关键词： 颅内动脉瘤   破裂   LASSO回归分析   CT血管成像  

摘要： 目的 探讨机器学习方法(LASSO回归)构建基于CT血管成像(CTA)预测颅内动脉瘤破裂模型的价值研究。方法收集133例颅内动脉瘤患者的临床资料和CTA检查结果,根据是否破裂分为破裂组(103例)和未破裂组(30例)。对比两组患者临床资料和CTA检查参数差异;分别使用Logistic回归和LASSO回归筛选与动脉瘤破裂相关的危险因素,再构建预测模型。结果与未破裂组患者相比,破裂组患者糖尿病史例数、不规则瘤体形态例数以及合并子囊例数较多、入射角度较高。单因素Logistic回归显示糖尿病史、瘤体形态合并子囊数、入射角度与动脉瘤破裂相关,使用这4个指标构建的模型其对动脉瘤破裂的预测效能中等,AUC值为0.766。LASSO回归筛选出糖尿病史、瘤形态、数量、宽度、入射夹角和子囊数均与颅内动脉瘤破裂显著相关,构建的模型其预测效能较高,AUC值为0.902。结论糖尿病史、瘤体形态,合并子囊、入射角度与动脉瘤破裂相关,LASSO回归构建的预测模型能较好地预测颅内动脉瘤破裂的风险。

关键词： MRgFUS   Essential tremor   fALFF   Machine learning  

摘要： Magnetic resonance-guided focused ultrasound surgery(MRgFUS)thalamotomy is an emerging technique for medication-refractory essential tremor(ET),but with variable *** study used pattern regression analysis to identify brain signatures predictive of tremor ***-four ET patients(mean age=63.06 years,standard deviation(SD)=10.55 years,38 males)underwent unilateral MRg FUS thalamotomy and were scanned for resting-state functional magnetic resonance imaging(rsf MRI).Seventy-four healthy controls(mean age=58.09 years,SD=10.30 years,38 males)were recruited for *** responses at 12 months posttreatment were evaluated by the Clinical Rating Scale for *** fractional amplitude of low-frequency fluctuations(f ALFF)was calculated from rs-f MRI ***-sample t-test was used to generate a disease-specific mask,within which Multivariate Kernel Ridge Regression analyses were *** and actual clinical scores were compared using Pearson's correlation coefficient(r)and normalized mean squared error(***).Permutation test and leave-one-out strategy were applied for results *** identified f ALFF patterns that significantly predicted the hand tremor improvement(r=0.23,P=0.025;***=0.05,P=0.026)and the postural tremor improvement(r=0.28,P=0.025;***=0.06,P=0.023),but not action tremor *** VI of right cerebellum(Cerebelum_6_R),right superior occipital gyrus(Occipital_Sup_R)and lobule X of vermis(Vermis_10)contributed most for hand tremor prediction(normalized weights(NW):2.77%,2.40%,2.34%)while Vermis_10,left supplementary motor area(Supp_Motor_Area_L)and right hippocampus(Hippocampus_R)for postural tremor prediction(NW:2.69%,2.12%,2.05%).The low contributing NW of the individual brain regions suggested that the f ALFF pattern as a whole is an overall predicting *** f ALFF pattern predicts tremor benefits induced by MRg FUS *** *** number:NCT04570046.

关键词： 医疗健康   随机森林   机器学习   预测准确性   在线数据   数据集   预测与分析   患病率  

摘要： 随着全球人口老龄化和生活方式的改变,糖尿病的患病率正在不断上升,这对老年人尤其危险。Kaggle是一个在线数据科学社区,使数据科学家和机器学习工程师可以访问和使用来自不同领域的数据集,包括医疗健康等。通过从Kaggle获取的数据集,本文应用重要度方法获取糖尿病的关键特征排名,并采用多种机器学习模型对糖尿病患病概率进行预测,最终通过性能指标评估模型效果。本文研究发现随机森林和GBDT模型在糖尿病患病概率的预测准确性和稳定性方面表现突出。本文旨在提高糖尿病患病概率预测的准确性和效率,并通过本文所述方法,为糖尿病患者提供更早、更准确的诊断和治疗建议。

关键词： 在体电子顺磁共振   辐射剂量   波谱分类   支持向量机   遗传算法优化神经网络  

摘要： 核与辐射突发事件发生后,在体电子顺磁共振(in-vivo EPR)方法可对伤员辐射剂量进行现场、快速、无创检测。对in-vivo EPR波谱分析,目前常采用人工标记峰值并计算信号强度,存在工作量大、受主观因素干扰等问题。本研究利用支持向量机(SVM)技术,建立了一种对in-vivo EPR波谱进行自动分类识别的方法,可批量自动识别并筛除in-vivo EPR测量时因振动、牙表面水干扰而产生的无效波谱。本研究利用遗传算法优化神经网络(GA-BPNN)建立了一种波谱分析方法,可对in-vivo EPR波谱中的辐射诱发信号进行自动识别,并预测伤员受到辐射的剂量。实验结果表明,本研究建立的SVM和GA-BPNN波谱处理方法可有效地完成in-vivo EPR波谱自动分类和剂量预测,可满足核事故应急剂量评估的需求。本研究探索了机器学习方法在电子顺磁共振(EPR)波谱处理领域的应用,提高了EPR波谱处理的智能化水平,为提升大批量EPR波谱处理效率提供了支撑。

关键词： 视频传播   B站   品牌营销   机器学习  

摘要： 采用机器学习方法构建视频传播有效性和视频特征的回归关系并进行SHAP分析,挖掘影响视频影响力的关键特征;通过人工标注小米公司评论区的情感分类数据集,训练执行小米评论区情感分析任务的专用深度学习模型,进行评论区文本的情感分析,并从中了解消费者的核心诉求。研究采用定量的方法,为短视频平台品牌营销的研究提供新的分析思路与数据参考,为企业在短视频平台上的品牌营销提供了有益借鉴。

关键词： 机器学习   混合教学模式   随机森林方法   学习评价改革   嵌入式  

摘要： 随着传统课堂向线上线下混合式教学模式发展,教学方法、考核方式、学习评价等均有必要做相应的改革。本研究基于能力本位理念,“岗、课、赛、证”分解重构教学内容,制订课程标准,创新“半翻转”混合教学模式,实施学习评价改革。在信息技术助力下,采集学生学情数据,基于课程培养目标建立评价体系,基于机器学习随机森林方法设计评价模型,实现嵌入式的自动学习评价。本方法通过实践,验证了本评价模型的有效性与准确度,并将学习评价嵌入学习过程,实现对学习评价与管理机制的精细化。

关键词： 机器学习方法   高光谱遥感图像   目标检测   目标像元分割   投影寻踪   动力演化算法  

摘要： 针对高光谱遥感图像目标检测的难题,提出基于机器学习的高光谱遥感图像目标检测方法。首先,通过动力演化算法找到满足偏度、峰度最大化的投影方向,将高维图像数据投影至低维子空间,从而提取图像的光谱信息。然后,通过线性判别法将提取的信息转换为直方图形式,再利用自动标记分水岭算法和KNN方法进行目标区域的初分割和分类,以去除非目标光谱像元。测试结果表明,对目标信息进行检测处理后,图像像元整体分类精度与平均分类精度数值区间为[0.97,0.98],信息熵数值仅有0.01,说明该方法具有较高精度,结果可信度较高。

关键词： 钙钛矿材料   机器学习   性能优选   带隙预测  

摘要： 随着社会的发展需要,钙钛矿材料因其优异的光电性质在光伏发电领域备受关注。为满足产业发展的需求,本文提出运用机器学习方法对钙钛矿光伏材料进行预测优选,降低成本,节约时间。首先对数据进行预处理,运用随机森林方法建立因素–带隙预测模型,实现初级预测优选;其次运用决策树、BP神经网络模型、随机森林三种方法分别建立关于因素–光电转化率预测模型,结果表明随机森林模型的预测精度最高,实现二级预测优选。With the development needs of society, perovskite materials have attracted much attention in the field of photovoltaic power generation due to their excellent optoelectronic properties. In order to meet the needs of industrial development, this article proposes the use of machine learning methods to predict and optimize perovskite photovoltaic materials, reducing costs and saving time. Firstly, the data is preprocessed and a factor-bandgap prediction model is established using the random forest method to achieve primary prediction optimization;Secondly, three methods including decision tree, BP neural network model, and random forest were used to establish prediction models for factor-photoelectric conversion rate. The results show that the random forest model had the highest prediction accuracy, achieving optimal selection for secondary prediction.

关键词： 长短时记忆网络   人工神经元网络   瓦斯   浓度   预测  

摘要： 采用人工神经元网络(ANN)和长短时记忆网络(LSTM)预测了准东煤田某煤矿工作面的瓦斯浓度,结果表明,在一个隐含层的ANN模型中,神经元数量为32时,预测瓦斯浓度均方误差(MSE)最低为0.5,当隐含层为两个,神经元数量分别为3和10时,预测瓦斯浓度MSE最低为0.03,即最优ANN模型为5-3-10-1。在一个隐含层的LSTM模型中,神经元数量为35时,预测瓦斯浓度MSE最低为0.02,当隐含层为两个,神经元数量分别为10和11时,预测瓦斯浓度MSE最低为0.008,即最优LSTM模型为5-10-11-1。

关键词： 机器学习   土壤   重金属   理化性质   生物毒性   生态风险评价  

摘要： 土壤理化性质会显著影响重金属生物毒性，基于土壤理化性质的重金属生物毒性及潜在生态风险预测是当前的研究热点之一 。本研究以土壤典型重金属镉（Cd）、铜（Cu）、铅（Pb）和锌（Zn）为研究对象，蚯蚓为土壤模式生物，采用文献法搜集已发表论文中重金属对蚯蚓繁殖的半数有效浓度(EC50)与所对应的土壤理化性质数据共113组，分析不同数据间关联性，揭示土壤理化因子对重金属生物毒性的影响规律。利用随机森林（RF）、梯度提升决策树（GBDT）、极限梯度提升（XGBoost）、K近临（KNN）和支持向量机（SVR）五种机器学习算法构建机器学习模型，研选最佳模型并开展我国土壤重金属潜在生态风险阈值预测。结果表明，重金属在不同类型土壤中毒性存在显著差异，重金属对蚯蚓的繁殖毒性强弱趋势表现为Cd>Cu>Pb≈Zn。不同土壤理化性质对重金属生物毒性的影响规律不同，其中土壤pH是影响重金属Pb和Cd的主要因素，对重金属蚯蚓繁殖毒性变化的贡献率分别为57.2%和69.0%；阳离子交换量和有机质含量则分别是重金属Cu和Zn生物毒性的主要影响因子。从模型拟合优度和预测精度对比分析基于土壤理化因子构建的重金属生物毒性机器预测模型的性能，XGBoost模型对Cd、Cu和Zn的生物毒性预测表现较好，而RF模型对Pb的生物毒性预测更准确，训练集和测试集的R2分别达0.939和0.886。利用研选的重金属生物毒性预测模型开展我国34省土壤中重金属生态风险阈值预测，结果发现不同区域土壤潜在生态风险存在明显差异。研究结果可为基于土壤理化性状的重金属生态毒性和潜在生态风险的准确预测与合理评估提供新的策略。