摘要： Presently, a major focus of digital soil mapping (DSM) in South Africa is unlocking the soil-landscaperelationships of legacy soil data by disaggregating the only source of contiguous soil information for SouthAfrica, the National Land Type Survey (LTS) (ARC, 2003). Each land type is best defined as a homogenousmapping unit with a unique combination of terrain type, soil pattern and macroclimate properties (Paterson etal., 2015). One of the prevailing reasons for the LTS longevity and continual temporal-interoperability is thatterrain description is expressly related to a suite of catenary soil property descriptions (Milne, 1936). Theseterrain types are further divided into terrain morphological units (TMUs) representing a sequence of patternsbased on a 5-unit landscape model of 1-crest, 2-scarp, 3-midslope, 4-footslope and 5-valley bottom. Importantly, dominant soil distribution patterns are defined by terrain units relying on an elementary terraintopo-sequence pattern approach, with much of the work done on modelling soil variation related to variationin terrain (van Zijl, 2019). Whilst the LTS remains a source of national interest, there is immense opportunityto build on the existing soil inventory data rather than only focus on "breaking it down" (disaggregation). However, what is needed is a standard operating procedure that not only leverages the ability of digitalelevation models (DEM) to explicate soil-landscape associations beyond the limited 5-unit landscape modelbut allows better refinement of soil descriptions with landscape features. Only once the nuances of optimalDEM parametrisation under controlled conditions are fully understood can the complete scope of DSM anddigital geomorphological mapping (DGM) applications be explored. This dissertation attempts to synthesise knowledge on theory, methods, and applications of using remotesensing (RS) and geographical information systems (GIS) to classify local landforms using a patternrecognition approach for i

关键词： 表面肌电信号   卷积神经网络   特征提取   下肢动作模式识别  

摘要： 近年来,外骨骼等穿戴式机器人设备在军事、医疗、康复、工业等领域获得极为迅速的发展。穿戴式机器人在运动辅助过程中根据人体运动模式提供相应的辅助是临床应用环节人机共融的关键因素。因此,精准的人体动作识别是提高穿戴式机器人设备助力性能和适应能力的基础,对实现柔顺助力、促进运动功能康复等至关重要。目前下肢动作模式识别技术还存在数据量少、识别率低的问题。本文以下肢动作为对象,采集行走、上下楼及负重上下楼五种步态的表面肌电信号（Surface electromyography,s EMG）,在对s EMG进行特征提取、整合及降维的基础上,构建了一种以特征集作为输入的卷积神经网络（Convolutional Neural Network,CNN）,提出一种新的下肢动作模式识别方法,并比较了其他几种分类识别方法的识别正确率、交叉熵损失及训练时间等参数,从而验证本文方法的有效性。论文主要研究内容如下:（1）结合下肢外骨骼应用场景以及该领域尚存的步态识别类型少的问题,选择了平地行走、上下楼及负重上下楼5种下肢运动作为识别对象,并选取了对上述5种步态影响较大的股直肌（Rectus Femoris,BF）、股外侧肌（Vastus Lateralis,VL）、股内侧肌（Vastus Medialis,VM）、半膜肌（Semimembranous,SB）、外侧腓肠肌（Gastrocnemius Lateral,GL）、内侧腓肠肌（Gastrocnemius Medial,GM）、胫骨前肌（Tibial Anterior,TA）和股二头肌（Biceps Femoris,BF）8块肌肉作为信号源进行肌电信号采集。采用带通滤波方法进行滤波,通过观察滤波后s EMG信号存在静息状态近似水平等特点,证明了该滤波方法能有效滤除噪音信号。（2）为了确保能够全面反映人体下肢运动的特征,提取了s EMG信号的平均绝对值（Mean Absolute Value,MAV）、均方根值（Root Mean Square,RMS）、过零点率（Zero Crossing Rate,ZC）、斜率变化率（Rate of Slope Change,SSC）4类时域特征和中值频率（Median Frequency,MDF）、平均功率频率（Mean-power Frequency,MNF）2类频域特征共6类信号特征。进一步采用主成分分析法（Principal Component Analysis,PCA）进行特征降维,获得能够代表最佳原始肌电信号特征的低维特征集。（3）在进行特征提取、整合及降维的基础上,构建了一种以特征集作为输入的卷积神经网络,开展了行走、上下楼及负重上下楼5种下肢动作模式识别实验,最后基于识别正确率、交叉熵损失分析和探讨了本文方法的有效性。（4）开展了本文方法与支持向量机（Support Vector Machine,SVM）、K近邻（K Nearest Neighbor,KNN）、随机森林（Random decision Forests,RF）、原始信号集作为输入的卷积神经网络和原始特征集作为输入的卷积神经网络等传统模式识别方法的对比实验,通过比较各方法下的识别正确率、交叉熵损失及识别时间等指标,证明了本文方法对下肢动作模式识别的有效性和优越性,为康复机器人、助力机器人等设备改善运动功能提供理论依据。

关键词： 学习过程   信息输入加工   信息回溯加工   神经生理模式   生理识别模型  

摘要： 人工智能在自然语言处理、知识表示、自动推理、机器学习等方向上的长期发展使其具备了知识采集、整理、传输、存储、分析、呈现和应用上的天然优势。人工智能与教育的结合,能够解决教育资源在时间和空间上的分配不均,以其在知识记忆、复述和再现上的优势减少教与学双方的低层次教学投入。此外,人工智能采用机器学习的方法,辅助教与学双方对学习过程信息的理解,这既有利于教育工作者提升教学设计质量,也有利于学习者提高学习效率。基于教育学理论的信息加工模型,本文定义学习过程中的两种状态,即信息输入加工状态(Information input processing status,IIPS)和信息回溯加工状态(Information retrieval processing status,IRPS),分析学习者处于IIPS和IRPS时的自主神经生理模式,使用机器学习的方法构建IIPS ***生理识别模型。该模型及时分析并记录学生的信息加工状态,辅助教育工作者和学习者本人了解当前学习状态是否与教学设计目标一致,这有利于教学双方及时进行状态干预和制定合理的教学计划。本文具体研究内容和结果如下:(1)概念化和可操作化定义信息加工模型,设计并实施了学习过程的生理数据采集。将信息输入加工状态操作性定义为学习者正在听课的状态(即:学习者处于知识学习的状态),信息回溯加工状态操作性定义为学习者正在进行课堂测试的状态(即:学习者处于问题解决的状态)。设计上述两种学习状态的生理数据采集方案,包括基线数据采集、教学单元数据采集和恢复状态数据采集,其中教学单元设计为包含听课和课堂测试两个阶段。(2)构建学习过程的信息加工生理数据集。为听课阶段的心电数据标记信息输入加工状态标签,为课堂测试的心电数据标记信息回溯加工状态标签,从心电数据中计算RR间期序列,用于表征信息加工引起的自主神经生理反应,建立两种信息加工状态的生理数据集。(3)提取RR间期序列时域、频域及非线性特征,对两种信息加工状态的自主神经生理特征进行组间差异统计分析。研究发现,IIPS与IRPS的多个神经生理特征具有显著性组间差异,IIPS对应的RR间期序列标准差、心率变异系数、总功率、超低频功率、低频功率、低频功率与高频功率之比等多个特征比IRPS对应的上述特征取值大,而IIPS对应的RR间期序列复杂相关测度、样本熵、模糊熵等特征取值比IRPS的小。(4)构建IIPS ***生理识别模型,在低维特征子集条件下对模型泛化识别个体学习状态和群体学习状态的能力进行了验证。使用前述IIPS与IRPS生理数据集,通过分类器训练和特征选择构建了IIPS ***生理识别模型,并用独立于模型训练和特征选择的数据集离线测试了模型的泛化性能。该模型在离线测试中判断个体学习状态的准确率为62.44%,模型判断的群体学习状态与操作性定义的学习状态吻合比例为12/14。在完成上述研究内容的工作中,得出以下三个研究结论:(1)学习者在信息输入加工状态和信息回溯加工状态下有可区分的自主神经生理模式。相比于信息回溯加工状态,学习者处于信息输入加工状态的心率变异性更大,交感神经活性更强,副交感神经活性更弱,自主神经整体活性更强。(2)利用低维特征和支持向量机区分信息输入加工状态和信息回溯加工状态的神经生理反应数据,其准确率高于随机猜测。(3)当依据教学及时反馈调整教学策略时,更关注群体学习状态的辨识,本文构建的生理识别模型将超过半数(即大于随机猜测概率)学生的学习状态视为群体学习状态,该模型预测的群体学习状态与操作性定义的群体学习状态吻合度高,说明该模型在判断群体学习状态时有较好的实用价值。

关键词： 化学高维模式识别   多谱学技术   食品   中药   质量控制  

摘要： 随着量测分析仪器技术的快速发展,分析化学家们获得的数据也从传统的标量数据或矢量数据变成了更为复杂的高维数据。这些数据包含了更多的物理化学信息,但也增大了处理的难度。如何从这些纷繁复杂的量测数据中获取有用的信息,并将其应用于实际,成了分析化学家们新的追逐目标,化学计量学的重要性越加凸显。化学多元校正与分辨和化学模式识别作为化学计量学的核心内容,则是解决这一难题的关键所在。本文作者通过着眼于这一难题,在仔细分析国内外食品、药品等领域亟待解决的问题以及研究热点之后,根据不同量测仪器产生的数据特点,有机的结合化学计量学算法,并将其应用于解决食品和药品等领域的产地溯源、掺假判别等难题。 第一部分激发-发射矩阵荧光结合化学高维模式识别用于食品质量控制(第2章-第4章) 在第二章中,作者将激发-发射矩阵荧光指纹图谱与化学计量学模式识别方法偏最小二乘判别分析(Partial least squares-discriminant analysis,PLS-DA)和主成分分析-线性判别分析(Principal component analysis-linear discriminant analysis,PCA-LDA)相结合,对武夷山不同树种、不同坑涧的岩茶进行了判别分析。所建分类模型均能获得较高的分类准确率,其中训练集的分类准确率均高于99.12%。除此之外,使用PLS-DA所建的掺假判别模型也能够从四类牛栏坑肉桂茶掺假样本(水仙+牛栏坑肉桂茶,普通肉桂茶+牛栏坑肉桂茶,品种+牛栏坑肉桂茶,纯牛栏坑肉桂茶)中识别出纯牛栏坑肉桂茶样本,其中训练集的分类准确率为100%,测试集和预测集的分类准确率均高于90%,且没有纯牛栏坑肉桂茶样本被错误分类,也没有掺假牛栏坑肉桂茶样本被误判成纯牛栏坑肉桂茶。在确定掺假类别之后,还基于PLS回归模型对掺假水平进行了预测。以上结果均表明所提方法能够对不同类型的岩茶进行分类,也能够完成对掺假牛栏坑肉桂茶的精准判别及掺假水平估计,有望在食品药品领域的掺假鉴别中获得推广。 相较于激发发射矩阵荧光数据,四维荧光数据能提供更丰富的样本信息,从而提升分类准确率。因此在第三章中,作者提出了基于四维荧光化学数据的高维模式识别方法用于食品品牌精准鉴别。由于基质效应的影响,不同稀释水平的啤酒将呈现出不同的激发发射矩阵荧光指纹。因此本工作首次将稀释水平作为1个额外维度,构建样本-激发-发射-稀释度四维荧光数据,并通过分析处理该数据集建立啤酒分类模型,来提高分类准确率。首先获取不同稀释度的啤酒激发发射矩阵荧光,然后分别构建稀释和未稀释啤酒样本的三维数据阵列,将两个三维数据阵列组合成四维数据,再分别利用三维和四维平行因子分析(Parallel factor analysis,PARAFAC)对构建的三维和四维数据阵列进行分解,进一步实现啤酒的表征和特征提取。基于不同方式提取的特征变量,提出并研究比较四种啤酒分类策略。策略1基于未稀释啤酒数据的三维PARAFAC得分建立判别模型;策略2基于稀释啤酒数据的三维PARAFAC得分建立判别模型;策略3基于两组三维PARAFAC得分的融合数据建立判别模型;策略4基于四维PARAFAC得分建立判别模型。在每种策略中,使用并比较了线性判别分析(LDA)、偏最小二乘判别分析(PLS-DA)和k-最近邻(k-Nearest Neighbor,k-NN)三种有监督的分类方法的性能。结果显示,策略3中的PARAFAC-data fusion-k-NN方法和策略4中的四维PARAFAC-k-NN方法的分类结果相同且较好,其交叉验证的正确分类率为95.8%,外部测试的正确分类率为91.7%。这也是首次构建样本-激发-发射-稀释度四维数据阵列来解决分类问题。 随着精酿啤酒替代工业啤酒成为中国啤酒市场的新宠儿,精酿啤酒的假冒问题也开始屡见不鲜。因此,在第四章中,作者将第三章所提的策略应用于解决中国啤酒市场的精酿啤酒假冒问题。首先采用激发-发射矩阵荧光光谱技术,获得3个稀释水平(啤酒在水中的体积分数分别为3%、50%和100%)的啤酒样品的高维数据。然后使用交替三线性分解(Alternate trilinear decomposition,ATLD)和交替四线性分解(Alternating quadrilinear decomposition,AQLD)算法表征啤酒样品。接着使用偏最小二乘判别分析(PLS-DA)、主成分分析-线性判别分析(PCA-LDA)和随机森林(Random forest,RF)三种化学模式识别方法来处理两个不同目标的分类任务,包括工业啤酒和精酿啤酒的分类(案例1)以及不同品牌的精酿啤酒的分类(案例2)。在案例1中,基于四维数据数组的分类方法得到的交叉验证、训练集、测试集和预测集的正确分类率均为10

关键词： 仿生假手   滑觉信号   特征提取   模式识别  

摘要： 仿生假手是一种智能化假肢,用于帮助上肢有残缺人群实现对日常物品的抓握。目前仿生假手已经可以实现对物体的基本抓取功能,但是仿生假手在使用过程中存在感知所抓物体信息的流程比较复杂、抓握力控制不灵活的问题。使用者更期望在抓握过程中,仿生假手能将被抓物体状态和特征引入物体抓握控制系统,增加仿生假手控制的灵活性,以减小使用过程中的认知负担。本文将物体滑动过程中仿生假手与物体之间的高频压力信号定义为滑觉信号,提出一种基于滑觉信号分类识别的仿生假手抓握力控制模型,为提升仿生假手抓握控制的灵活性提供理论及技术基础。首先,本文对成年人在抓握日常物品时常用初始力大小的范围进行分析,提取具有代表性的力,使用小波包能量熵对比策略选定仿生假手的初始抓握力。对滑觉信号采集方案进行设计,仿生假手使用初始抓握力对不同目标物体进行抓握,采集不同目标物体的滑觉信号,并基于移动滑窗法对滑觉信号数据集进行扩充。设计稳定抓握判别实验,通过对滑觉信号频率变化的分析,得出能稳定抓握5种目标物体的抓握力,分别将不同目标物体的滑觉信号与其稳定抓握力相对应,为后续的分类识别做基础。其次,使用基于小波分层阈值和小波全局阈值降噪的方法,对滑觉信号进行降噪,通过对比降噪处理后的波形和评价指标,得出分层阈值对滑觉信号降噪效果更好。然后分别在时域、频域以及时频域内对降噪后的滑觉信号进行特征值提取,通过分析特征值的聚类分布情况,选取滑觉信号小波高频分量d5和低频分量a5的特征值作为后续分类识别模型的输入。最后,在模式识别过程中,将滑觉信号的两种小波分量特征值作为识别模型的输入,通过K最近邻算法、BP神经网络和LSTM神经网络3种识别模型对特征值进行分类。识别模型对滑觉信号进行分类识别,将不同目标物体滑觉信号对应的稳定抓握力作为识别模型的输出。通过仿生假手抓握实验对稳定抓握力输出的准确性进行验证,对比实验结果发现使用滑觉信号小波低频分量a5的特征值作为输入的LSTM神经网络识别效果更好,实现了仿生假手通过感知滑觉信号对所抓物体进行稳定抓握,验证本文方法的可行性。

关键词： 地图综合   图卷积神经网络   形状分类   空间分布模式   模式识别  

摘要： 地图空间分布模式是核心地理要素在空间分布形态上表现出的能够被人们明确认知和识别的形状或排列,其探测和分析是地理信息科学的基本问题之一,同时也是挖掘隐含的空间知识、增强现有数据的重要手段。居民地作为地理空间矢量数据中的一种面状地理要素,是人们从事生产和日常生活的主要载体,也是地理空间矢量数据库中的重要组成部分。居民地群的空间分布模式不仅能够传达重要的空间结构知识和空间认知信息,而且在空间数据挖掘、空间推理、地图制图综合以及城市规划等方面都有着广泛的应用。居民地群的空间分布模式认知与分类是一个具有创新性的重点问题,主要体现在以下三个方面,一是居民地不论是在个体形态还是群组分布结构上,其模式的识别与分类都与人的主观认知和视觉感受有着密切的联系;二是在对模式进行度量时,其结构度量因子的选取以及对居民地群模式划分类型的认知也对识别与分类结果有着较大的影响;三是,空间模式作为一种更高层次的抽象性概念,也存在着很大的不确定性和模糊性。为此,本文借助于深度学习的局部特征保持的优点,从制图综合知识获取和空间数据挖掘的角度出发,利用深度学习技术研究在大比例尺地图中居民地群空间分布模式的识别与分类方法。主要研究工作和成果包括:(1)提出了基于图卷积神经网络的个体居民地的形状识别方法。从空间认知的角度,借助于深度图卷积的学习方法,以面状居民地要素的轮廓多边形构建计算图,提取轮廓多边形的长度、方向、空间位置关系等局部形态特征和整体结构特征作为计算图的节点属性。通过十种英文字母型的居民地作为实验数据集,搭建图卷积神经网络分类模型,将居民地轮廓边界形态特征嵌入到高维向量中,并通过分类器预测其形状类别。实验结果表明,该方法能够有效识别居民地的形状类型,且分类结果符合人的视觉认知。(2)研究了基于道路网约束下的居民地群空间分布模式的图表达。基于Gestalt视觉完形原则,在城市道路网、水系等物理隔离的基础上,对离散分布的居民地进行分组和图表达。在获取居民地群组间邻近关系时,针对线状排列模式和网状分布模式两者内部空间结构的不同,对于线状排列模式以居民地轮廓多边形作为对象构建Delaunay三角网,而对于网状分布模式的居民地群则以居民地的中心作为节点,构建Delaunay三角网,分析群组间居民地的近邻关系,生成邻近图,获取居民地群构造图的邻接矩阵,以实现对居民地群组的图表达。(3)提出了居民地群模式的图卷积神经网络分类模型。以居民地群的邻近关系构建居民地群图结构,提取居民地的大小、方向、位置和形状作为图中节点属性,以图采样聚合模型(Graph SAGE)为基础搭建居民地群模式分类的图卷积神经网络模型。通过志愿者对居民地群组进行类型标注,选取居民地群的直线型、曲线型、规则网格型以及不规则型四种分布模式构建实验数据集,实验结果表明该模型能够识别居民地群的这四种典型空间分布模式。

关键词： 自身免疫性疾病   NLRP3   CGAS   PROTAC   合成方法学  

摘要： 自身免疫性疾病是指机体对自身抗体发生免疫反应而导致组织损害所引起的疾病。目前全球有5～8%的人群患有自身免疫性疾病,这些疾病里包括自身免疫性甲状腺病和类风湿性关节炎等较为常见的疾病。自身免疫性疾病的患者机体往往表现出较强的炎症反应,伴有器官的功能紊乱。这些症状持续时间长,难以自愈,一些疾病的患者需要终生服药,为患者和社会带来巨大的负担。目前临床上治疗自身免疫性疾病的手段有限。药物治疗中,小分子药物主要以JAK抑制剂为主。但是,JAK抑制剂由于选择性差,易导致副作用,美国FDA已警告JAK抑制剂潜在的恶性肿瘤、心脏病和感染等风险。因此新一代治疗自身免疫性疾病的药物还有待开发。模式识别受体是天然免疫过程中一类识别、传递信号分子并诱导炎症反应的蛋白,在多种自身免疫性疾病中发挥重要的作用。其中,NLRP3作为NOD家族的模式识别受体,可以识别ATP、尿酸结晶等多种危险信号、组装和激活NLRP3炎症小体、诱导一系列炎症反应。研究表明,NLRP3与多种自身免疫性疾病直接相关。c GAS是胞质中识别ds DNA的另一个模式识别受体,可以激活c GAS-STING通路并诱导多种细胞因子的产生,也被证明与多种自身免疫性疾病相关。这些模式识别受体与JAK家族激酶相比,蛋白结构更具有特异性,只对特定危险信号产生响应,因此,抑制剂与JAK抑制剂相比具有更好的选择性。由于模式识别受体与自身免疫性疾病的的深刻联系,通过新结构、新技术、新方法研发靶向模式识别受体的小分子抑制剂,有望解决自身免疫性疾病治疗所面临的困境。在该背景下,本论文选择模式识别受体NLRP3和c GAS作为治疗自身免疫性疾病的潜在靶点,设计和合成了一系列靶向这些模式识别受体的荧光探针、PROTAC及AUTAC小分子,并对其生物学功能和活性进行评价。与此同时,在药物合成过程中,我们开发新的有机合成方法,有望用于新型NLRP3小分子抑制剂的合成,并增加药物分子的有机化学修饰方法的多样性。第一部分:靶向NLRP3抑制剂的设计、合成和活性研究NLRP3作为NLRP3炎症小体的重要组成部分,其抑制剂已被广泛研究。其中化合物MCC950由于其高选择性、高活性以及优秀的药代动力学性质曾进入临床实验研究,随后由于其潜在的肝毒性导致临床实验被中止。目前有两个MCC950的衍生物处于临床实验阶段。因此,MCC950的二芳基磺酰脲结构被认为是NLRP3抑制剂的优势骨架,基于该骨架的药化结构优化有望获得高活性和选择性的新型NLRP3抑制剂。基于MCC950与NLRP3的共晶结构,结合之前已报道的MCC950的构效关系,我们设计与合成一系列不同芳基取代的二芳基磺酰脲类化合物。其中,苯并噁二唑化合物3-5a保持了对NLRP3的抑制活性,在THP-M细胞中对LPS/Nigeriein诱导的IL-β释放的IC50值达到149 n M。随后,我们对化合物3-5a进行结构优化,通过生物电子等排和侧链修饰策略获得苯并噻二唑类化合物3-13a。化合物3-13a在THP-1细胞中对NLRP3活性抑制的IC50值达到49 n M。药理实验表明,化合物3-13a特异性抑制细胞中经典和非经典通路下NLRP3的激活,有效抑制IL-1β和Caspase 1的产生,并且对AIM2炎症小体的激活无影响。在DSS诱导的结肠炎小鼠模型中,化合物3-13a的治疗可以有效缓解由于炎症反应导致的小鼠体重降低和结肠缩短。考虑到苯并杂二唑结构常被用于荧光探针研究,我们随后测试了该系列化合物的荧光性质。结果表明,高抑制活性化合物3-13a具有较好荧光性质,细胞共聚焦实验证明3-13a可作为荧光探针进行NLRP3蛋白的成像。细胞共定位实验表明,化合物3-13a细胞成像的特异性较好,可作为NLRP3生物功能研究的有效工具。第二部分:靶向模式识别受体的抗炎PROTAC分子的设计、合成与活性研究蛋白靶向降解技术PROTAC利用细胞内泛素-蛋白酶体体系降解胞内目标蛋白。该技术主要将靶蛋白配体与E3连接酶配体连接形成双功能分子,进而与靶蛋白和E3连接酶相互作用形成三元复合物,诱导靶蛋白泛素化,最终被蛋白酶体降解。因此,通过研发靶向天然免疫系统关键蛋白的PROTAC,降解天然免疫中过度激活的蛋白,有望开辟自身免疫性疾病治疗的新途径。首先,我们设计与合成了一系列靶向NLRP3的PROTAC化合物。这些化合物包含多种不同链长的连接链、配体和连接链之间的接头片段和新报道的E3连接酶配体。THP1细胞中的NLRP3抑制实验表明,一部分化合物（如4-53a和4-53d）在10μM浓度下表现出较好的NLRP3抑制活性。初步的Westren Blot实验结果表明,化合物4-18b、4-24a和4-13j在THP1细胞中具有潜在的NLRP3降解能力。同时,我们也设计并合成一系列靶向c G

关键词： 穴位定位   穴位识别   模式识别   深度学习  

摘要： 快节奏的现代生活导致人们或多或少处于一种亚健康的状态，于是很多人寻求中医理疗的帮助。然而，我国一直存在着优质医疗资源不足及分布不均的问题，繁忙的生活也使人们很难去预约排队、现场就医或理疗。基于这些问题，人们迫切需要一种智能中医理疗自动化设备来代替或者辅助医师工作，而在中医领域，无论是针灸、艾灸、推拿、拔罐和刮痧都离不开穴位的定位。因此，对于智能中医理疗自动化来说，首先需要解决的就是穴位定位的自动化问题。进行此项研究具有很强的现实意义。　　目前国内外对于穴位定位自动化的研究较少，且大多基于传统的人工特征作为中间参考量再进行几何计算的方法。本文提出的方法是有监督的深度学习方法，无需中间变量，凭借深层神经网络极强的学习及特征提取能力，可将复杂的中医穴位知识和经验表达成计算机理解的信息，实现穴位定位自动化。　　目前没有公开的人脸穴位数据集，本课题组与中医药大学针刺专业合作，建立了人脸穴位数据集。由于国内外穴位自动化定位相关的研究不多，没有形成统一且科学的定位精度评价指标，本文还仿照特征点定位任务，提出了一个科学的穴位定位评价指标。　　在穴位定位算法方面，本文首先提出一种基于迁移学习的方法，迁移学习使本文能用小数据集训练出一个表现良好的网络。针对穴位分布特性和回归任务的特点，本文使用Wingloss作为损失函数，以解决训练中因各点定位效果不一致而导致离群点对其他点造成损害的问题。实验结果证明了本文方法的有效性及相对非深度学习方法的优越性。　　在对每个穴位的定位效果进行单独分析后，本文发现丝竹空和承浆穴的视觉特征存在问题，因而影响了其定位效果，为了改善这种情况并进一步提高全部穴位的定位精度，本文对先前提出的方法进行了全方位的优化。使用一种轻量级高分辨率的主干网络，这种网络中的特征图既拥有强语义信息又有较为精准的位置信息，可以通过穴位间的空间联系来降低个别穴位的定位误差。本文还在其中加入注意力模块来加强对特征的捕捉和表达，进一步加强特征之间的长范围依赖关系，并使用热图编码机制来和全卷积网络来减少特征的空间信息的损耗，以降低总体的穴位定位误差，通过实验证明了本文提出的优化方法的有效性。　　本文还应用了所研究的算法开发了一个人脸穴位定位系统，该系统部署在Windows上，能接受三种形式的输入，实时显示出用户的脸部穴位，使用门槛低，操作便捷，具有很强的实用性。

关键词： 二便监测   人体生理参数   神经网络   模式识别  

摘要： 人口老龄化进程加剧,使得老人患慢性病可能大大增加,也间接造成患慢性病老人自我照料能力困难,长期卧床。智能二便护理设备在一定程度上提高了护理工作效率,其功能满足了老人的需求。然而现有智能二便护理设备主要是对老人二便之后进行处理,没有涉及便前监测等功能的研发。因此本文开展了基于人体生理信息的二便智能监测技术研究,提高了失能老人的舒适度和尊严感,增加了二便护理设备的智能度。首先,本文通过对二便行为和二便便意形成过程的分析与总结,选用脉率、血氧和血压三种生理参数作为人体二便便意识别的特征量,提出了基于人体生理信息的二便便意研究方法,搭建了二便监测实验台,为后续的数据采集和分析奠定基础。其次,对采集到的生理参数数据进行分析总结,结果表明实验对象脉率、血氧和血压一定程度上可反映二便便意情况。脉率平均值、血压平均值随便意程度增加整体呈现上升趋势,血氧平均值随便意程度增加整体呈现下降趋势。同时三个生理参数变化最大的时间段均为便前90秒,因此将便前90秒时间段内情况定为有便意状态,其余时间段内情况定为无便意状态。再次,通过建立的二便监测实验台获取实验对象生理参数数据,根据上述定义的二便便意状态对数据进行编码标定,构建了基于决策树和神经网络模式识别的两种二便便意识别模型,两种模型的精准率均达到了90%以上。通过对比实验,神经网络模式识别性能优于决策树。最后,采用医学临床实验生理参数数据对构建的二便便意识别模型进行验证,实验结果进一步证明了模型有效性。本文基于人体生理信息的智能二便监测技术研究为智能二便护理设备的研发提供了新思路,对卧床失能老人长期照护和康复需求具有积极意义。

关键词： 工业物联网   模式识别   增量学习   活动识别   工业环境仿真  

摘要： 随着人工智能技术的发展,模式识别为工业物联网系统提供了更高效的自动化控制与人机交互方式,已经成为实现工业化和信息化融合的主要手段。传统模型训练依赖特征分布均匀的数据输入,因此在特征分布不均匀的工业数据输入下,模型出现了失效与遗忘问题。近来有研究表明通过多次增量训练调整参数的方式,可以帮助模型适应数据流特征分布的变化。 针对工业环境特征不均匀的数据流输入,提出了基于记忆回放的工业增量(Industrial Memory Recall,IMR)模式识别方法,以实现工业物联网场景下模式识别模型的增量训练。基于工业事件的工况数据划分方法被提出,可以将工业传感器数据流划分为增量数据集多次训练,从而以有限的硬件条件应对无限增长的工业数据规模。提出利用工业设备资源筛选与存储旧样本,模型可以在增量训练过程中回放旧的数据特征,学习新输入数据的特征分布,以适应工业数据流的特征分布变化。在增量训练过程中引入样本选择策略,进一步提升了模式识别模型的增量训练效率,以保证在储存条件受限的工业场景下的模型性能。 基于穿戴式传感器的工人活动数据与工业场景下传感器的特征变化规律,实验对比了IMR模型与非增量模型的性能。由实验结果可得,IMR系列模型在多种特征不均匀的数据划分情况下,较非增量模型准确率平均提升7.4%。对于工业场景存储和内存受限的情况,IMR系列模型低成本实现了增量训练,较非增量模型准确率平均提升7.36%。实验结果说明,增量方法有效避免了工业物联网场景下模型的失效与遗忘问题,为未来研究提供了一个可扩展的思路。