卷积神经网络算法的优化病人紧急护理救援效率至关重要的

文摘

为了帮助病理学家快速定位病变区域,提高诊断效率,减少漏诊,卷积神经网络优化算法的紧急护理救援效率提出了重要的病人。具体地说,三层和卷积卷积核大小不同的用于提取患者的特点的姿态行为,和病人的分类器姿态行为识别系统用于学习特征信息通过捕获之间的非线性关系特性来实现准确的分类。通过测试病人的姿势行为特征提取的准确性,识别率的某些行动,和所有操作的平均识别率在病人的身体行为识别系统,它是证明了卷积神经网络算法可以大大提高效率的紧急护理。算法应用于病人的姿势行为检测系统,从而实现病人的识别和监控,提高智能水平的医疗服务。最后,开源框架平台是用来测试病人行为检测系统。实验结果表明,测试数据集越大,精度越高的病人姿势行为特征提取,和病人的平均识别率姿态行为类别是97.6%,从而验证系统的正确性和有效性,证明卷积神经网络算法有一个非常大的紧急护理救援效率的改进。

1。介绍

病理诊断中发挥着重要作用在疾病的诊断和治疗。病理学家的声誉”医生的医生。“70%的医学诊断依赖于病理诊断,这被认为是“黄金标准”的疾病诊断。然而,有许多问题在病理行业。在中国有一个巨大的短缺,病理学家,大约也只有20000病理学家在中国1]。很难培养病理学家。病理学家需要覆盖每个系统的诊断人体的形态和记忆超过15 000病理样本和超过5 000基本疾病的名字。火车需要十多年成熟的病理学家,并且在短期内很难填补这一缺口。病理学家有一个沉重的工作量,高达150例困难每天在医院的病理诊断(2]。在病理医疗资源有地区差异。70%的病理学家在中国主要集中在提升医院,同时有超过20000 ii级及以下医院平均只有0.12病理学家在每个医院,不能满足大量临床病理诊断的主要医院。人工智能技术是用于启用数字病理诊断。通过培训和学习大量证实病理图像智能识别的病理图像可以快速实现,从而大大提高病理诊断的效率和准确性。Valova等人提出的使用经验来提高系统本身的性能的计算。强化学习是与环境的相互作用,判断下一步行动根据提供的强化信号环境,不断改善行动计划,以适应目前的环境。近年来,机器学习算法已广泛应用于疾病预测(心脏病、糖尿病、乳腺癌、甲状腺等)(3]。张等人提出使用卷积神经网络算法预测心脏病。首先,数据信息,如用户的年龄、性别、血压、心率、胆固醇、糖尿病和肥胖收集。其次,机器学习模型预测心脏病是由使用多层感知器神经网络结构;多层感知器模型结构简单,效率高,一般适合处理小数据集数据维度。Mmnmayi等人提出使用支持向量机制建立疾病预测模型,它是在日常生活中使用的数据集来预测疾病频繁发生的日常生活中。支持向量机适合处理高维数据,但计算复杂度高的问题,和疾病预测模型的准确性由支持向量机算法需要进一步提高(4]。程等人提出使用三个算法的支持向量机,贝叶斯网络和决策树预测糖尿病和介绍了主成分分析在此基础上对数据进行降维处理(5]。研究现状的基础上,本文使用三个卷积层以不同大小的卷积核,从病人的身体行为特性。病人的身体行为的分类器识别系统学习的特征信息捕获特性之间的非线性关系,为了达到准确分类,病人的身体行为特征提取的准确性,某一行动的识别率,并且所有操作的平均识别率在病人的身体行为识别系统,证明了卷积神经网络算法大大提高了紧急护理救援效率(6]。

2。方法

研究病人的姿势行为识别技术基于卷积神经网络;有三个主要问题;首先,病人的个体差异和非刚性变形体位行为给检测带来很大的困难。其次,多人场景和复杂的背景也会影响检测和实时检测和识别系统的可靠性无法保证(7]。最后,观点的多样性,各种人类的姿势,监控探头拍摄角度,是不一样的,也为病人检测带来了巨大挑战。卷积神经网络是一种前馈神经网络,是专门用来处理数据等网格结构图像。为了解决检测病人的目标姿态行为智能医疗、卷积神经网络的结构和训练标签的设计,并提出了检测病人的姿势行为的算法。最后,该算法验证和分析。卷积层是卷积神经网络的核心,从输入层中提取特征。激发层使得卷积的输出结果的非线性映射层(8]。池层主要负责压缩的数据量和参数,以避免过度拟合。完整的连接层位于尾卷积神经网络,具有相同的连接模式,传统的神经网络。智能医疗研究的基于卷积神经网络,采用双网络模型。首先,病人检测网络模型设计,然后,一个病人的身体运动特征提取网络模型的设计。智能医疗研究的基于卷积神经网络,采用双网络模型。首先,病人检测网络模型设计,然后,一个病人的身体运动特征提取网络模型的设计。病人检测是检测机制,使用目标检测算法来确定目标的位置。通过结合目标探测与病人的姿势行为特征提取、目标病人可以更好的目标,那么病人的姿势行为特性可以被认可9]。YOLO算法是基于意思深度学习的目标检测算法。YOLO算法可以检测目标边界框的位置意思快,高效、准确和实时的。YOLO算法意思,分为输入图像n×n方形网格确定目标对象的中心落在网格中。如果是这样,网格的网格标记代表可以探测到目标对象。对于每个单元格,米边界框和边界框的信心可以预测: 公关(对象)的概率表示边界框包含探测目标和代表边界框的准确性。

(x,y, ,h)是用来表示边界框的大小和位置,在哪里(x,y)代表边界框的中心坐标,和和h代表边界框的宽度和高度。因此,边界框的预测值是(x,y, ,h,c)。K类给出概率值为每个网格;的概率值是公关下的条件概率(对象),公关(class_指出我|对象)。因此,范畴边界框被定义为的信心

根据以上的研究和分析,YOLO算法获得的意思如下。

输入:448×448像素的图像。输出:结果向量代表类别,边界框的大小和位置。第一步:输入所需的检测图像。步骤2:把目标图像分割成一个n×n网格一步确定对象中心是在无网格。如果是这样的话,进入步骤3。如果没有,去第9步。步骤3:预测米目标使用网格边界。第四步:计算目标边界的中心坐标框架,宽,高,信心向量(x,。y, ,h,c)。第五步:公关(class_预测类别我|对象)。第六步:计算边界框类的信心使用公式(2)。第七步:消除冗余与nonmaximum抑制算法。第八步:算法输出结果最准确和有效的边界框第一个向量。病人的身体运动特征提取网络模型使用YOLO算法意思来检测和定位病人,然后使用病人的身体运动特征提取网络模型提取病人特征信息(10]。卷积神经网络与卷积三层不同的大小,提出了同时提取患者的身体行为特征。卷积核的大小会影响当地的接受域的大小。卷积核的大小通常是小于输入图像的大小,和卷积的特征提取将更强调地方特色,这是非常符合我们在日常生活中接触到的图像处理。在现实场景中,每个神经元不需要感知的全球形象。相反,它的感官特性和综合当地信息在更高的层面,以获得全球信息。传统的卷积核的大小都是奇数。例如,3×3卷积核的大小会影响当地的接受域的大小。卷积核的大小通常是小于输入图像的大小,和卷积的特征提取将更强调地方特色,这是非常符合我们在日常生活中接触到的图像处理。在现实场景中,每个神经元不需要看到的全球形象,但感知局部特性和综合信息在更高水平上获得全球信息(11]。传统的卷积核大小都设置为奇数,如3×3、5×5或7×7。卷积核的大小的原因是选为奇数是因为下面的潜在优势。保护位置信息:“锚点”只是在中间,这是方便滑动基于卷积的中心模块,避免了“抵消”的位置信息。针对这些问题,提高了模型中的基本单位,三个卷积与不同大小的卷积内核层被用来提取病人身体的行为特征。《盗梦空间》改进模型如图1。

身体结构模型的特征提取网络,30个新功能地图获得输入数据通过第一个初始结构。《盗梦空间》之后第二个和第三个结构,分别获得90年和270年的功能模式。没有回旋的层的3×3回旋的核心结构。怎么3×3卷积核的卷积层最后输出?然后,病人的身体行为特征提取通过卷积层两个5×5回旋的内核。最后,通过卷积的7×7层输出卷积内核。设计网络结构后,分类器应该为病人设计的姿态算法的行为。病人姿势行为特征提取时,病人的姿势的识别结果行为类别是根据分类器。全球平均池层和Softmax层作为分类器。当数据在处理数据集构建模型并返回一次,这个过程称为一个迭代。 However, in the whole experiment, if only one EPOCH is set, the computer will have a heavy load, a heavy computing burden, and a slow running speed. Therefore, all datasets need to be processed into blocks; the complete dataset is transmitted in the same neural network for many times. With the increase of the number of epoch, the updating times of weights in the neural network are also increasing, and the network model is easily changed from underfitting to overfitting. The experimental results show that the size of EPOCH has a great influence on the accuracy of the model. If the epoch is too small, the model will have insufficient learning ability, large deviation, and insufficient learning and training, resulting in a low accuracy of the model [12]。如果这个时代太大,模型会一定数量的迭代收敛后,这不仅不能提高正确识别率也增加了模型的训练时间,甚至可能导致过度拟合的问题。通过这种方式,可以减少网络参数的识别系统,以确保系统的有效运行。病人的身体行为的分类器识别系统如图2。

其中,GlobaoAveragePooling层的主要作用是池,降低维度的特征映射,而Softmax层的主要任务是与概率输出最终结果。通常,有多种类型的特征子图,每一个都是由一些神经元排列成一个矩形形式,和神经元之间的重量参数共享。这种方法可以显著减少网络的各层之间的连接,从而减少网络参数,同时避免过度拟合(13]。在神经网络的神经元,神经元就会被激活,只有当神经元的信号的加权和价值在当前层大于人工固定阈值,即激活函数是用来确定每个神经元的输出是否超过阈值。卷积神经网络中,如果一个特定地区的特征强度没有达到一定的标准,将输出0,表明这个地区的特点是非常弱的,不能从这个地区。输出0时,激活函数的梯度是接近0,所以在该地区特性,较弱梯度基本上不会减少,也就是说,该地区与此功能不会影响其他特性的提取这培训14]。因此,非线性激活函数可以显著减少无关的特性的影响。在卷积神经网络非线性函数通常是用作激活函数来提高模型的表达能力。二次抽样,也称为池,可以被视为一个特殊的卷积过程。卷积过程和二次抽样可以大大减少的参数模型和简化模型的复杂性。二次抽样通常有两种形式:意味着二次抽样和最大二次抽样。它可以减少造成的误差估计的方差值的增加引起的邻域大小限制和保留更多的图像的背景信息。造成的误差估计的平均值的偏差参数误差引起的卷积层减少,和更多的纹理信息保留。值得一提的是,最大的子样品的功能操作,只要提取一个特性,它仍将在抽样的最大输出。因此,实用功能的最大化,如果二次抽样操作特性提取的卷积核,最大值保留(15]。如果这个功能没有提取,它可能不存在,或特征不明显;然后,该地区的最大价值仍然是非常小的。因此,最大二次抽样的实验结果很好。数据特性通过几个步骤如卷积计算和二次抽样计算。在输出之前,他们必须通过完整的连接层;完整的连接层的目的是地图特征信息在卷积神经网络学习样本的标签空间。完整的连接层,处理后的二维特性映射输出卷积处理后将被转换为一维特征向量,这是合成所有以前提取的特征信息(16]。然后,整个神经网络训练是通过执行N层的隐藏层。与卷积计算层相比,每个神经元节点完整的连接层与上层的所有神经元节点。当完整的连接层行为,从卷积层集成,提取的特征信息和特征信息学会通过捕获特性之间的非线性关系,从而达到准确的分类。

3所示。结果和分析

该算法进行了实验验证。首先,开源框架平台,Darknet和咖啡,建立病人进行检测病人的姿势和行为的培训和提取特征(17]。然后,基于卷积神经网络智能医疗系统测试。在测试过程中,100000病人检测的图像数据集准备,50000年网络数据集的图像从身体语言行为特征。最后,这两个数据集分为两部分:训练集和测试集,分别在两个框架平台上运行。图3显示病人的姿势网络行为特征提取的准确性(18]。

表1显示一个特定的运动的识别率和病人的平均识别率的运动姿态的行为识别系统。

卷积神经网络的特点是,卷积神经网络引入了权重的概念分享(卷积内核)和接受域,这大大减少了参数的数量,网络需要学习;卷积神经网络可以减少计算和节省时间的计算和具有较强的学习能力和计算能力19]。提高紧急护理和救援的效率。

4所示。结论

本研究主要研究了卷积神经网络在图像识别中的应用和连接图像识别和智能医疗。通过提出一个卷积神经网络病人姿势行为特征提取算法,该算法采用双网络模型设计,包括病人检测网络模型和病人的姿势行为特征提取模型。该算法应用于病人的姿势行为检测系统,从而实现病人的识别和监控,提高紧急护理救援的效率。通过使用三个不同大小的卷积核的卷积层提取病人身体的行为特性,病人的身体行为的分类器识别系统学习的特征信息捕获特性之间的非线性关系,为了达到准确分类,病人的身体行为特征提取的准确性,某一行动的识别率在病人的身体行为识别系统,和所有操作的平均识别率,证明了卷积神经网络算法有很大的改进的紧急护理救援效率。与健康有关的企业,本文提取的特征病人通过三层不同的卷积核,学习特点,实现了精确的分类和网络的准确性,并证明了急救护理的效率。算法应用于病人行为检测系统来识别和监测患者和提高智能的医疗保健水平。测试数据集越大,病人状态行为特征的提取精度越高,和病人的平均识别率状态行为类别是97.6%,从而验证系统的正确性和有效性,证明卷积神经网络算法大大提高了急救护理效率的。20.]

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

引用

1. l .罗曼诉波林,l .辛西娅et al .,“高度敏感和非常具体的卷积神经network-basedalgorithm自动诊断小肠血管畸形的胶囊内窥镜,”胃肠内镜,卷87,不。6,AB78页,2018年。视图:谷歌学术搜索
2. c·陈,y Ma和g .任”与Fletcher-Reeves卷积神经网络算法对高光谱图像分类,“遥感,11卷,不。11,1325年,页2019。视图:出版商的网站|谷歌学术搜索
3. Valova, c·哈里斯,t·梅和n . Gueorguieva“卷积神经网络的优化设置分类,不平衡”Procedia计算机科学卷,176年,第669 - 660页,2020年。视图:谷歌学术搜索
4. k Chang h x呗,z, s . Chang和j . Kalpathy-Cramer”残余卷积神经网络确定idh状态在低收入和高级别胶质瘤成像,先生”临床癌症研究一个官方的美国癌症研究协会杂志》上,34卷,不。5,2236年,页2017。视图:谷歌学术搜索
5. 下午ChengH。s . Malhi“转移学习与卷积神经网络分类的腹部超声图像,”数码影像杂志,30卷,不。2、234 - 243年,2017页。视图:出版商的网站|谷歌学术搜索
6. l, l .高,李x l . Wang和j·朱,“有节的信号分析和断层diagnosis-sciencedirect卷积神经网络方法,”Procedia CIRP卷,72年,第1087 - 1084页,2018年。视图:出版商的网站|谷歌学术搜索
7. h·汉和朱x, y . Li”为通用数据classification-sciencedirect卷积神经网络学习,”信息科学卷,477年,第465 - 448页,2019年。视图:谷歌学术搜索
8. m . Kowal m .Żejmo m . Skobel j . Korbicz和r . Monczak“细胞核分割在细胞学图像使用卷积神经网络和播种分水岭算法,”数码影像杂志,33卷,不。1,第242 - 231页,2020。视图:出版商的网站|谷歌学术搜索
9. w·张,c, l .妈,j .关和r·黄”学习的立体图像结构不与卷积神经网络质量评估,”模式识别59卷,第187 - 176页,2016年。视图:出版商的网站|谷歌学术搜索
10. s . Kadulkar m·p·霍华德,t . m . Truskett诉Ganesan,“预测和优化nanoparticle-based电解质的离子传输特性使用卷积神经网络,”物理化学学报B,卷125,不。18日,第4849 - 4838页,2021年。视图:出版商的网站|谷歌学术搜索
11. j·陈,美国燕,k . c . Wong“言语攻击检测在推特上评论:卷积神经网络的简短文本情感分析,“神经计算与应用,32卷,不。1 - 2、1 - 10,2018页。视图:出版商的网站|谷歌学术搜索
12. l . Jae-Hong k . Do-Hyung j . Seong-Nyum, c . Seong-Ho”的诊断和预测使用深牙周破坏牙齿上优于卷积神经网络算法,”牙周&植入科学》杂志上,48卷,不。2、114 - 123年,2018页。视图:谷歌学术搜索
13. t . l . k . Wang卓,j . Li Jia, j·张,“学习multi-degraded图像的增强卷积神经网络,”传感和成像,21卷,不。1、1 - 15,2020页。视图:出版商的网站|谷歌学术搜索
14. 郭y, y, h的歌,w .他和k元,“相关示例卷积神经网络检测小杂质,“Neurocomputing,卷295,不。21日,第141 - 127页,2018年。视图:出版商的网站|谷歌学术搜索
15. z . c .角l . Auret j·t·麦科伊,c·奥尔德里奇和b . m . Herbst“卷积神经网络的性能在泡沫浮选遥感特征提取,”IFAC-PapersOnLine,50卷,不。2、十三至十八页,2017年。视图:出版商的网站|谷歌学术搜索
16. w·张,c, l .妈,j .关和r·黄”学习的立体图像结构不与卷积神经网络质量评估。模式识别,”《华尔街日报》的模式识别的社会59卷,第187 - 176页,2016年。视图:出版商的网站|谷歌学术搜索
17. m·霍姆博格“expand-model:解释学的应用lifeworld-led患者的院前急救护理,“护理科学季刊,34卷,不。3、287 - 293年,2021页。视图:出版商的网站|谷歌学术搜索
18. w·郭苏y, y, l . Chen和h .郭”影响的护理方法紧急pci和非紧急pci治疗的急性心肌梗死患者,”巴基斯坦医学协会杂志》上,卷70,不。9日,31-37,2020页。视图:谷歌学术搜索
19. s·m·俄梅珥,”一个图像数据集建设花卉识别使用卷积神经网络,”Zakho大学的科学杂志,8卷,不。3、112 - 117年,2020页。视图:出版商的网站|谷歌学术搜索
20. 周x、b .胡问:陈,x王”复发卷积神经网络answering-sciencedirect回答选择在社区的问题,“Neurocomputing卷。274年,仅8,2018页。视图:出版商的网站|谷歌学术搜索

版权

版权©2021胡雪岩陈(音译,钟。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。