目的分析高频重复经颅磁刺激(repetitive Transcranial Magnetic Stimulation,rTMS)对精神分裂症阴性症状伴语言障碍患者的干预效果。方法选取2023年10月—2025年7月收治的156例精神分裂症阴性症状伴语言障碍患者,按随机数字表法分为观...目的分析高频重复经颅磁刺激(repetitive Transcranial Magnetic Stimulation,rTMS)对精神分裂症阴性症状伴语言障碍患者的干预效果。方法选取2023年10月—2025年7月收治的156例精神分裂症阴性症状伴语言障碍患者,按随机数字表法分为观察组、对照组,各78例。对照组采用常规抗精神病药物治疗及社交技能训练等康复治疗,同时给予伪rTMS刺激,观察组在对照组基础上采用高频rTMS治疗。比较两组患者疗效、阴性症状改善情况、语言功能及不良反应。结果观察组疗效优于对照组(P<0.05);两组治疗后阳性和阴性症状量表(positive and negative symptom scale,PANSS)阴性症状评分、阴性症状量表(Scale for the Assessment of Negative Symptoms,SANS)总分降低,观察组下降更明显(P<0.05);两组治疗后言语障碍指数(Speech Handicap Index,SHI)评分降低,观察组下降更明显(P<0.05);两组不良反应基本相当(P>0.05)。结论高频rTMS治疗精神分裂症阴性症状伴语言障碍患者疗效显著,可减轻患者阴性症状,提高语言功能,且安全性良好。展开更多
现有的中文事件抽取方法存在触发词和论元依赖建模不足的问题,削弱事件内的信息交互,导致论元抽取性能低下,特别是论元角色存在重叠的情况下.对此,文中提出基于图注意力和表指针网络的中文事件抽取方法(Chinese Event Extraction Method...现有的中文事件抽取方法存在触发词和论元依赖建模不足的问题,削弱事件内的信息交互,导致论元抽取性能低下,特别是论元角色存在重叠的情况下.对此,文中提出基于图注意力和表指针网络的中文事件抽取方法(Chinese Event Extraction Method Based on Graph Attention and Table Pointer Network,ATCEE).首先,融合预训练字符向量和词性标注向量作为特征输入,并利用双向长短期记忆网络,得到事件文本的强化语义特征.再将字符级建模的依存句法图引入图注意力网络,捕获文本中各组成成分的长距离依赖关系.然后,使用表填充的方法进行特征融合,进一步增强触发词和其对应的所有论元之间的依赖性.最后,将学习得到的表特征输入全连接层和表指针网络层,进行触发词和论元的联合抽取,使用表指针网络对论元边界进行解码,更好地识别长论元实体.实验表明:ATCEE在ACE2005和DuEE1.0这两个中文基准数据集上都有明显的性能提升,并且字符级依存特征和表填充策略在一定程度上可以解决论元角色重叠问题.ATCEE源代码地址如下:https://github.com/event6/ATCEE.展开更多
文摘目的分析高频重复经颅磁刺激(repetitive Transcranial Magnetic Stimulation,rTMS)对精神分裂症阴性症状伴语言障碍患者的干预效果。方法选取2023年10月—2025年7月收治的156例精神分裂症阴性症状伴语言障碍患者,按随机数字表法分为观察组、对照组,各78例。对照组采用常规抗精神病药物治疗及社交技能训练等康复治疗,同时给予伪rTMS刺激,观察组在对照组基础上采用高频rTMS治疗。比较两组患者疗效、阴性症状改善情况、语言功能及不良反应。结果观察组疗效优于对照组(P<0.05);两组治疗后阳性和阴性症状量表(positive and negative symptom scale,PANSS)阴性症状评分、阴性症状量表(Scale for the Assessment of Negative Symptoms,SANS)总分降低,观察组下降更明显(P<0.05);两组治疗后言语障碍指数(Speech Handicap Index,SHI)评分降低,观察组下降更明显(P<0.05);两组不良反应基本相当(P>0.05)。结论高频rTMS治疗精神分裂症阴性症状伴语言障碍患者疗效显著,可减轻患者阴性症状,提高语言功能,且安全性良好。
文摘现有的中文事件抽取方法存在触发词和论元依赖建模不足的问题,削弱事件内的信息交互,导致论元抽取性能低下,特别是论元角色存在重叠的情况下.对此,文中提出基于图注意力和表指针网络的中文事件抽取方法(Chinese Event Extraction Method Based on Graph Attention and Table Pointer Network,ATCEE).首先,融合预训练字符向量和词性标注向量作为特征输入,并利用双向长短期记忆网络,得到事件文本的强化语义特征.再将字符级建模的依存句法图引入图注意力网络,捕获文本中各组成成分的长距离依赖关系.然后,使用表填充的方法进行特征融合,进一步增强触发词和其对应的所有论元之间的依赖性.最后,将学习得到的表特征输入全连接层和表指针网络层,进行触发词和论元的联合抽取,使用表指针网络对论元边界进行解码,更好地识别长论元实体.实验表明:ATCEE在ACE2005和DuEE1.0这两个中文基准数据集上都有明显的性能提升,并且字符级依存特征和表填充策略在一定程度上可以解决论元角色重叠问题.ATCEE源代码地址如下:https://github.com/event6/ATCEE.
