面向慢病管理的个性化饮食推荐研究与实现
这是一篇关于实体抽取,机器学习,时序建模,个性化推荐,饮食推荐系统的论文, 主要内容为随着生活水平的日益提升,人们更加注重于饮食所带来的健康影响。不合理的饮食会对身体造成不同程度的伤害,进而引发多种慢性疾病。本文以预防和控制慢性病为目的,结合用户的饮食兴趣偏好为用户生成健康的饮食推荐结果,构建面向慢病管理的个性化饮食推荐系统,并对实体抽取、饮食约束生成,饮食偏好预测这三个方面的内容进行了深入的研究:(1)基于个人电子病历的慢性病实体抽取。该任务以Bi LSTM-CRF模型为基础,实验采用了基于预训练模型的语义迁移方式和基于词向量模型的语义迁移方式。最后,BERT-Bi LSTM-CRF模型在各种评价指标上达到最优,其中标签级F1值达到97.58%。(2)基于个人营养病志的饮食约束模型。该任务基于个人的营养病志信息为用户生成健康的饮食约束,即用户的每日建议食物量。构建了饮食约束分类模型和饮食约束回归模型。最后,树模型在分类任务和回归任务上都取得了不错的性能效果并在随机森林模型上达到最优。(3)基于个人饮食记录的饮食偏好模型。该任务对个人过去一段时间的饮食记录进行时序建模,并对用户的当前兴趣偏好进行预测。将饮食偏好预测任务视为NBR(Next-Basket-Recommendation)任务,构建了基于时序建模的饮食偏好预测模型,即LACT(LSTM-Attention-Correlation-Transition)模型,模型使用正负样本进行训练并采用不定长的输出形式。实验采用了14个用户3个月左右的饮食记录数据,并采用多标签准确率作为该任务的评价指标。实验对比了其它NBR任务中的经典模型并在LACT模型的性能效果上达到最优,准确率达到18.06%。最后对LACT模型的进行了消融实验,验证了LACT模型中各个模块的功能效果。此外,本文对饮食推荐系统进行了设计与实现,包括饮食推荐策略的设计、数据库的设计与构建以及微信小程序的设计与开发。饮食推荐策略包括召回层和排序层,即包括健康召回和偏好排序两个过程;基于饮食推荐策略,本文设计了相应数据库并使用tkinter框架开发了食谱修改工具辅助食谱的修改工作;最后,将饮食推荐系统部署于微信小程序端并进行了系统功能测试。综上所述,本文以面向慢病管理的个性化饮食推荐系统为中心,展开了慢性病实体抽取、饮食约束生成、饮食偏好预测以及微信小程序的设计开发四个方面的工作。实体抽取模型在个人电子病历中抽取慢性病相关实体;饮食约束模型为用户生成每日建议食物量,构成推荐策略的召回层;饮食偏好模型预测用户当前时刻的饮食偏好,为推荐策略的排序层。本文以用户特征生成健康约束、饮食记录生成饮食偏好作为基本推荐架构,进而构建面向慢病管理的个性化饮食推荐系统。
基于骨架与视频的驾驶员行为识别研究
这是一篇关于相似行为,多模态,时序建模,驾驶员行为识别,基于骨架的行为识别的论文, 主要内容为本文研究基于骨架和视频的驾驶员行为识别,旨在自动识别车内的驾驶员行为。交通安全是一个重大的社会问题,其中驾驶员危险行为是导致事故发生的重要原因。准确识别驾驶员危险行为并及时预警,是减少交通事故数量的关键。如何自动、准确和高效地识别驾驶员行为是当前人工智能研究的热点。然而,驾驶员行为识别仍面临一些困难亟待解决,一方面,驾驶员动作幅度小,身体部位移动细微,难以提取有效的时序信息。另一方面,驾驶员行为相似,动作交互的物体小,视频背景干扰大,难以准确区分驾驶员相似行为。针对时序建模困难的问题,提出了一种基于骨架的多尺度运动激活行为识别方法。本文提出了一个多尺度的短期运动信息提取模块(MME),通过建模任意两帧骨架序列的差别来激活运动敏感的节点特征通道,帮助模型捕获多尺度的短期运动特征。大量实验结果证明了该方法的有效性。针对相似行为难以区分的问题,提出了一种姿态与视觉双向交互的驾驶员行为识别方法(BPAI-Net),以同时考虑驾驶员行为识别的两种数据模态(视频RGB模态和骨架模态)。为利用交互物体的视觉信息,本文提出了一个基于关键点的感兴趣区域提取模块来增强姿态特征。另外,借助注意力机制,本文设计了一个姿态引导的注意力模块引导模型关注与驾驶员行为相关的视频关键局部区域。最后,利用这两个模块构建双向交互机制,使得不同模态信息可以交互,从而提取模态间的互补信息。大量实验结果证明了该方法的合理性和优越性。此外,还将MME方法应用于BPAI-Net方法,增强了BPAI-Net的时序建模能力,进一步提高了驾驶员行为识别的精度。
基于骨架与视频的驾驶员行为识别研究
这是一篇关于相似行为,多模态,时序建模,驾驶员行为识别,基于骨架的行为识别的论文, 主要内容为本文研究基于骨架和视频的驾驶员行为识别,旨在自动识别车内的驾驶员行为。交通安全是一个重大的社会问题,其中驾驶员危险行为是导致事故发生的重要原因。准确识别驾驶员危险行为并及时预警,是减少交通事故数量的关键。如何自动、准确和高效地识别驾驶员行为是当前人工智能研究的热点。然而,驾驶员行为识别仍面临一些困难亟待解决,一方面,驾驶员动作幅度小,身体部位移动细微,难以提取有效的时序信息。另一方面,驾驶员行为相似,动作交互的物体小,视频背景干扰大,难以准确区分驾驶员相似行为。针对时序建模困难的问题,提出了一种基于骨架的多尺度运动激活行为识别方法。本文提出了一个多尺度的短期运动信息提取模块(MME),通过建模任意两帧骨架序列的差别来激活运动敏感的节点特征通道,帮助模型捕获多尺度的短期运动特征。大量实验结果证明了该方法的有效性。针对相似行为难以区分的问题,提出了一种姿态与视觉双向交互的驾驶员行为识别方法(BPAI-Net),以同时考虑驾驶员行为识别的两种数据模态(视频RGB模态和骨架模态)。为利用交互物体的视觉信息,本文提出了一个基于关键点的感兴趣区域提取模块来增强姿态特征。另外,借助注意力机制,本文设计了一个姿态引导的注意力模块引导模型关注与驾驶员行为相关的视频关键局部区域。最后,利用这两个模块构建双向交互机制,使得不同模态信息可以交互,从而提取模态间的互补信息。大量实验结果证明了该方法的合理性和优越性。此外,还将MME方法应用于BPAI-Net方法,增强了BPAI-Net的时序建模能力,进一步提高了驾驶员行为识别的精度。
基于骨架与视频的驾驶员行为识别研究
这是一篇关于相似行为,多模态,时序建模,驾驶员行为识别,基于骨架的行为识别的论文, 主要内容为本文研究基于骨架和视频的驾驶员行为识别,旨在自动识别车内的驾驶员行为。交通安全是一个重大的社会问题,其中驾驶员危险行为是导致事故发生的重要原因。准确识别驾驶员危险行为并及时预警,是减少交通事故数量的关键。如何自动、准确和高效地识别驾驶员行为是当前人工智能研究的热点。然而,驾驶员行为识别仍面临一些困难亟待解决,一方面,驾驶员动作幅度小,身体部位移动细微,难以提取有效的时序信息。另一方面,驾驶员行为相似,动作交互的物体小,视频背景干扰大,难以准确区分驾驶员相似行为。针对时序建模困难的问题,提出了一种基于骨架的多尺度运动激活行为识别方法。本文提出了一个多尺度的短期运动信息提取模块(MME),通过建模任意两帧骨架序列的差别来激活运动敏感的节点特征通道,帮助模型捕获多尺度的短期运动特征。大量实验结果证明了该方法的有效性。针对相似行为难以区分的问题,提出了一种姿态与视觉双向交互的驾驶员行为识别方法(BPAI-Net),以同时考虑驾驶员行为识别的两种数据模态(视频RGB模态和骨架模态)。为利用交互物体的视觉信息,本文提出了一个基于关键点的感兴趣区域提取模块来增强姿态特征。另外,借助注意力机制,本文设计了一个姿态引导的注意力模块引导模型关注与驾驶员行为相关的视频关键局部区域。最后,利用这两个模块构建双向交互机制,使得不同模态信息可以交互,从而提取模态间的互补信息。大量实验结果证明了该方法的合理性和优越性。此外,还将MME方法应用于BPAI-Net方法,增强了BPAI-Net的时序建模能力,进一步提高了驾驶员行为识别的精度。
真实场景下人体行为检测的研究与应用
这是一篇关于人体行为检测,时序建模,注意力机制,分布式系统的论文, 主要内容为深度学习技术的飞速发展,催生出了一系列诸如计算机视觉,自然语言处理,强化学习之类的实际应用场景及方向,同时在安防监控领域也借助深度学习的发展迎来了技术手段上的变革。但是当前应用于安防监控领域的深度学习算法大多只停留在实验室阶段,虽然针对常用的数据集,当前的算法都能取得一个较好的精度,但在真实场景下,算法的精度和实时性能都不能达到实际应用的要求,所以急需一套智能化人体行为检测系统去解决当前真实场景下的人体行为检测任务。本文以真实场景下的人体行为检测任务为背景,利用深度学习技术设计出了一套检测算法和识别算法对行为进行分析,同时开发了一套分布式的行为检测平台,实现了一套从视频分析到检测报警的端到端系统。具体工作如下:1.设计了一个人体行为识别算法,命名为VSTNet网络,该网络摒弃了传统CNN特征提取方法,借鉴了NLP领域的Transformer架构以及残差网络对于梯度消失的解决办法,将文本处理领域的Seq2Seq解决方案应用到图像视频处理领域,设计了一个基于Attention机制的视频图像特征提取网络,同时考虑到视频行为分析领域特有的时序特征提取问题,设计了一个时序特征提取模块,命名为PSM,该模块摒弃了传统3D卷积或者光流法低效的时序特征提取手段,手动地对特征进行shift移位操作以融合不同帧之间的特征从而进行时间上下文建模,使时序建模得以高效的解决。2.设计了一个人体行为检测算法,命名为MTResnet网络,该网络以Res Net50作为骨干网络,同时将PSM模块嵌入了残差模型瓶颈结构的残差分支以实现时序特征的提取,对于真实场景中的小目标对象的检测,本文了利用特征金字塔模型,通过上采样的方式还原出高分辨的特征,最后本模型通过Transformer的编解码架构代替了传统目标检测网络的区域生成网络,避免了锚框的生成,在简洁的处理基础上取得了和当前优秀模型相媲美的结果。3.针对于设计的人体行为分析算法,设计了一套C/S架构的分布式后台监控系统,该系统能够根据需求动态的调用后台服务器进行检测并实现负载均衡,解决了深度学习系统gpu资源紧张,服务节点负载不均的问题,为市场上大型安防系统的搭建提出了一个可行的解决方案。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：毕设助手 ，原文地址：https://bishedaima.com/lunwen/54561.html
