,提出一种新的小样本学习方法。首先采用一个由双向卷积块注意力模块和残差块构成的对称网络SCB-Net对图像不同深度的特征进行自适应学习,从而提取到更具代表性的类别特征表示,以有效提高模型的泛化能力;其次提出了一种反欧氏标签传播原型校准算法IELP-PC,利用伪标签策略扩充支持集样本;最后在支持集样本上采用反欧氏距离加权对类原型进行校准,进而提高模型的分类精度。在两个常用数据集mini-ImageNet和tiered-ImageNet上进行了实验,结果验证了所提方法的有效性,与基线模型相比,其在5-way 1-shot上分别提高了6.44%和7.83%,在5-way 5-shot上分别提高了2.68%和2.02%。

关键词： 统计与概率   概率评估   数据分析   数据意识   最优化   新闻解读   教学效率   运用范围  

摘要： 在日常生活中,数据分析和概率评估的运用范围十分广泛,它们不仅出现在天气预报、购物决策和新闻解读等常见情境中,还渗透到了生活的方方面面。教学生理解和运用这些概念不仅有助于提升他们的数学能力,更重要的是帮助学生建立起一种数据意识,使学生能够更加深入和全面地理解和分析周围的世界。因此,教师要将抽象的统计与概率和实际生活相结合进行教学,以实现教学效率和教学质量的最优化,具体可以从以下方面做起。

关键词： 高速铁路   CTC系统   试验方案   对比分析   微机联锁试验  

摘要： CTC系统是高速铁路调度指挥的中枢,具有规模庞大及功能复杂等特点。因此,为其制定一套严谨且系统的开通试验方案至关重要。文章对比分析了CTC系统试验与微机联锁试验在步骤、内容、方法及原则上的差异,深入剖析了高速铁路CTC系统试验方案的6大要素。此外,文章结合具体案例进一步探讨了如何设计出更具实操性的试验表格,旨在为现场各级技术管理人员提供详尽、有益的参考。

关键词： 突发公共卫生事件   护士   志愿者服务  

摘要： 目的了解突发公共卫生事件背景下公立医院护士参与志愿者服务现状,并分析其影响因素。方法自制问卷调查浙江省10所公立医院的355名护士志愿者服务参与现状及其影响因素。结果62.5%的护士参与过志愿者服务,参与项目前3位分别为健康教育宣讲、门诊咨询及居住社区防疫,其中45.5%的护士认为突发公共卫生事件在一定程度上阻碍其参与志愿者服务,33.8%的认为促进了其参与志愿者服务,20.7%的认为没有影响;多因素分析显示是否为共产党员、职称、家人支持态度、科室领导支持态度是护士参与志愿者服务的影响因素。结论突发公共卫生事件背景下公立医院护士志愿者服务参与度处于中等水平,建议通过思想政治教育增强护士的志愿服务意识,通过制订激励措施及提高家庭和社会支持水平促进护士积极参与志愿者服务。

关键词： 类风湿性关节炎   间质性肺病   预测模型  

摘要： 目的通过回顾性方法,基于LASSO-Logistic回归建立类风湿性关节炎(rheumatoid arthritis,RA)相关间质性肺病(interstitial lung disease,ILD)的预测模型。方法纳入2021年1月-2023年1月于山西省人民医院诊断为RA的患者为研究对象,根据是否合并间质性肺病将其分为单纯RA组(n=136)和RA-ILD组(n=117)。先采用单因素分析及LASSO回归进行变量筛选,将筛选的变量作为自变量进行多因素Logistic回归。采用R3.5.3软件的“rms”包开发基于Logistic回归模型的静态风险计算器,通过列线图的形式进行风险预测。通过绘制ROC曲线评估模型的预测效能,绘制Calibration曲线显示校准度,绘制DCA曲线以评估临床适用性。结果LASSO-Logistic回归模型筛选出年龄、病程、气短、癌胚抗原(Carcinoembryonic Antigen,CEA)、糖类抗原199(Carbohydrate Antigen 199,CA199)、糖类抗原153(Carbohydrate Antigen 153,CA153)、抗环瓜氨酸肽抗体(CCP)定量是RA-ILD的最佳诊断因素,以此构建无创模型。ROC曲线显示,模型预测曲线下面积为0.941(95%CI:0.914~0.967),表明疾病区分度较好;Calibration曲线显示预测概率与实际发生概率具有较好的一致性;DCA曲线提示当概率阈值为1%~97%范围内使用预测模型具有较好的临床适用性。结论基于Lasso-Logistic回归分析构建的类风湿性关节炎相关间质性肺病的临床预测模型具有较高的预测价值,可用于预测RA-ILD的发生。

关键词： 会计信息透明度   金融机构   投资决策影响   管理策略  

摘要： 本文深入探讨了会计信息透明度对金融机构投资决策的影响及其管理策略。明确研究背景、意义及目的,指出在复杂多变的金融市场中,会计信息透明度作为连接投资者与被投资企业的桥梁,其重要性日益凸显。与此同时分析会计信息透明度对金融机构投资决策的双重影响。其中包括正面影响、负面影响。正面影响则会使得会计信息的高透明度有助于金融机构更准确地评估投资风险,降低不确定性,从而提高投资组合的效率和整体收益。然而,也存在负面影响,例如:虚假或误导性信息可能导致金融机构决策失误,而信息过度透明则可能引发竞争劣势和商业机密的泄露,对金融机构的长期发展构成威胁。针对会计信息透明度存在的问题与挑战,本文提出了多方面的管理策略。基于此,总结了研究成果,并对未来研究方向进行了展望。指出随着金融市场的不断发展和技术的持续进步,会计信息透明度将在金融机构投资决策中发挥更加重要的作用。未来研究应进一步关注如何在保护商业机密与促进信息透明之间找到平衡点,以及如何利用新技术手段提高信息披露的效率和准确性,为金融机构提供更加科学、合理的投资决策支持。