6篇关于新型冠状病毒的计算机毕业论文

今天分享的是关于新型冠状病毒的6篇计算机毕业论文范文, 如果你的论文涉及到新型冠状病毒等主题,本文能够帮助到你

靶向新型冠状病毒复制和细胞侵入相关靶点抑制剂的筛选及设计

这是一篇关于新型冠状病毒,复制,细胞侵入,虚拟筛选,分子动力学模拟的论文, 主要内容为严重急性呼吸系统综合征冠状病毒2(SARS-CoV-2)引起了人类致命性新冠肺炎(COVID-19),对全球公共卫生构成了严重威胁。新冠肺炎是一种新型病毒性疾病,目前市面针对此类疾病的药物较少,因此迫切需要开发有效的抗SARS-CoV-2药物。新冠病毒小分子抑制剂的开发是国际性前沿领域,针对关键和高度保守的靶标蛋白开发抑制剂至关重要。病毒和宿主蛋白酶(即NSP10、TMPRSS2和CTSB)对SARS-CoV-2在宿主细胞中的复制和感染过程中起着重要作用。目前的研究证实SARS-CoV-2 NSP10是病毒复制过程中所必需的,此外同时阻断TMPRSS2和CTSB活性可能会协同有效地对抗SARS-CoV-2侵入。本论文通过分子对接和计算机分子动力学等方法对化合物进行筛选和设计,期望获得相关靶点的先导化合物,对SARS-CoV-2复制和细胞侵入相关靶点筛选并设计有效且安全的潜在抑制剂提供有用的基础。本文主要研究内容如下:1.通过鉴定NSP10的结合位点对ZINC天然化合物库进行虚拟筛选,然后进行结合能计算,挑选了结合能优于-80.00 kcal/mol的11种化合物并评估ADMET性质。基于对接评分、结合自由能和ADMET特性,得到了4种有代表性的先导化合物。对其结合模式进行分析,之后通过100 ns MD模拟验证复合物的结合稳定性良好。这些候选化合物具有开发成为靶向SARS-CoV-2 NSP10抑制剂的潜力。2.通过受体-配体复合物进行建立并评估了TMPRSS2药效团模型。使用生成的药效团模型对SPECS化合物库进行药效团筛选。以原配体为参照标准进行分子对接,获得与关键残基作用的4个先导化合物。然后进行ADMET预测,均表现良好的安全性和成药性。之后分析了化合物TM1与TMPRSS2的结合模式,对化合物TM1进行结构修饰获得了综合表现优秀的化合物TM2。接下来MD模拟和结合能计算来验证化合物TM1和TM2的稳定结合。这些候选化合物有望成为抑制病毒膜融合进入的TMPRSS2抑制剂。3.利用受体-配体复合物分别构建TMPRSS2和CTSB药效团模型,并对模型通过诱饵集进行验证。使用双靶点药效团对分子库进行筛选,然后分子对接进行二次筛选,选择了结合模式中表现最好的6个化合物。继续进行ADMET评估获得了5个候选化合物。之后表现最优的化合物L1与两个靶标进行了结合能计算和MD模拟。最后,对苯氧基丙醇胺类衍生物进行合成产物。已鉴定的TMPRSS2/CTSB的候选化合物可能成为对抗SARS-CoV-2侵入的双靶点抑制剂。

基于深度学习的人脸佩戴口罩检测算法研究

这是一篇关于新型冠状病毒,深度学习,人脸佩戴口罩检测,特征提取,特征融合的论文, 主要内容为自新型冠状病毒疫情爆发以来,全球各国家、地区经济社会屡次遭受打击,严重阻碍人类社会健康稳定发展的步伐。目前,坚持科学防疫,规范佩戴口罩是防控疫情最有效的措施之一。以人工监督规范佩戴口罩的策略易造成交叉感染、病毒蔓延、漏检和误检等情况。通过目标检测技术实现无接触、全天候、实时性和自动化检测人脸规范佩戴口罩任务,不仅可有效缓解疫情常态化,同时对坚持科学预防措施提供有效助力。针对实际应用场景下人脸佩戴口罩检测任务,本文研究了基于深度学习的人脸佩戴口罩检测算法,其主要研究内容如下所示:1.基于现实应用环境,本文构建了人脸佩戴口罩数据集。其包含10855张图像,并按照一定比例划分为训练集、验证集和测试集。其中,本文将检测类别分别划分为:face、face＿mask和WMI三种;2.针对目标特征提取不充分、模型复杂等问题,本文在主干特征提取网络中引入ECSP-Net1-X网络模块。该结构将梯度流分割到不同网络路径中进行残差学习,在减少网络参数量的同时提高模型对非线性特征的提取能力;3.在颈部网络中,特征复用将降低模型对多尺度特征信息的融合效率。针对此问题,本文引入ECSP-Net2-X网络模块分割梯度流,减少模型对特征信息进行重复运算,从而加快浅层特征与深层特征进行多尺度特征融合;4.针对网络融合过多无效特征信息将影响模型定位精度等问题。本文提出FFS-NFPN策略为特征信息添加可学习权重参数,使得模型更加关注有效特征,并通过跨连接边操作为颈部网络传输含有丰富定位信息的浅层特征;实验结果表明,本文算法的mAP@.5和mAP@.5:.95分别达到了98.2%和88.4%,并且帧率高达97.08FPS,说明本文提出的三种策略对人脸佩戴口罩检测任务均具有一定合理性与有效性。

基于卷积神经网络的新型冠状病毒感染检测方法研究

这是一篇关于深度学习,新型冠状病毒,特征融合,卷积神经网络,联邦学习的论文, 主要内容为新型冠状病毒感染(又名新冠肺炎,COVID-19)的快速传播成为了目前最引人注目的社会事件。大面积、长时期的集体核酸检测给医疗体系造成了极大的负担,极其消耗资源。另外,集中的核酸检测存在群聚感染的风险,且检测周期较长。因此,建立全自动的新型冠状病毒感染检测系统是必要的。临床研究发现,新型冠状病毒感染患者的肺部CT影像中往往会出现毛玻璃状阴影(Ground Glass Opacity,GGO)和肺结节(Consolidation,CL)。基于此,研究人员对基于肺部影像的新型冠状病毒感染检测方法进行了广泛的研究。本文从新型冠状病毒感染患者肺部CT的特征提取、特征融合和辅助诊断系统的快速开发方式等多个角度进行了研究,并提出了一个可以在短期内快速开发落地应用的新型冠状病毒感染检测系统。本文的主要研究内容包括:(1)为了克服缺乏像素级分割数据的问题,本文没有使用额外的分割网络提取病灶部位,而是通过在卷积神经网络中加入轻量级注意力机制的方式,保证了网络规模没有增加过多额外负担的情况下,实现了对病灶部位的精准定位。另外,通过构建编码器-解码器结构的特征提取网络,实现了多尺度的特征信息融合,有效提升了网络性能。本文根据连续的肺部CT图像间的相关性,提出了一种患者级诊断方式,缓解了卷积神经网络“过度敏感”的问题。(2)本文提出了一种基于联邦学习的策略来实现多个医疗机构对新型冠状病毒感染的联合建模,并在实验中获得了成功。使用这种方式可以大大减少收集数据所需要的时间,并且有利于构建一个“数据共享联盟”,以此打破“数据孤岛”的困境,并且不会导致患者隐私的泄露。(3)本文设计实现了一个基于Web的新型冠状病毒感染辅助诊断原型系统。深度神经网络模型使用Pytorch框架实现,系统后端使用了Spring Boot搭建,系统前端页面使用了Vue2.0框架搭建,并使用了My SQL数据库储存信息。该系统实现了用户登录、患者基本信息录入、肺部CT影像上传及新型冠状病毒感染辅助诊断、患者病例查询和人员管理等基本功能。本文提出的方法在COVID-Ctset数据集上进行了验证,其实验结果表明本文提出的方法相较于先前的方法性能有一定的提升,并且具有一定的实践价值。

城市尺度下COVID-19传播关系分析与可视化平台研发

这是一篇关于新型冠状病毒,传播关系,数据提取,知识图谱,WebGIS的论文, 主要内容为自新型冠状病毒肺炎(Corona Virus Disease 2019,COVID-19)爆发以来,在各国家及地区持续传播,这对重大公共卫生事件带来了极大的挑战,尤其是在疫情传播过程中涉及个人、地理时空等因素,包括病患人员轨迹、医疗资源和时序病例信息等多种来源不同数据类型的数据。由于疫情数据量庞大、自动化提取程度较低,使得疫情传播关系分析成为难点。本文聚焦于传播关系识别中地理空间和病例人群传播关系的角度,分别构建了多源COVID-19数据提取与分析模型、病患时空信息知识图谱、疫情传播关系分析可视化平台,主要研究成果及内容如下:(1)多源COVID-19数据提取与分析。针对新型冠状病毒肺炎(COVID-19)传播过程中产生的多源数据,存在关键信息提取效率低、数据关联性差等问题,提出一种多源COVID-19数据提取与分析方法。以扬州市、石家庄市、重庆市疫情传播数据为例,利用基于对抗的BERT-Bi LSTM-CRF模型抽取病患复杂活动轨迹,进而结合Cox比例风险模型完成城市尺度的COVID-19的风险指数构建。结果表明BERT-Bi LSTM-CRF模型加入对抗扰动算法后模型准确率提升0.62%;通过皮尔逊相关系数和Cox比例风险模型分析发现:59岁以上人口数量、人口流动数、总人口数量、医疗机构数对城市疫情的传播存在显著相关性,疫情风险指数较高的区域均呈现人口流动较大、人口较为密集等特点。(2)病患时空信息知识图谱构建。为解决无法准确定位疫情传播路径的问题,提出了一种构建病患时空信息知识图谱的方法。在解析COVID-19病例数据基础上,定义知识图谱的本体,在定义本体的过程中,采用自顶向下的构建方式。以流行病调查数据为基础,对病例数据进行解析、实体识别和数据存储,完成了数据层的构。通过知识图谱传播关系分析框架进行实验验证,结果表明,通过COVID-19病患时空信息知识图谱对Jaccard相似度分析、Overlap相似度分析和关联关系分析等层面进行验证,该方法较为有效,且具有一定可行性。(3)基于WebGIS疫情传播关系分析可视化平台。针对疫情传播态势分析速度慢、疫情应急资源调配效率低等问题,研发了一套疫情传播关系分析可视化平台。通过关系数据库My SQL、图数据库Neo4j、地理数据库SDE,利用WebGIS、B/S架构,从地理空间和病例人群传播关系的角度出发,依据疫情传播过程产生的多源数据、多源COVID-19数据提取与分析和病患时空信息知识图谱构建的结果,构建了疫情数据时空可视化、病例传播风险地区重点预警、病例传播溯源、疫情决策支持四个模块。结果可为疫情防控部门提供决策参考。

COVID-19知识图谱构建及智能问答方法研究

这是一篇关于新型冠状病毒,知识图谱,问答系统,命名实体识别的论文, 主要内容为知识图谱是一种结构化的语义知识库,它通过图数据库的方式直观、清晰地表达知识之间的关联,能够使知识具有更好的共享性和可重用性,因此在大数据挖掘领域的应用较为常见,是一种高效率的大数据管理工具。基于知识图谱的问答系统(Knowledge Graph Question Answering System,KGQA)能够自动从知识图谱集合中提取属性值或者实体生成答案。知识图谱问答系统相对于传统搜索引擎技术而言,无需手动对文档进行筛查,基于高质量的知识图谱提供搜索结果,因此无论是在准确度方面还是在稳定性方面,都有着更为理想的性能表现。新型冠状病毒(Corona Virus Disease 2019,COVID-19)的传播对全球的公共卫生安全构成了严重威胁。为满足人们对新型冠状病毒防控的信息需求,针对新型冠状病毒信息碎片化、知识利用率低的问题,本文首先构建了COVID-19知识图谱并且提出了一种知识图谱问答方法并开发了一个新型冠状病毒知识图谱问答系统,以帮助用户更好地掌握新型冠状病毒领域相关知识。主要研究内容为:(1)自动构建COVID-19知识图谱。以自底而上的构建技术为依托,首先利用Scrapy爬虫技术从医疗网站爬取新型冠状病毒相关知识,然后用IDCNN模型进行关系抽取;接着使用了一种在关系数据库中自动构建知识图谱的方法,该方法通过数据库表标识方法来标识数据库类型,根据数据库类型,通过关系模式转换方法自动生成Owl文件格式的本体,通过R2RML数据映射技术生成RDF文件,并在将RDF文件导入Neo4j后成功生成知识图谱;最后将知识图谱存储到Neo4j图数据库中,以图形结构的形式实现层次互联和语义处理能力,直观地展示知识的系统性和关联性。(2)基于所构建的COVID-19知识图谱,给出了一种知识图谱问答方法,实现了对COVID-19知识图谱的检索和利用。首先构建ALBERT-Bi LSTM-CRF模型对自然语言问句进行命名实体识别,然后使用一种结合朴素贝叶斯分类器和编辑距离计算的实体链接算法在知识图谱中生成问题候选三元组作为答案结果。将ALBERT-Bi LSTM-CRF命名实体识别模型和其他主流模型进行对比实验,实验结果表明,命名实体识别的准确率、召回率以及F1值得到较大提升。(3)设计并实现COVID-19知识图谱智能问答系统。该系统经过了详细的需求分析和架构设计,采用前后端分离设计,其中前端使用Vue+Bootstrap构建,后端使用Python封装了数据库查询、问答系统的检索以及知识库的构建等接口。系统包含用户管理、知识图谱问答和后台管理员管理三大模块,能够实现用户个人信息管理、语音输入、可视化问答、系统反馈等基本功能。