研究成果简介

成果情况
成果一:基于图像处理技术的贝类外部形态测量

研究成果

牡蛎,俗称海蛎子,是世界上第一大养殖贝类,是人类可利用的重要海洋生物资源之一。目前牡蛎分拣主要是按照重量(带壳重量)分拣(图1),即一定重量范围的贝类归为一类。通常情况下,重量越重,价格越高。但顾客的满意度却和牡蛎的肥满度(鲜肉重量与带壳重量的比例)密切相关,即同等重量的牡蛎,顾客更希望牡蛎能够比较肥满,即所谓的“又大又肥”是顾客挑拣牡蛎的理想目标。事实上,牡蛎的重量和肥满度之间的关联程度不高。同等重量的牡蛎其肥满度存在很大差异(图2)。因此,采用什么手段,从同一个重量范围内的牡蛎中,分拣出肥满度高的牡蛎,是一件困难但有实际意义的事情。

研究成果简介研究成果简介

        图1. 按重量分拣                                                                       图2. 肥满度对比图


针对该问题,我们提出采用数字图像处理技术,实现牡蛎周长、直径、面积等外部形态的测量,进而分析研究外部形态特征与肥满度之间的关系,构建外部形态与肥满度的关系模型,解决按照肥满度的生蚝分拣问题。

目前,针对牡蛎外部形态测量问题,我们提出如下三种方法:

A)基于光学投影的贝类外部形态自动测量方法(图3)。即首先利用光照投影技术,获取贝类产品外部形态的光照投影,然后进行二值化处理以及去噪,最后获取贝类的边缘以及外部形态的测量值。

研究成果简介 

                图3.            基于光学投影的贝类外部形态自动测量方法


B)基于图像组合技术的贝类外部形态检测(图4)。首先将背景的灰度值视为高斯分布,对彩色图像进行二值化处理,然后采用线检测的方式获得目标并进行去噪处理,最后获得贝类的边缘以及外部形态特征。

研究成果简介 

图4.               基于图像组合技术的贝类外部形态检测        


       
              

C)基于边缘检测的高通量贝类外部形态测量(图5)。为了提高测量效率,我们提出高通量贝类外部测量方法,即首先对图像进行二值化处理,并采用膨胀、腐蚀操作进行去噪处理。然后采用遍历的方式进行目标检测,最后实现外部形态的测量。


研究成果简介

图5. 基于边缘检测的高通量贝类外部形态测量


     在后续研究工作中,我们一方面继续研究新的外部形态测量模型,另一方面,将研究外部形态特征与肥满度之间的关系模型,并投入到实际生产实践中。




     

成果二:静息态高阶脑网络模型构建
研究成果

为探究大脑的工作机理以及挖掘神经损伤(或发育障碍)所导致的脑功能连接方面的变化,项目组以静息态功能磁共振数据、脑电数据为研究对象,从不同视角构建高阶脑功能连接网络模型,用于全面表达、模拟多个脑区之间深层次连接关系,为自闭症、抑郁症、老年痴呆等脑疾病的辅助诊断提供技术支持。具体来讲,我们目前主要提出三种高阶脑功能网络,从不同视角表达、描述大脑各个脑区之间的功能连接特性。 

A)基于“相关性的相关性”准则,提出多层静态高阶功能网络构建方法图6)。首先利用皮尔逊相关性,构建静态低阶脑网络连接矩阵(图6.1(b)),然后基于相关性的相关性,构建静态高阶脑网络连接矩阵(见图6.2(c)),最后对静态低阶、高阶网络矩阵进行特征选择和提取、融合,并用于自动判别脑疾病患者。


研究成果简介

6.静态多层高阶脑网络构建示意


项目组所提出的静态多层高阶脑网络,弥补了静态低阶脑网络仅能反应任意两个脑区之间的关联特征,无法反映多个脑区之间关联特性的不足。基于实测数据的实验表明,所提取的静态多层高阶脑网络特征,与静态低阶脑网络特征之间,具有较强的互补性,二者的融合,识别性能明显提升。

B) 基于“相关性的相关性”准则,提出局部动态高阶功能网络构建方法(图7),        用于反应脑区之间深层次的动态连接关系。首先,利用滑动窗技术,构建动态低阶脑网络(图7(a));然后,对动态低阶脑网络的每个子网络,类似方法A),基于相关性的相关性,构建相应的高阶脑网络,用于反应短时间内多个脑区之间的复杂连接关系,进而得到反应多个脑区动态连接变化的局部高阶动态网络(图7(b))。进一步,抽取高阶、低阶动态网络特征并用于脑疾病识别。


研究成果简介

7.            局部动态高阶脑网络构建示意图


项目组所提出的局部动态高阶脑网络,弥补了动态低阶脑网络仅能反应任意两个脑区之间的动态连接特性,无法反映多个脑区之间深层的动态特性的不足。

C)基于聚类分析,提出全局动态高阶功能网络构建方法(图8,用于反应不同脑区之间深层次的动态连接关系。首先,将不同个体的动态低阶网络首尾连接,进行相似性聚类(见8b)。通过这种聚类方法,可以有效降低数据维度,同时也保持了不同个体之间同类脑区的一致性。其次,将每一类视为一个“脑区”,求每一类脑区连接曲线的均值曲线、方差曲线、三阶中心矩曲线等等,然后求任意两类之间的均值相关性矩阵、类方差相关性矩阵等等(见图8(c )~(d),用于表达多个脑区之间深层次的连接特性。

项目组所提出的全局动态高阶脑网络,从另外一个视角,弥补了动态低阶脑网络仅能反应任意两个脑区之间的动态连接特性,无法反映了多个脑区之间深层的动态特性的不足。另外,采用聚类方法,能够有效降低基于相关性的相关性策略所构建的网络的复杂度。        

 

 研究成果简介


8. 全局动态高阶脑网络构建示意图

 

总之,我们从不同视角提出多种用于反应脑区之间复杂连接关系的模型,期望通过这些网络连接特性分析,能否发现和疾病密切相关的连接差异,为临床诊断提供一些技术支持。在未来的研究工作中,我们一方面将继续探究连接网络模型的构建;另一方面,开展落地化研究,赋能临床诊断。

 


 

成果三:金融大数据分析与预测
研究成果

基于数据驱动,采用人工智能、机器学习等领域的新技术、新方法,实现金融大数据的分析与预测。目前,我们主要围绕以下三个方面开展研究,并取得一些阶段性成果。

A) 将股票价格曲线视为时间序列,提出了一种个性化相似性测度,用于度量两段时间序列之间的相似性,相比欧氏距离、兰氏距离等,新测度具有有效消除奇异点的敏感性问题、时间点漂移等问题,进一步,将新测度用于股票价格趋势预测中。

B) 对Bert模型进行了改进,并应用于股票文本主题识别。股票专家发表的股票趋势的评论(股评文本),是对未来股票价格涨跌趋势的一个经验评判,是众多投资者参考的重要依据。如何快速、有效的从众多股评文本中获取评价主题--(上涨、下跌、观望),是当前一个挑战性的问题。针对股评问题的特点,我们从文本输入、特征层融合、输入层融合等多个角度对Bert模型进行了改进,用于自动补获股评文本的主题。        

C)基于多重GAN网络的金融数据缺失填补。信用风险评估是银行贷款审批的关键环节。信用风险评估数据往往不完整,存在缺失,影响了评估模型的有效性。由于信用风险评估数据具有缺失率高、缺失模式复杂,如何构建合适的数据缺失填补方法,仍是一个挑战性的问题。

我们利用数据属性内部、属性之间的关联关系,提出GAN网络多重填补方法,用于缺失率高、缺失模式复杂的数据缺失填补。

未来,我们针对目前开展的工作,继续构建新模型和新算法、融合算法。同时,拟围绕企业发展问题,开展“企业健康”诊断模型研究,为企业的健康发展提供实时检测报告。