李建强
- 作品数：5 被引量：24H指数：2
- 供职机构：北京工业大学软件学院更多>>
- 发文基金：国家科技重大专项国家科技支撑计划更多>>
- 相关领域：医药卫生自动化与计算机技术环境科学与工程更多>>
- 一种面向细粒度空气质量分指数(IAQI)预测的时空因果卷积模型被引量：2
- 2023年
- 精确、细粒度空气质量分指数(Individual Air Quality Index,IAQI)预测是空气质量指数(Air Quality Index,AQI)的基础,对于空气质量防治和保护人类身心健康均具有重要意义。目前传统时序建模、循环神经网络(Recurrent Neural Network,RNN)、图卷积网络(Graph Convolutional Network,GCN)等方法难以有效融合时空因素和气象因素,稳定提取监测站点间动态边缘关系。本文提出了基于时空因果卷积网络(Spatial-Temporal Causal Convolution Networks,ST-CCN)的空气质量分指数预测模型ST-CCN-IAQI。首先采用空间注意力机制分析多源空气污染物和气象因素的空间效应;其次利用堆叠膨胀卷积和时间注意力机制提取特征矩阵的时间依赖性特征;最后采用贝叶斯调优方法对膨胀卷积的多种参数进行了调优。本文采用上海市空气监测站空气质量分指数(IAQI-PM2.5)数据展开实验,并采用一系列基线模型(AR、MA、ARMA、ANN、SVR、GRU、LSTM和ST-GCN)与ST-CCN-IAQI效果进行对比。实验结果显示:(1)在单测站测试中,ST-CCN-IAQI的RMSE和MAE值分别为9.873、7.469,相比基线模型平均下降了24.95%和16.87%;R2值为0.917,相比基线平均提升了5.69%;(2)对全部站点的IAQI-PM2.5、IAQI-PM10和IAQI-NO2的预测,证明了ST-CCN-IAQI具有较强的泛化能力和稳定性。(3)采用Shapley分析方法论证了IAQI-PM10、湿度、IAQI-NO2对IAQI-PM2.5的预测具有较大程度的影响;通过不同数据抽样条件下的Friedman检验,证明了ST-CCN-IAQI对比基线模型有显著的性能提升。ST-CCN-IAQI方法为细粒度IAQI精准预测提供了一种鲁棒可行的解决方案。
- 张羽民赵俊杰梅强刘希亮陈卓栋李建强王少华石宇良柴金川高雨瑶井小倩杨念迪马小焱
- 数字医疗与健康服务中的新兴技术综述
- 2016年
- 现代信息技术,包括传感技术、云计算、安全技术等发展日新月异。这些技术深刻地影响着现代医疗和健康服务,也改变了医疗健康服务的理念和服务模式,即从传统的"有病医病"被动方式变为"无病防病"的主动方式。本文首先回顾了电子病历的发展,然后综述了健康检测技术、医疗大数据分析技术及云计算技术等在医疗里的应用。最后总结了新技术对医疗健康服务的影响,并提出了主动服务的理念。
- 杨吉江李建强王青胡建平
- 人脸识别技术的医学诊断应用的发展与现状被引量：11
- 2016年
- 同种疾病导致的患者面部改变或先天畸形具有相似性,对于疾病的筛查和诊断具有提示意义。近十余年来,人脸识别技术已初步用于内分泌疾病如肢端肥大症、库欣综合征以及遗传综合征,如唐氏综合征和德朗热综合征等的诊断,其识别正确率不低于甚至在有些报道中高于临床工作者的经验性诊断,并且对内分泌疾病早期患者的面部识别更具有价值。该技术有望应用于内分泌疾病及遗传综合征的筛查、缩短疾病诊断延迟期和帮助内分泌疾病进行分期。
- 潘周娴陈适潘慧朱惠娟梁择李建强
- 关键词：人脸识别技术肢端肥大症库欣综合征遗传综合征
- 基于深度学习的白内障识别与分级被引量：11
- 2018年
- 目的利用深度学习方法自动提取眼底白内障特征,构建白内障自动分类器,并可视化分析深度网络中间层特征的逐层变换过程。方法基于临床眼底图像,使用深度卷积神经网络(CNN)从输入数据的原始表示直接学习有用的特征,对比分析CNN自动提取的特征与预定义特征的性能表现。然后利用反卷积神经网络(DN)量化分析CNN各个中间层的特征,进一步研究输入图像中对CNN的预测贡献最大的像素集,探究CNN表征白内障的具体过程。结果使用深度学习方法构建的分类器在四分类任务中达到0.818 6的平均准确率。与现有的预定义特征集相比,利用深度CNN自动提取的特征集能提供更好的白内障特征表示。CNN中间层特征呈现从低级抽象到高级抽象的分层变换,如梯度变化到边缘,然后到边缘状发散结构的组合,最后到血管和视神经盘信息的高级抽象,这种变换过程与临床检测白内障的诊断标准相吻合。结论基于深度学习的分类器在性能表现上优于现有分类器。该方法对检测其他眼病也可能具有潜在的应用前景。
- 李建强张苓琳张莉杨吉江王青
- 关键词：人工智能白内障
- 基于时空认知膨胀卷积网络与多源影响因素的PM_(2.5)细粒度预测模型
- 2024年
- 为实现精确化、细粒度的PM_(2.5)浓度预测,提出了基于时空认知膨胀卷积网络(spatial-temporal cognitive dilated convolution network,ST-C-DCN)的PM_(2.5)浓度预测模型ST-C-DCN。该模型将时空因素、气象因素运用于PM_(2.5)浓度预测,基于因果卷积网络提取时空特征,并采用时空注意力机制优化了时空特征的提取。基于海口市空气污染数据的实验测试表明:对于单个监测站,基线模型相比,ST-C-DCN的均方根误差(root mean square error,RMSE)平均下降24.7%,平均绝对误差(mean absolute error,MAE)平均下降9.93%,拟合优度(R-squared,R^(2))平均上升3.35%。对于全部监测站点的预测,ST-C-DCN在win-tie-loss(包括MSE、RMSE、MAE、R^(2))实验中,均获得了最多的获胜次数,分别为68,68、63和64。通过不同数据抽样条件下的Friedman检验,证明了ST-C-DCN对比基准有显著的性能提升。ST-C-DCN为细粒度PM_(2.5)预测提供了一个具有潜力的方向。
- 刘希亮赵俊杰张羽民林绍福李建强梅强
