基于BERT模型的医疗知识智能问答系统的研究与开发
这是一篇关于人工智能,自然语言处理,问答系统,BERT的论文, 主要内容为在人工智能技术飞速发展的时代背景下,我国作为全世界人口最多的国家,医疗产业发展潜力巨大,近年来我国一直大力倡导医疗智能化、现代化,促进医疗服务与人工智能进行更多的结合与实践,而新冠肺炎的出现更加深了人们对医疗知识的渴望。得益于互联网的高速发展,越来越多的人开始在互联网上寻找疾病预防、疾病治疗等相关医疗知识。然而,人们很难从通过搜索引擎获得的信息中筛选出问题的答案甚至可能得到错误的答案。在此背景下,本文将问答系统与医疗知识相结合,开发出一个基于BERT模型的医疗知识智能问答系统,帮助人们解决获取医疗知识困难的问题。本文将使用软件工程领域的结构化开发方法,进行系统的分析、设计与实现。问答子系统的知识库使用爬虫加开源数据集的方式,保证知识库的“质”与“量”,同时为方便操作使用知识图谱三元组的形式存储。问答模型的核心是基于谷歌开源的BERT模型构建的一个计算语义相似度的模型,其F1值达到了0.959。系统开发遵循MVC设计模式,前端页面设计在墨刀软件上进行,之后使用HTML5+CSS进行前端的搭建;使用MySQL数据库存储系统数据和知识库;使用Django框架搭建后端服务,完成相应功能模块的交互,最终实现了一个融合人工智能先进研究成果的医疗知识智能问答系统。
基于深度学习的陶封芯片空洞缺陷检测方法研究
这是一篇关于人工智能,陶封芯片,X射线检测,空洞缺陷,PaddlePaddle的论文, 主要内容为陶瓷气密封装因其具有优良的电热性能和耐湿性能,被广泛应用于高可靠性集成电路上。在芯片封装流程中,主要使用AuSn20焊料完成芯片与引线框架的连接。其中,焊料环厚度设计过窄容易导致焊料无法完全填充密封区,造成密封空洞,空洞缺陷很大程度上影响着电子封装器件的可靠性。因此,高可靠性器件对空洞缺陷的检测要求尤为严格。本文围绕陶瓷封装芯片空洞缺陷智能检测课题,对其理论及关键技术展开深入研究。针对当前人工检测缺陷成本高、效率低等问题,提出一种基于数字图像处理和人工智能技术相结合的算法,实现芯片空洞缺陷的智能检测。首先,采集集成电路制造产线中陶封芯片的X射线图像,利用基于OpenCV的图像预处理算法对图像进行降噪、直方图均衡化和倾斜校正处理。接着,将基于深度学习的语义分割算法应用于芯片空洞缺陷检测,采用飞桨PaddlePaddle深度学习框架构建网络模型。为了提高模型的分割效果,对U-NeT网络进行如下改进:(1)在每个卷积核上加入BN(Batch Normalization)层;(2)在网络下采样过程中加入残差块结构。利用训练好的网络模型可实现图像分割,但由于单独的语义分割算法无法满足芯片空洞缺陷的检测,故需结合图像处理算法,对分割结果图进行二次判断,进而检测出不符合检测标准的空洞缺陷。然而,以上该语义分割算法实现缺陷检测需进行二次处理,硬件资源占用量大、检测时间长。因此,为提高缺陷检测的精度和计算效率,本文将基于深度学习的目标检测算法应用于该领域。为提高模型的检测效果,在Faster R-CNN网络中引入了FPN(Feature Pyramid Networks)和ROI Align结构,利用训练好的模型直接得到含有置信度大小的结果图。最后,开发了一款基于PyQt的陶封芯片X射线空洞率检测上位机软件,提高了产线空洞缺陷检测效率。实验表明,U-Net模型在加入BN层后ACC(Accuracy)提升了3%,MIoU(Mean Intersection over Union)提升了2.7%。在此基础上加入5个残差块的分割模型效果最好,ACC提升了8.2%,MIoU提升了6%,证明BN层可有效提高模型的健壮性,加入一定的残差结构能有效提高网络的分割性能。对分割后的结果图进行二次判断处理,检测出的空洞缺陷准确率为88.7%,速度为0.84FPS(Frames Per Second)。而优化后的Faster R-CNN模型,mAP(mean Average Precision)提升了6.7%,检测速度为1.35FPS,检测出的空洞缺陷准确率达到90.3%。对比这两种空洞缺陷检测算法,后者的准确率比前者高1.6%,且FPS高0.51。因此最终选用基于目标检测的优化后的Faster RCNN算法作为实际应用算法,该算法能够正确检测绝大部分空洞缺陷,证明开发的系统具有一定的应用价值。
基于Cocos2d-JS引擎的手机网页游戏设计与实现
这是一篇关于Cocos2d-JS引擎,手机网页游戏,HTML5,人工智能的论文, 主要内容为游戏引擎是开发一款游戏项目的核心,选择一款合适的游戏引擎能有效缩短开发周期,提高开发效率。Cocos2d-JS引擎是一款跨全平台的游戏引擎,有丰富的功能,成熟可靠的原生性能,清晰的架构,而且使用简单,容易上手,在开发手机网页游戏项目上具有明显的优势。因此选用这款游戏引擎来开发游戏项目。本游戏项目基于跨全平台的游戏引擎Cocos2d-JS,设计并实现了一款以《大富翁》游戏为蓝本的寓教于乐的手机网页游戏。本论文的主要研究内容如下:将人工智能技术应用到了游戏设计中。人工智能技术在游戏中的应用非常广泛,本游戏项目应用作弊与有限状态机两种技术构建人工智能系统,赋予了NPC较为智能的行为,提高了游戏的趣味性。基于Cocos2d-JS引擎技术实现游戏项目。游戏引擎是整个游戏项目的重点,使用Cocos2d-JS引擎开发,使游戏项目拥有稳定的性能,丰富的功能,能在Android、iOS、Windows等多种平台运行。游戏项目的优化。游戏项目的优化主要体现在游戏资源的处理上。对于占用内存大、使用频繁的资源,采取预加载的方式;对于占用内存小、使用频率低的资源,采取边载入场景边加载的方式。这样能减少游戏加载时画面卡顿的情况,提高游戏运行流畅度。另外使用Texture Packer工具打包游戏资源,能大大减少内存空间损耗,提高渲染速度。本论文的创新之处如下:使用HTML5引擎Cocos2d-JS,实现了将PC端游移植到手机网页上,无需下载安装应用,点击网址即可开始游戏;后台采用Spring MVC、MyBatis集成框架,能有效管理游戏数据;在游戏玩法上,增添了答题模块,使游戏更具有教学意义。
左心室肥厚心电图智能诊断模型的构建与优化
这是一篇关于左心室肥厚,心电图,人工智能,智能诊断,深度学习的论文, 主要内容为背景:左心室肥厚是多种心血管疾病的共同发病基础,及早识别左心室肥厚具有重要临床意义。诊断左心室肥厚的常用方法包括心脏核磁共振检查和超声心动图检查。但这两种检查对检查设备和操作技术要求高,不适合用于亚临床症状者的大规模筛查。心电图检查也常用于诊断左心室肥厚,普及性高,操作简单,但该方法灵敏度低,同时判读难度较大,一般仅用于辅助诊断。近年来,研究者将人工智能技术应用到心电图检查中,开发出了具有良好性能的智能诊断模型,能够快速准确判读出常见疾病的心电图改变。一些研究也尝试使用这些相关技术来提升心电图对左心室肥厚的诊断能力,取得了初步进展,但总体效果不够理想。目的:本研究旨在提升心电图智能诊断模型对左心室肥厚的识别能力,构建一个能够达到临床应用性能的左心室肥厚心电图智能诊断模型。方法:本研究回顾性收集了2021年1月1日至2022年6月30日在河南大学第一附属医院行静息卧位心电图检查且行超声心动图检查的住院患者相关信息。首先,使用PTB-XL公开数据库构建基于残差神经网络的心电图预训练模型(ECG-Res Net),并与多个模型进行对比,选择最优性能模型,以区分正常和异常心电信号。随后,使用迁移学习,基于自建数据集构建左心室肥厚心电图智能诊断模型,评估心电图在左心室肥厚中的诊断能力。最后,使用单因素和多因素Logistic回归评价患者临床资料与左心室肥厚的相关性,并通过专业知识进行特征筛选,将筛选后的临床特征和心电图评分(ECGscore)相结合,构建联合模型,进一步提升模型诊断性能。结果:本研究共收集到心电图12800份,超声心动图检查结果21434份,同时匹配到心电图和超声心动图的患者有4894名,最终共纳入1015名患者相关数据,超声心动图诊断为左心室肥厚203例,非左心室肥厚812例。首先,使用ECG-Res Net模型对PTB-XL数据集进行了预训练,并对比了该模型与支持向量机、随机森林、人工神经网络和Alex Net神经网络的诊断性能,预训练心电图智能诊断模型性能评估结果显示,ECG-Res Net模型对异常心电图的识别能力最强,灵敏度、特异度、准确率和F1评分分别为0.92、0.90、0.91和0.91,AUC可达0.97。随后,使用迁移后的ECG-Res Net模型对经超声心动图精准标记的左心室肥厚心电图进行训练,发现模型在测试集上的灵敏度、特异度、准确率和F1评分分别为0.83、0.96、0.89和0.93,AUC为0.92。接着,综合单因素Logistic回归分析、多因素Logistic回归分析以及专业知识,筛选出年龄、性别、BMI、心率、血脂异常、高血压史、糖尿病史和慢性肾病史8个临床特征。基于特征筛选结果构建了三组联合模型,第一组联合模型纳入的特征(Feature1)为ECGscore和患者基本资料(年龄、性别、BMI、心率),第二组联合模型纳入的特征(Feature2)为ECGscore和患者病史资料(血脂异常、高血压史、糖尿病史、慢性肾病史),第三组联合模型纳入的特征(Feature3)为ECGscore、患者基本资料和患者病史资料,并对比了Logistic回归、梯度提升决策树、随机森林、极限树和XGBoost五种机器学习算法性能。综合三组联合模型结果发现,XGBoost算法性能最佳,ECGscore与患者临床数据结合后,诊断性能明显提升,并且联合模型中仅加入年龄、性别、BMI、心率等患者基本资料就能使模型达到最优性能,基于Feature1的XGBoost算法灵敏度、特异度、准确率、F1评分和AUC分别达到0.98、0.98、0.98、0.97和0.99。最后,通过特征贡献度分析发现,ECGscore对模型的预测结果影响最大,SHAP值为4.91,并且随着ECGscore的值增大,会增加样本预测为左心室肥厚的概率。结论:我们开发了一种基于残差神经网络识别左心室肥厚的心电图智能诊断方法。心电图结果联合特征可进一步提高模型诊断性能,性能已达到临床应用要求。
“访谈宝”智能移动端工具产品设计
这是一篇关于访谈,人工智能,用户研究,交互设计的论文, 主要内容为“以用户为中心”的设计方法在20世纪90年代开始被广泛应用于产品设计中,用户研究是以用户为中心的设计流程中的第一步,而访谈法是最为有效的深入理解用户、洞察用户需求的方法之一。但进行一次完整专业的访谈不仅需要投入较大的人力和时间,在访谈过后还需要研究人员对访谈时的录音原话进行深入分析和归纳整理,这种复杂且成本高昂的研究方法已经逐步跟不上社会的快节奏发展。本文研究将人工智能技术引入用户研究领域,改变传统访谈仅依靠人力完成,耗费大量时间及精力的现状,提升用户研究效率。研究基于语音识别与自然语言处理技术,设计一款智能移动端工具应用,实现访谈录音自动转译为文本,并对文本分析生成用户研究报告的全流程。用户研究员使用该应用即可在访谈录音后一键获取用户研究报告,节省时间。研究首先对人工智能技术和用户研究领域工具应用进行桌面调研,了解到人工智能技术已经普遍应用于金融、电商、生活服务等领域,可以实现研究所需功能,而在用户研究领域市场上暂无一款应用针对用户研究员的访谈全流程,解决其中痛点。接着对有相似功能的产品进行竞品分析,对目标用户进行用户研究。通过以上调研结果,结合人工智能技术设计一款智能工具应用,旨在帮助需要进行访谈的人士高效整理访谈时的录音材料,一键生成访谈报告,提升用户研究员的工作效率。在明确产品定位后进行“访谈宝”的产品设计,对业务流程、信息架构、系统功能、交互界面进行了详细的设计工作。在应用设计开发后进行了可用性测试,并根据测试结果修改完善。“访谈宝”通过人工智能技术,使用户研究员可以更高效地完成访谈到获取用户研究报告的全过程,具有一定的实用价值,并为人工智能在用户研究领域的发展拓展了方向。
面向垂直领域的知识图谱设计与构建
这是一篇关于人工智能,知识图谱,知识抽取,命名实体识别,BERT的论文, 主要内容为与传统基于关系型数据库的信息管理方式相比,基于图数据库的知识图谱可以方便高效地找出知识间必要的关联关系,为人工智能领域应用中知识的高效利用提供基础。垂直领域知识图谱相对于开放领域知识图谱,有着知识总量相对较少,实体内容相对丰富等特点,但是在垂直领域知识图谱的构建中,针对传统的基于神经网络模型的中文命名实体识别和中文实体关系提取算法,存在词向量表示单一,不能适应中文信息提取环节中中文词语多义性特征的问题,本文提出基于BiLSTM-CRF模型和BiGRU-Attention模型,使用BERT预训练语言模型对现有的垂直领域知识图谱构建中知识抽取技术进行改进。使用BERT预训练语言模型与BiLSTM-CRF模型和BiGRU-Attention模型进行融合,构建了 BERT-BiLSTM-CRF的中文命名实体识别模型和BERT-BiGRU-Attention的中文关系抽取模型。其中BERT模型通过联合调节各层的上下文含义,以双向Trans-former作为编码器,能够动态地产生并丰富字符的语义向量,解决了传统词向量表示法不能够表示语句特征而导致的模型准确度不高的问题,实现了对知识图谱中知识抽取这一关键步骤技术的改进。最终实验结果表明,所构建的中文命名实体识别模型和中文关系抽取模型,其F1值分别为95.12%和82.79%,相较于其他模型分别提升了 7.56%和 8.19%。应用基于BERT-BiLSTM-CRF的中文命名实体识别算法和BERT-BiGRU-Attention的中文实体关系抽取算法,针对教育领域高考志愿推荐方向,根据垂直领域知识图谱整体构建流程,通过知识抽取、知识融合、知识存储、知识可视化等过程设计并完成该领域知识图谱的构建。基于所构建的垂直领域知识图谱,采用Java开发语言使用Spring Framwork框架并使用MySQL+Neo4j的混合数据库进行系统开发,设计并实现了针对高考志愿推荐的智能问答系统和推荐系统,完成了高考志愿推荐知识平台的搭建。平台支持对高校信息及招生信息的查询、志愿填报问题咨询以及志愿推荐等功能,对其他垂直领域知识图谱的构建及应用具有一定的参考价值。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：源码货栈 ，原文地址：https://m.bishedaima.com/lunwen/46018.html
