基于深度学习的无人机航向估计:结合BiLSTM和多头注意力机制的研究——仿真实验与实际飞行实验的对比分析
《IEEE Access》:Deep Learning-Based Drone Heading Estimation Using BiLSTM and Multi-Head Attention: A Comparative Study of Simulation and Real-World Flight Experiments
【字体:
大
中
小
】
时间:2026年06月02日
来源:IEEE Access 3.6
编辑推荐:
摘要:全球范围内,心理健康问题的发病率逐年上升,但由于传统诊断方法存在诸多局限性,这些方法仍然无法有效应对这一问题。机器学习检测模型有望成为精神科医生的辅助工具,帮助克服这些局限性。最近的研究指出,从社交媒体文本帖子中提取的情绪动态可以作为判断心理健康问题的有用指标。然而,这些
摘要:
全球范围内,心理健康问题的发病率逐年上升,但由于传统诊断方法存在诸多局限性,这些方法仍然无法有效应对这一问题。机器学习检测模型有望成为精神科医生的辅助工具,帮助克服这些局限性。最近的研究指出,从社交媒体文本帖子中提取的情绪动态可以作为判断心理健康问题的有用指标。然而,这些方法的有效性仅在患病个体与健康个体之间进行了验证。本研究探讨了利用从Twitter文本帖子中提取的十一种情绪的表述情绪动态(UED)来分析和检测八种心理健康问题:注意力缺陷/多动障碍(ADHD)、焦虑症、双相情感障碍、抑郁症、重度抑郁症(MDD)、强迫症(OCD)、产后抑郁症(PPD)和创伤后应激障碍(PTSD)。逻辑回归分析发现了33个独特的UED情绪特征,这些特征能够区分不同类型的心理健康问题。这些特征包括情绪的位移次数、位移长度、峰值距离、上升速率以及恢复速率等。在二元相关性分类实验中,使用UED特征时,浅层学习模型的平均F1分数为0.258,而使用情绪时间序列的深度学习模型则为0.222。对于大多数疾病模型而言,非共线且具有统计学显著性的特征集是最有效的特征组合。本研究为未来利用UED进行多标签心理健康问题检测奠定了基础。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号