目的分析2009—2024年人工智能(artificial intelligence,AI)在医疗与健康管理的应用研究现状,为AI在健康管理中的应用提供参考。方法基于Web of Science核心合集数据库,检索2009—2024年主题内容含AI,标题含健康管理的相关出版物。采用...目的分析2009—2024年人工智能(artificial intelligence,AI)在医疗与健康管理的应用研究现状,为AI在健康管理中的应用提供参考。方法基于Web of Science核心合集数据库,检索2009—2024年主题内容含AI,标题含健康管理的相关出版物。采用R4.2.2与CiteSpace软件分析发文及引文趋势,国家、期刊、机构、作者及关键字共现等情况,并评估关键字频率和趋势。结果共检索2009—2024年来自75个国家及地区的7714位作者在526种期刊上发表的1331篇文献。美国医学会杂志和生物医学信息学杂志是该领域的主要贡献者。国际合作呈现集中度过高,区域不平衡的特点。从文献时序结合关键词趋势看,AI在健康管理中的应用研究分为早期阶段(2009—2014年)、增长阶段(2015—2019年)和快速增长阶段(2020—2024年)。关键研究包含技术更迭、应用场景和交叉前沿三大方向。结论AI是健康管理领域研究的热点,未来研究应加强跨学科和跨部门合作,有效整合相关健康大数据和智能技术,构建更加全面有效的健康管理系统和运行机制,同时需要解决伦理问题,以推动可持续发展。展开更多
进口大豆易发生热损伤,影响使用价值和加工品质量,采用高光谱图像技术可实现快速、无损地检测热损伤大豆。本研究利用高光谱图像技术结合机器学习方法识别热损伤大豆,探索将稳健的基于能量的最小二乘孪生支持向量机(Robust Energy-Based...进口大豆易发生热损伤,影响使用价值和加工品质量,采用高光谱图像技术可实现快速、无损地检测热损伤大豆。本研究利用高光谱图像技术结合机器学习方法识别热损伤大豆,探索将稳健的基于能量的最小二乘孪生支持向量机(Robust Energy-Based Least Squares Twin Support Vector Machine,RELS-TSVM)应用于大豆高光谱数据分类。采用恒温箱加热的方法模拟进口大豆在运输过程中的高温封闭环境,制备热损伤大豆,采集正常、轻度、重度热损伤大豆在400~1000 nm范围的高光谱数据,采用多种预处理方法(变量标准化法、多元散射校正法、去趋势法和Savitzky-Golay平滑滤波法)对光谱数据进行处理,分析预处理方法对模型检测性能的影响。在光谱数据中添加噪声和异常值,评估RELS-TSVM模型在检测热损伤大豆时的稳健性,并将该模型的检测性能与孪生支持向量机的其他衍生模型对比。结果表明,并不是所有的预处理方法都能有效提高模型的检测性能,在本研究中,变量标准化法和多元散射校正法可提升热损伤样本的检测准确率。RELS-TSVM模型引入能量项和正则化项后,在检测含有高斯噪声和异常值的热损伤大豆样本时,展现出优异的抗噪声和异常值能力,为进口大豆品质检测提供新途径。展开更多
文摘目的分析2009—2024年人工智能(artificial intelligence,AI)在医疗与健康管理的应用研究现状,为AI在健康管理中的应用提供参考。方法基于Web of Science核心合集数据库,检索2009—2024年主题内容含AI,标题含健康管理的相关出版物。采用R4.2.2与CiteSpace软件分析发文及引文趋势,国家、期刊、机构、作者及关键字共现等情况,并评估关键字频率和趋势。结果共检索2009—2024年来自75个国家及地区的7714位作者在526种期刊上发表的1331篇文献。美国医学会杂志和生物医学信息学杂志是该领域的主要贡献者。国际合作呈现集中度过高,区域不平衡的特点。从文献时序结合关键词趋势看,AI在健康管理中的应用研究分为早期阶段(2009—2014年)、增长阶段(2015—2019年)和快速增长阶段(2020—2024年)。关键研究包含技术更迭、应用场景和交叉前沿三大方向。结论AI是健康管理领域研究的热点,未来研究应加强跨学科和跨部门合作,有效整合相关健康大数据和智能技术,构建更加全面有效的健康管理系统和运行机制,同时需要解决伦理问题,以推动可持续发展。
文摘进口大豆易发生热损伤,影响使用价值和加工品质量,采用高光谱图像技术可实现快速、无损地检测热损伤大豆。本研究利用高光谱图像技术结合机器学习方法识别热损伤大豆,探索将稳健的基于能量的最小二乘孪生支持向量机(Robust Energy-Based Least Squares Twin Support Vector Machine,RELS-TSVM)应用于大豆高光谱数据分类。采用恒温箱加热的方法模拟进口大豆在运输过程中的高温封闭环境,制备热损伤大豆,采集正常、轻度、重度热损伤大豆在400~1000 nm范围的高光谱数据,采用多种预处理方法(变量标准化法、多元散射校正法、去趋势法和Savitzky-Golay平滑滤波法)对光谱数据进行处理,分析预处理方法对模型检测性能的影响。在光谱数据中添加噪声和异常值,评估RELS-TSVM模型在检测热损伤大豆时的稳健性,并将该模型的检测性能与孪生支持向量机的其他衍生模型对比。结果表明,并不是所有的预处理方法都能有效提高模型的检测性能,在本研究中,变量标准化法和多元散射校正法可提升热损伤样本的检测准确率。RELS-TSVM模型引入能量项和正则化项后,在检测含有高斯噪声和异常值的热损伤大豆样本时,展现出优异的抗噪声和异常值能力,为进口大豆品质检测提供新途径。
