关键词： 智能制造   数字化   电阻点焊   半破坏检查  

摘要： 电阻点焊是指通过电极施加压力,利用电流通过板材的接触面及邻近区域产生的电阻热,形成焊点的焊接方式.旨在探索整车制造企业焊装车间电阻点焊业务的数字化实施路径,针对焊装车间电阻点焊业务痛点,提出数字化构建思路和实施方案,用以提高白车身强度品质保证能力和提高质量效率.

关键词： 四气(中药)   寒热药性   机器学习   综述  

摘要： 中药药性理论的科学诠释是中药现代化研究热点。明确单味中药寒热药性及寒热程度，对指导临证精准用药有重要价值。近年来，中药寒热药性研究多在动物、细胞及分子水平展开;立足药性客观物质基础，从热力学、多组学等生物学效应角度出发;借助红外热成像等技术进行分析;形成“性-构关系”等多种研究模式。相关研究从单一物质成分或指标，发展到趋于整合多源信息、多维数据的新模式。但如何处理数据样本量巨大、冗余性强、异质性高等问题，以及如何整合多维信息等问题仍为研究难点。机器学习可凭借其强大的计算和学习能力，在中药寒热药性研究中展现出良好的判别、预测能力，在中药寒热药性研究中发挥重要作用。目前应用较多的算法有线性判别分析、Logistic判别分析、支持向量机、决策树、随机森林等。现有研究的数据维度有待丰富，算法有继续优化空间，并有待建立更为细致的中药寒热药性判别模型。

关键词： 机器学习   地震动模拟   主成分分析   粒子群算法  

摘要： 利用机器学习中的主成分分析法（PCA）提取了2022年泸定MS6.8地震的M5.0余震（2022年10月22日）的特征主成分时程，对泸定MS6.8主震的地震动时程进行模拟。在此过程中，将主震目标台站的地震动峰值加速度和反应谱作为约束条件，利用粒子群优化（PSO）算法计算特征主成分时程的组合系数。结果显示模拟结果与真实记录较为一致。这表明：利用机器学习算法能够通过提取余震的特征主成分时程对目标地震进行模拟;在进行小区域地震动模拟时，通过选取具有一致地形效应的地震动数据可以避免特殊地形效应所导致的该主成分缺失。

关键词： 无损检测   深度学习   机器学习   金线莲   多糖与黄酮含量  

摘要： 为了无损、快速地实现金线莲叶片中多糖与黄酮含量水平的判别，本研究以在不同光周期下（10、12、14、16、18、20 h/d）栽培的金线莲为样本，通过高光谱技术获取叶片像素光谱数据，运用传统机器学习（PCA-LDA与PCA-SVM）与深度学习方法（1D CNN及其优化方法）构建了相应的判别模型。结果表明，1D CNN模型在训练集、验证集与独立测试集上的判别准确率优于PCA-LDA与PCA-SVM模型，分别为99.99%与99.89%、99.98%与99.78%、91.62%与87.92%。通过在1D CNN模型中引入Dropout层，模型的泛化能力得到增强，多糖与黄酮含量水平在独立验证集上的判别准确率分别提升至98.92%与95.67%。基于此，本研究进一步构建了多糖与黄酮含量水平的可视化图像，通过颜色直观展示了不同含量水平的判别结果。研究证实了高光谱技术可用于评估金线莲叶片中多糖与黄酮的含量水平，研究结果可为金线莲的品质控制提供技术支撑。

关键词： 黄土高原   易发性评价   信息量模型   机器学习方法   InSAR  

摘要： 环境因子、气象因子与人类活动之间的相互作用，影响地表形态的变化。尤其对于黄土高原区域，在诸多因子的复杂互馈作用下易导致黄土崩滑灾害，亟需选择适用的影响因子和训练模型开展滑坡易发性评价研究。本研究以天水市为研究区，基于InSAR获取的地表形变信息，综合地形、水文、气候、生态以及人类活动等诸多影响因素，采用信息量模型（IV）分别联接到随机森林模型（RF）、决策树模型（DT）、支持向量机模型（SVM）和BP神经网络模型（BP）构建耦合模型IV-RF、IV-DT、IV-SVM和IV-BP，开展滑坡易发性评价研究。结果表明：耦合模型（IV-RF、IV-DT、IV-SVM和IV-BP）的 AUC 值分别为0.925、0.846、0.883、0.792，IV-RF具有更强的精度。滑坡频率比IV-RF模型从极低易发分区向极高易发区逐渐递增，滑坡易发性分区结果更均匀平稳。IV-RF模型具有更强的预测能力和精度，更适合黄土滑坡地质灾害易发性评价。IV-RF 模型的极高、高、中、低、极低易发性区域面积占比分别为 20.45%、18.28%、22.27%、16.92、22.09%，主要分布在天水市北部地质环境复杂和人类活动强烈的山地、黄土梁峁地区。岩性、坡度、土地利用、降雨、道路密度、InSAR形变在贡献率分析中排在前6位，是影响滑坡发育的主控因子。本研究旨在为黄土高原滑坡灾害的预测和防治工作提供可靠的科学依据，为滑坡易发性评价研究深化建模思路，优化独立模型评价结果不确定性问题。

关键词： 糖尿病,2型   机器学习   文献计量学   可视化分析  

摘要： 目的:基于Web of Science核心合集（WoSCC）数据库，利用文献计量学探讨机器学习在2型糖尿病（T2DM）研究领域的现状、热点和未来趋势。方法:检索2010—2023年WoSCC的科学引文检索扩展版（SCIE）数据库中收录的关于机器学习与T2DM的研究论文。使用Excel、CiteSpace、VOSviewer、R软件包“bibliometrix”和文献计量在线分析平台对发文量、国家、研究机构、作者、关键词及相关引文进行可视化分析。结果:共纳入636篇文献。2021—2023年，机器学习在T2DM领域中的研究论文发文量急剧增加。美国是该领域中参与国际合作最多的国家。哈佛大学是研究论文发表数量最多的机构。共被引文献聚类标签显示了7个主要聚类：筛查、临床支持决策系统、糖尿病肾脏病、肠道微生物组、轻度认知障碍、医疗诊断及差异表达基因。关键词爆发分析表明，风险预测、预测模型、代谢组学和干预措施是研究强度较高的热点。结论:机器学习在T2DM领域的相关研究活跃度日益增加。当前该领域的研究热点主要集中在T2DM的预测及筛查方面，而机器学习在T2DM管理措施的应用及对并发症预测的研究可能会成为未来的趋势。

关键词： 糖尿病视网膜病变   人工智能   专案管理   社区筛查  

摘要： 糖尿病视网膜病变（DR）是导致糖尿病患者视力损害的主要原因之一，及时进行早期筛查与干预能够显著提升DR的防治效果。遵循《社区医疗机构糖尿病视网膜病变筛查工作流程与管理规范的专家共识（2023版）》指导原则，在紧密型医联体医院模式下，实施了基于人工智能的DR社区筛查项目，即以内分泌科团队为主导、社区医疗机构为执行主体、眼科团队为辅助支持、糖尿病专案为纽带的管理模式。实施结果显示，该模式在实际应用中具有高度的可行性和实用性。

关键词： 糖尿病,2型   舌下微循环   机器学习   下肢动脉病变  

摘要： 目的:探索舌下微循环作为辅助筛查2型糖尿病（T2DM）患者早期下肢动脉缺血风险无创评估方法。方法:为横断面研究。选取自2023年1月至2024年3月于解放军陆军军医大学大坪医院高血压内分泌科住院治疗的T2DM患者（174例）以及健康体检志愿者（51名）作为研究对象，收集一般病历资料，包括性别、年龄、糖尿病病程、体重指数（BMI）、收缩压、舒张压、糖化血红蛋白（HbA 1c）、空腹血糖（FPG）、天冬氨酸转氨酶（AST）、丙氨酸转氨酶（ALT）、血脂四项、估算的肾小球滤过率（eGFR）、尿白蛋白/肌酐比值（UACR）、高敏C反应蛋白（hs-CRP）以及T2DM患者主要降糖调脂用药情况。所有入组T2DM患者均排除糖尿病周围神经病变，所有受试者完善侧流暗视野成像（SDF）检测舌下微循环、踝肱指数（ABI）以及肱踝脉搏波速度（ba-PWV），微循环评估参数包括总血管密度（TVD）和灌注血管密度（PVD）。将T2DM患者依据是否合并动脉硬化（AS）分为单纯T2DM组（103例）与T2DM合并AS组（71例），根据是否合并早期缺血症状将单纯T2DM组进一步分为有早期缺血症状组（52例）与无早期缺血症状组（51例）。多组间比较采用方差分析、Kruskal-Wallis H检验、 χ2检验，两组间比较采用 t检验、Wilcoxon符号秩和检验、 χ2检验。采用Pearson相关分析法分析TVD、PVD与临床指标的相关性、利用随机森林算法筛查T2DM患者的下肢缺血风险评估关键指标，利用受试者工作特征（ROC）曲线以确定诊断切点。 结果:与对照组相比，T2DM患者有显著的舌下微循环障碍，并且与年龄、糖尿病病程正相关，T2DM合并AS组患者舌下微循环灌注进一步损伤。TVD、PVD与ba-PWV呈负相关（TVD： r=-0.490， P<0.001;PVD： r=-0.480， P<0.001），而与ABI无相关性。ROC曲线评估TVD、PVD与ba-PWV复合指标筛查T2DM患者下肢动脉缺血病变模型，具有较好的敏感性［单纯T2DM与T2DM合并AS组：曲线下面积为0.952（95%CI 0.912~0.991），诊断切点5.180，灵敏度88.73%，特异度98.02%;单纯T2DM组内：曲线下面积为0.780（95%CI 0.690~0.870），诊断切点9.350，灵敏度88.24%，灵敏度56.00%］。 结论:T2DM患者舌下微循环障碍与下肢动脉病变密切相关。联合TVD、PVD与ba-PWV复合指标评估T2DM患者下肢动脉病变有望作为筛查其早期下肢缺血风险的有效方法。

关键词： 人工智能   个性化教学   教师专业成长   教学模式创新  

摘要： 随着人工智能技术的飞速发展,教育领域正经历着一场深刻的变革.人工智能驱动的个性化教学模型以其精准定位学生需求、优化教学资源分配、促进学生主动学习等优势,成为提升教学质量与效率的重要途径.然而,这一模式的引入,也为教师专业成长带来了新的挑战与前所未有的机遇.旨在探讨人工智能在个性化教学中的应用现状,分析其对教师角色转型、技能升级、以及教学创新思维的影响,提出教师如何在智能教育时代下把握机遇、应对挑战,实现个人专业能力的跨越性成长.

关键词： 鼻咽癌   剂量组学   调强放疗   机器学习   放射性颞叶损伤   预测模型  

摘要： 目的:探讨基于三维剂量分布的剂量组学模型在预测鼻咽癌患者调强放疗后放射性颞叶损伤（RTLI）中的性能并进行验证。方法:回顾性分析2011年1月至2021年12月江苏省肿瘤医院收治的3578例鼻咽癌患者的资料。根据纳入和排除标准，纳入97例发生RTLI的鼻咽癌患者作为病例组，利用倾向性评分匹配法1∶1匹配97例未发生RTLI的鼻咽癌患者作为对照组。将患者按7∶3的比例采用简单随机法分为训练组（135例）和验证组（59例）。从患者三维剂量分布图中提取剂量组学特征，使用斯皮尔曼等级相关系数和最小绝对收缩和选择算子回归来筛选剂量组学特征。收集患者的临床特征，使用单因素及多因素分析筛选临床特征。随后，训练8个机器学习分类器分别构建剂量组学模型和临床模型。计算曲线下面积（AUC）、灵敏度、特异度等参数来比较剂量组学和临床特征的预测性能。多因素分析采用logistic回归方法评估，不同模型之间的ROC曲线采用DeLong检验进行比较。结果:从三维剂量分布图中提取1130个剂量组学特征，经特征筛选后保留14个特征用于剂量组学模型建立，基于支持向量机（SVM）分类器的模型在验证组中取得了最高的AUC值，为0.977（95% CI为0.949~1.000），在训练组中的AUC值为1.000（95% CI为1.000~1.000）。通过对患者的临床特征进行单因素和多因素分析，最终选取2个临床特征用于临床模型建立，基于SVM分类器的模型在验证组中取得了最佳的AUC值（0.667，95% CI为0.523~0.810），其在训练组的AUC值为0.804（95% CI为0.730~0.878）。DeLong检验显示，剂量组学模型与临床模型的差异具有统计学意义（ P<0.05）。 结论:基于三维剂量分布构建的剂量组学模型对于鼻咽癌患者调强放疗后RTLI的发生具有较高的预测能力，优于临床模型，为临床早期预测RTLI提供了新的思路。