目前自闭症功能磁共振(functional magnetic resonance imaging,fMRI)图像分类模型在跨多个机构的数据集下分类精度较低,难以应用到自闭症的诊断工作中。为此,本文提出了一种基于Transformer的自闭症分类模型(autism spectrum disorder ...
详细信息
目前自闭症功能磁共振(functional magnetic resonance imaging,fMRI)图像分类模型在跨多个机构的数据集下分类精度较低,难以应用到自闭症的诊断工作中。为此,本文提出了一种基于Transformer的自闭症分类模型(autism spectrum disorder classification model based on Transformer,TransASD)。首先采用脑图谱模板提取fMRI数据中的时间序列输入Transformer模型,并引入一种重叠窗口注意力机制,能够更好地捕捉异构数据的局部与全局特征。其次,提出了一个跨窗口正则化方法作为额外的损失项,使模型可以更加准确地聚焦于重要的特征。本文使用该模型在公开的自闭症数据集ABIDE上进行实验,在10折交叉验证法下得到了71.44%的准确率,该模型对比其他先进算法模型取得了更好的分类效果。
提出一种基于石墨烯膜片的非本征型光纤法布里-珀罗干涉仪(extrinsic Fabry-Perot interferometer based on optical fiber,EFPI)声传感器,结合卷积神经网络(convolutional neural networks,CNN)和长短期记忆网络(long short term memor...
详细信息
提出一种基于石墨烯膜片的非本征型光纤法布里-珀罗干涉仪(extrinsic Fabry-Perot interferometer based on optical fiber,EFPI)声传感器,结合卷积神经网络(convolutional neural networks,CNN)和长短期记忆网络(long short term memory network,LSTM)级联模型,用于多种类小型旋翼无人机探测与识别,并对实验过程中的提取特征、采集装置、声源种类数量进行了进一步的细化分析。通过实验对比,发现用梅尔倒谱系数(Mel frequency cepstral coefficient,MFCC)作为特征提取时,识别效果明显优于短时傅里叶变换(short-time Fourier transform,STFT)、梅尔频谱(Mel spectrogram)特征,而且使用该传感器进行无人机探测与识别的效果比电学式麦克风的准确率高约2%。此外,对多种类小型旋翼无人机声源的识别准确率均在95.33%以上,证实该方法可对多类无人机进行有效探测识别。
暂无评论