在对1980年以来气候要素进行空间化的基础上,利用分类回归树模型CART计算中国的潜在归一化植被指数(NDVI),采用改进的光能利用率模型(CASA)和潜在NDVI数据对中国的潜在植被净初级生产力(NPP)进行模拟。结果表明:中国潜在NDVI和潜在NPP均呈现出南高北低、东高西低的格局,低值多分布在沙漠、戈壁等干旱地带,高值多出现在低、中山平原区;400 mm等降水量线是潜在NDVI和潜在NPP高值与低值的分界线;全国潜在NDVI和潜在NPP的平均值分别为0.396和319.31 g C·m-2;夏季潜在NPP的平均值最大,其次是春季,冬季最小;依据潜在NPP与2015年现实NPP的差异,可将中国植被恢复区划分为西部高潜力区、北部低潜力区和南部非潜力区3部分;潜在NDVI和潜在NPP的空间模拟可以将人类活动对自然生态系统的直接影响与气候变化的影响分离,量化了外界压力下真实的生态状况和潜在生态状况的差异,为制定差别化的生态恢复对策提供了科学依据。
冻结步态是帕金森患者最常见也是最危险的运动障碍之一。作为其医疗评估、干预和非药物治疗的基础,冻结步态识别已经越来越凸显其研究意义和实用价值。本文围绕高精度和高实时性的目标,从肢体加速度信号处理、特征提取、分类器设计和算法优化等方面着手,展开了冻结步态识别方法研究。为提高识别方法在解析多任务场景中不同帕金森患者肢体加速度信号过程中的广泛适用性,进而提高全局识别精度,本文使用变分模态分解(Variational Model Decomposition,VMD)对其进行自适应解析。本文首先论述了VMD原理和推导过程,随后使用平均瞬时频率法确定冻结步态肢体加速度信号的分解层数并最终完成了信号的分解,且提出使用VMD自适应分解结果代替既有方法中普遍关注的冻结步态肢体加速度信号人为划分的固定频带,用以进行冻结步态甄别。为定量描述帕金森患者肢体加速度信号的性质以进行冻结步态识别,在完成其自适应分解的基础上本文进行了针对冻结步态的特征提取。在特征提取阶段,本文从能量特性和时域特性的角度,设计了一组基于VMD分解结果的66维特征,随后围绕传感器安置部位选择和时间窗长度划分等问题进行初步的识别实验,进而确定参量完成特征提取。本文后续以更高识别精度、更快识别速度为目标,进行了识别算法的整体设计和优化。首先基于分类回归树(Classification and Regression Tree,CART)对前述66维特征进行重要性排序并对特征集进行了降维优化。随后针对冻结步态样本数量不平衡和单一分类器性能有限的情况,本文进行了数据采样-集成分类器组合方法的设计和实验,实验结果表明基于RUSBoost和SMOTE-Adaboost两种组合框架的识别算法能更加有效地对冻结步态进行识别。针对冻结步态识别问题中常见的误判率高的问题,本文设计了相应的优化目标,从调整算法超参数的角度,使用贝叶斯优化对识别算法中的基分类器CART模型最大分裂数和集成分类器的基分类器数进行超参数寻优,经优化后的识别算法结合前文描述的基于VMD分解结果提取出的最优特征集能更好的胜任冻结步态分类识别的任务,最终获得了准确率91.9%,敏感度92.3%,特异度91.5%的冻结步态识别效果。
暂无评论