目的基于国家健康与营养调查(national health and nutrition survey,NHANES)数据库探究饮食炎症指数(dietary inflammatory index,DⅡ)与慢性肾脏病(chronic kidney disease,CKD)患者肌少症的关系。方法采用1999至2006年和2012至2018年...目的基于国家健康与营养调查(national health and nutrition survey,NHANES)数据库探究饮食炎症指数(dietary inflammatory index,DⅡ)与慢性肾脏病(chronic kidney disease,CKD)患者肌少症的关系。方法采用1999至2006年和2012至2018年NHANES网站资料。通过膳食数据计算DⅡ,根据DⅡ四分位数将患者分为DⅡQ1组、DⅡQ2组、DⅡQ3组、DⅡQ4组,比较组间年龄、性别及肌少症患病率等的差异。采用Logistic回归模型分析患者DⅡ与肌少症的关系,并进行趋势分析和分层分析。利用限制性立方样条图分析二者是否存在非线性关系。结果本研究共纳入1660例CKD患者。DⅡQ1组(42.17%)、DⅡQ2组(46.99%)、DⅡQ3组(52.05%)、DⅡQ4组(58.80%)肌少症患病率比较,差异有统计学意义(χ^(2)=25.224,P<0.001)。完全调整混杂因素后,DⅡ与CKD患者肌少症风险仍显著相关(OR=1.214,95%CI:1.135~1.299,P<0.001),与DⅡQ1组相比,DⅡQ3组(OR=1.467,95%CI:1.106~1.948,P=0.008)、DⅡQ4组(OR=1.876,95%CI:1.405~2.511,P<0.001)CKD患者患肌少症的风险显著增加,且OR值呈增加趋势(P趋势<0.001)。分层后,女性CKD患者DⅡ与肌少症风险仍呈正相关(P=0.024)。结论DⅡ与CKD患者肌少症风险密切相关,DⅡ评分越高,患肌少症的风险越高。展开更多
面部动作单元(Action Unit,AU)识别是计算机视觉与情感计算领域的热点课题.AU识别属于多标签二分类任务,目前面临着标签不均衡等挑战.现有的主流算法利用AU之间的关联,通过调整采样率和AU的权重来进行标签重均衡化.然而,这些方法仅仅使...面部动作单元(Action Unit,AU)识别是计算机视觉与情感计算领域的热点课题.AU识别属于多标签二分类任务,目前面临着标签不均衡等挑战.现有的主流算法利用AU之间的关联,通过调整采样率和AU的权重来进行标签重均衡化.然而,这些方法仅仅使模型预测时从偏向出现频率高的标签转为偏向出现频率低的标签,并未解决偏置问题.根据出现频率的高低可将AU划分为头类和尾类,公平对待每一类是实现AU无偏识别的关键.本文引入因果推理理论,提出基于因果干预的无偏化方法(Causal Intervention for Unbiased facial action unit recognition,CIU),以解决多AU间不均衡的问题.通过调整不平衡域和平衡但不可见域上的经验风险实现模型的无偏性.大量实验结果表明,本方法在基准数据集BP4D、DISFA上超越已有的方法,其中在DISFA上超越当前最先进方法1.1%,且可以学习到无偏的特征表示.展开更多
文摘目的基于国家健康与营养调查(national health and nutrition survey,NHANES)数据库探究饮食炎症指数(dietary inflammatory index,DⅡ)与慢性肾脏病(chronic kidney disease,CKD)患者肌少症的关系。方法采用1999至2006年和2012至2018年NHANES网站资料。通过膳食数据计算DⅡ,根据DⅡ四分位数将患者分为DⅡQ1组、DⅡQ2组、DⅡQ3组、DⅡQ4组,比较组间年龄、性别及肌少症患病率等的差异。采用Logistic回归模型分析患者DⅡ与肌少症的关系,并进行趋势分析和分层分析。利用限制性立方样条图分析二者是否存在非线性关系。结果本研究共纳入1660例CKD患者。DⅡQ1组(42.17%)、DⅡQ2组(46.99%)、DⅡQ3组(52.05%)、DⅡQ4组(58.80%)肌少症患病率比较,差异有统计学意义(χ^(2)=25.224,P<0.001)。完全调整混杂因素后,DⅡ与CKD患者肌少症风险仍显著相关(OR=1.214,95%CI:1.135~1.299,P<0.001),与DⅡQ1组相比,DⅡQ3组(OR=1.467,95%CI:1.106~1.948,P=0.008)、DⅡQ4组(OR=1.876,95%CI:1.405~2.511,P<0.001)CKD患者患肌少症的风险显著增加,且OR值呈增加趋势(P趋势<0.001)。分层后,女性CKD患者DⅡ与肌少症风险仍呈正相关(P=0.024)。结论DⅡ与CKD患者肌少症风险密切相关,DⅡ评分越高,患肌少症的风险越高。
文摘面部动作单元(Action Unit,AU)识别是计算机视觉与情感计算领域的热点课题.AU识别属于多标签二分类任务,目前面临着标签不均衡等挑战.现有的主流算法利用AU之间的关联,通过调整采样率和AU的权重来进行标签重均衡化.然而,这些方法仅仅使模型预测时从偏向出现频率高的标签转为偏向出现频率低的标签,并未解决偏置问题.根据出现频率的高低可将AU划分为头类和尾类,公平对待每一类是实现AU无偏识别的关键.本文引入因果推理理论,提出基于因果干预的无偏化方法(Causal Intervention for Unbiased facial action unit recognition,CIU),以解决多AU间不均衡的问题.通过调整不平衡域和平衡但不可见域上的经验风险实现模型的无偏性.大量实验结果表明,本方法在基准数据集BP4D、DISFA上超越已有的方法,其中在DISFA上超越当前最先进方法1.1%,且可以学习到无偏的特征表示.
