知识图是一个必不可少的和趋势技术，具有在实体识别，搜索或问题应答中的优势。在执行命名实体识别任务的自然语言处理中有一种方法;但是，有很少的方法可以为特定于域的文本提供三元组。在本文中，已经努力开发一个可以将文本从给定教科书转换为可以用于可视化的三元组的系统，以便为知识图形和用于进一步应用程序的系统。初步评估和评估给出了有希望的结果，F1得分为82％。
translated by 谷歌翻译
心电图（ECG）监测心脏产生的电活动，用于检测致命的心血管疾病（CVD）。从传统上讲，为了捕获精确的电活动，临床专家使用多铅的心电图（通常为12条线索）。但是最近，大尺寸的深度学习模型已被用于检测这些疾病。但是，这样的模型需要大量的计算资源，例如巨大的记忆和漫长的推理时间。为了减轻这些缺点，我们提出了一个低参数模型，称为低资源心脏网络（LRH-NET），该模型使用较少的潜在客户在资源受限的环境中检测ECG异常。除此之外，还使用多层次知识蒸馏过程，以在我们提出的模型上获得更好的概括性能。多层次知识蒸馏过程将知识提炼成经过培训的LRH-NET，以减少在多个线索中训练的高级参数（教师）模型减少铅的铅，以减少性能差距。在Physionet-2020挑战数据集上评估了所提出的模型，输入受限。 LRH-NET的参数比检测CVD的教师模型小106倍。与教师模型相比，LRH-NET的性能缩放高达3.2％，推理时间降低了75％。与计算和参数密集的深度学习技术相反，提出的方法使用了使用低资源LRH-NET的ECG铅的子集，使其非常适合在边缘设备上部署。
translated by 谷歌翻译