在整个2019年冠状病毒疾病（COVID-19）大流行中，决策者依靠预测模型来确定和实施非药物干预措施（NPI）。在构建预测模型时，需要从包括开发人员，分析师和测试人员在内的各种利益相关者进行不断更新的数据集，以提供精确的预测。在这里，我们报告了可扩展管道的设计，该管道可作为数据同步，以支持国际自上而下的时空时空观察和covid-19的预测模型，名为Where2test，用于德国，捷克西亚和波兰。我们已经使用PostgreSQL构建了一个操作数据存储（ODS），以连续合并多个数据源的数据集，执行协作工作，促进高性能数据分析和跟踪更改。 ODS不仅是为了存储来自德国，捷克和波兰的COVID-19数据，而且还存储了其他领域。元数据的模式采用维数事实模型，能够同步这些区域的各种数据结构，并且可以扩展到整个世界。接下来，使用批处理，转移和负载（ETL）作业填充ODS。随后创建了SQL查询，以减少为用户预处理数据的需求。然后，数据不仅可以支持使用版本控制的Arima-Holt模型和其他分析来预测，以支持决策制定，还可以风险计算器和优化应用程序。数据同步以每天的间隔运行，该间隔显示在https://www.where2test.de上。
translated by 谷歌翻译
Covid-19是由严重呼吸道综合征冠状病毒引起的疾病。它于2019年12月在中国武汉确定。这导致了一场持续的大流行，导致感染病例，包括某些死亡。在密切接触期间，冠状病毒主要在人之间传播。这项研究激发了这一概念，提出了一种人工智能系统，用于使用热图像进行社会距离分类。通过利用Yolov2（您看一次），开发了一种深度学习检测技术，用于检测和跟踪室内和室外场景中的人。还实施了一种算法来测量和分类人员之间的距离，并自动检查社会距离规则是否受到尊重。因此，这项工作旨在通过评估人们是否以及如何遵守社会疏远规则来最大程度地减少Covid-19病毒的传播。所提出的方法应用于通过热摄像机获得的图像，以建立一个完整的AI系统，用于跟踪人们，社交距离分类和体温监测。训练阶段是通过从不同的热摄像机捕获的两个数据集完成的。地面真相标签应用程序用于标记图像中的人员。所达到的结果表明，该提出的方法适合在智能城市中创建智能监视系统，用于人们检测，社会距离分类和体温分析。
translated by 谷歌翻译
阿尔茨海默氏病是一种进行性神经退行性疾病，逐渐剥夺患者的认知功能，并可能以死亡结束。随着当今技术的发展，可以通过磁共振成像（MRI）扫描来检测阿尔茨海默氏病。因此，MRI是最常用于诊断和分析阿尔茨海默氏病进展的技术。有了这项技术，可以使用机器学习自动实现对阿尔茨海默氏病的早期诊断的图像识别。尽管机器学习具有许多优势，但目前使用深度学习的应用更广泛地应用，因为它具有更强的学习能力，并且更适合解决图像识别问题。但是，仍然存在一些挑战以实施深度学习，例如对大型数据集的需求，需要大量的计算资源以及需要仔细的参数设置以防止过度拟合或不足。在应对使用深度学习对阿尔茨海默氏病进行分类的挑战时，本研究提出了使用残留网络18层（RESNET-18）体系结构的卷积神经网络（CNN）方法。为了克服对大型且平衡的数据集的需求，使用来自ImageNet的传输学习并加权损耗函数值，以使每个类具有相同的权重。而且，在这项研究中，通过将网络激活函数更改为MISH激活函数以提高准确性，从而进行了实验。从已经进行的测试结果中，使用转移学习，加权损失和MISH激活函数的模型准确性为88.3％。该准确性值来自基线模型，仅获得69.1％的精度。
translated by 谷歌翻译