摘要：事件抽取技术是实现特定信息快速提取的一种关键技术,可广泛应用于信息检索、情感分析等场景。中文事件抽取因需要考虑中文语言特性的问题,较英文事件抽取任务来说更为困难。基于当前前沿的英文事件抽取神经网络模型,提出了一种适合硬件计算的中文事件抽取神经网络模型CEE-DGCNN,其事件触发词分类在ACE2005中文语料库上实现了71.71%的F1值。并设计实现了相应的加速器,通过对数据的定点量化进一步优化了模型大小,其性能在Xilinx XCKU115 FPGA上达到了97 GOP/s,为CPU平台上性能的67倍。

摘要：本文拟研究心脏全心动周期各房室容积与时间的关系,用于指导动态心脏体模的运动测控。本课题组共筛选50例试验对象以回顾性心电门控技术采集20个时相的心脏计算机断层摄影造影(CTA)图像,利用心功能分析软件测量心脏全心动周期各房室容积值。将患者按照性别、年龄、体重、身高、心率等因素分组,采用重复测量设计方法进行统计学分析,利用结构化稀疏算法拟合容积时间关系的数学表达式。研究结果显示,以性别、年龄、体重、身高和心率分组,在时间点上各房室容积值的差异均具有统计学意义(P=0.000);时间因素与性别分组在左心室存在交互作用(F=8.597,P=0.006),其余分组与时间因素不存在交互作用;右心室在不同体重分组之间容积值的差异具有统计学意义(F=9.004,P=0.005),其余各分组之间容积值的差异均无统计学意义。其次,以结构化稀疏算法与最小二乘法拟合的心脏各房室容积时间关系式的准确度相当,但前者拟合结果的表达式更简洁,其基函数的非零元个数仅为最小二乘法的2.2%,且鲁棒性测试表明,拟合结果鲁棒性可靠。基于本文以上研究结果提出,若将拟合关系式用于心脏运动测控或能更准确模拟动态心脏的运动规律,为动态心脏体模运动仿真的测控装置研究奠定了一定的理论基础。

摘要：深度学习在事件检测任务上取得了显著的成果,但模型严重依赖于大量的标注数据.由于事件结构化的信息和丰富的标签表示,使得获取注释的成本很高,难以大量获得.针对事件检测任务,为了提高语料标注效率,减少训练过程所需的标注样本数量,提出一种联合主动学习和预训练模型的事件检测模型.针对主动学习模型存在的冷启动问题,设计了基于融合不确定性的特殊样本选择策略,估计样本在微调下游事件检测任务方面的潜在贡献.一方面,结合预训练模型从原始任务中带来的丰富的语义信息,避免了重新设计网络结构或从零开始训练;另一方面,利用主动学习选择信息丰富的样本能更好地微调预训练模型,减少数据标注成本.在ACE 2005语料上进行数值实验验证,结果证明了所提出的EDPAL算法的有效性.