预层归一化的深度 Transformer 模型用于 COVID-19 增长预测
COVID19 预测和检测的深度学习方法在此研究中得到了改进,并且高精度的预测模型可为医疗系统、决策者和研究者做出准确决策以减少 COVID-19 及其它传染病。
Oct, 2023
该研究提出了一种以图形化方式对流行病进行建模、具有更好的边缘表征以及可扩展预测能力的模型,在流动性分析方面具有很强的研究价值和政策指导意义,该模型提供了有效的工具箱,能够帮助公共卫生研究人员和政策制定者预测不同的封锁策略如何影响疫情的传播,并模拟了某些政策的影响和控制传染的预测。
Dec, 2022
本研究开发了基于深度学习模型的方法来预测新冠疫情在美国的传播趋势,并通过门控循环单元结构整合了人口统计信息和疫情时间序列数据,最终确定了主导的人口统计因素。
Aug, 2020
通过对深度学习时间序列模型进行解释,我们可以了解模型的行为和从原始数据中学习到的模式,以便进行实时决策。本研究使用最新的局部解释方法解释了最先进的时间序列模型,并通过收集三年的美国县级每日病例数据来验证了该方法的可行性。我们利用 13 个输入特征和过去两周的数据来预测未来两周的 COVID-19 感染情况,提出了一种对人口年龄组高度动态多变的感染数据进行预测敏感性评估的创新方法,并将我们的框架应用于交通和电力数据集,证明了该方法的通用性。
Jan, 2024
利用 Covid-19 的数据集,使用预测性分析来评估更复杂的预测模型的效能潜力,包括使用具有不同预测范围的神经网络。该研究提出了一种基于地区数据的不同类型的预测方法的一致性比较研究的结果,它与 Exponential Smoothing、机器学习模型和 LSTM 等进行了比较,并且 LSTM 表现出了最佳的效果。该研究对美国和俄罗斯进行了评估,并使用 MAPE 指标进行评估。
Jul, 2022
使用新开发的深度神经网络模型,通过局部和全球气候特征,发展了一种长期预测登革热病例的方法,其中基于傅里叶混合窗口注意力的 Transformer 模型在 60 周的长期登革热预测中表现最佳。
Mar, 2024
通过对深度学习算法在新型冠状病毒 COVID-19 检测中的应用进行全面探讨,研究人员指出,基于胸部 CT 和 X 射线图像的深度学习算法可以有效地检测肺炎,从而实现对 COVID-19 的早期诊断和预防传播。同时,文章还简要讨论了最新的咳嗽分析应用和人类移动估计技术,以限制 COVID-19 的传播。
Dec, 2020
该研究提出了一种基于多任务深度学习方法的快速有效的 COVID-19 患者识别方法,同时考虑 X 射线和 CT 扫描图像,使得 COVID-19 检测的测试准确率分别为 84.67%和 98.78%,并提出了一种定量分析策略以确定 X 射线和 CT 图像中的感染区域百分比,为 COVID-19 检测和感染区域定位提供了有前景的结果。
Apr, 2020
本文提出了一种基于深度学习及计算机断层扫描(CT)图像的自动化 COVID-19 诊断框架 MEDNC,该方法能够以高精度(达到 98.79% 和 99.82%)快速识别 COVID-19 病例,为优化医疗资源和减轻临床医生的工作负担提供了一种有力的工具。
Apr, 2023
本文研究了如何将图神经网络与长短时记忆网络相结合,以更好地预测 COVID-19 疫情的发展情况,并在欧洲 37 个国家的数据中验证了该模型的有效性。同时,本研究还分析了其在政策制定中的重要应用及其对疫情资源控制的潜在影响。
Jul, 2021