LeviLizhi的博客

激活函数（Activation Function），就是在人工神经网络的神经元上运行的函数，负责将神经元的输入映射到输出端。使用非线性的激活函数将非线性特性引入到到网络中。激活函数给神经元引入了非线性因素，使得神经网络可以任意逼近任何非线性函数，这样神经网络就可以应用到众多的非线性模型中。一个节点的激活函数(Activation Function)定义了该节点在给定的输入或输入的集合下的输出。神经网络中的激活函数用来提升网络的非线性（只有非线性的激活函数才允许网络计算非平凡问题），以增强网络的表征能力。对激

随着工作和生活节奏的加快，人们面临的压力越来越大，这就增加了患抑郁症的概率。然而，由于全球医患比例严重失衡，很多患者可能无法得到及时诊断。一个很有希望的进展是生理和心理学研究发现抑郁症患者和健康人在言语和面部表情上有一些差异。因此，为了改善当前的医疗保健，深度学习（DL）已被用于从音频和视频中提取抑郁线索的表示，以用于自动抑郁检测。为了对这些研究进行分类和总结，我们介绍了抑郁症自动评估的数据库和客观指标。我们还回顾了用于抑郁症自动检测的DL方法，以从音频和视频中提取抑郁症的表示。最后，我们讨论了与使用DL。

背景与目的：抑郁症是一种典型的精神疾病，早期筛查可有效预防病情的加重。许多研究发现，抑郁症患者的表情与其他被试的表情不同，微表情已被用于精神疾病的临床检测。然而，基于微表情的抑郁症自动检测方法很少。方法：建立一个包含156名受试者（病例组76名，对照组80名）的新数据集。所有的数据都是在一个新的情绪刺激实验和医患对话的背景下收集的。我们首先分析了病例组和对照组面部表情的平均出现次数（ANO）和平均持续时间（AD）。

随着全球人口的增长，抑郁症患者的比例沿着迅速增加。抑郁症是目前最普遍的心理健康障碍。有效的抑郁症识别系统对于早期发现潜在的抑郁症风险尤为重要。与抑郁症相关的数据集在评估抑郁症或潜在抑郁症风险检测系统时也至关重要。由于临床数据的敏感性，此类数据集的可用性和规模是稀缺的。据我们所知，中国人群中广泛实用的抑郁症数据集很少。在这项研究中，我们首先通过要求受试者执行五个情绪诱导任务来创建一个大规模的数据集。在每个任务之后，通过Kinect收集受试者的音频和视频，包括面部表情的3D信息（深度信息）。

=宫颈腺细胞(GC)==检测是计算机辅助诊断宫颈腺癌筛查的关键步骤。以鳞状细胞为主的宫颈涂片中GCs的准确识别具有挑战性。整个涂片广泛存在out - distribution (OOD)数据，导致机器学习系统用于GC检测的可靠性下降。out - distribution (OOD) 标签以外的样本尽管SOTA深度学习模型可以在预选感兴趣的区域优于病理学家，但在面对如此大像素的整张幻灯片图像时，仍无法解决高概率的大规模假阳性(FP)预测。