focus感知器召回的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列各種有用的問答集和懶人包

建構嚴重型精神疾病的預測模型：機器學習和深度學習演算法的比較分析

為了解決focus感知器召回的問題，作者吳建霖 這樣論述：

嚴重型精神疾病（severe mental illness）是一種嚴重型精神障礙，其中包含雙相情緒障礙症（bipolar disorder）、思覺失調症（schizophrenia） 、精神官能症（neurosis）、器質性精神病（organic psychosis），在此研究中會聚焦在雙相情緒障礙症和思覺失調症上，以作為實驗的數據；嚴重型精神疾病大概在人口中佔大約 0.3%至 0.7%的在一生中被診斷，並在 2019年計算，全球約有 2000 萬病例。在與一般人口相比，嚴重型精神疾病患有更多的身體相關疾病，導致在預期壽命平均減少約 20 年。根據研究，嚴重型精神疾病患者似乎更容易罹患心、腦

血管疾病，但是對於嚴重型精神疾病患者呈現腦血管病變的現象，在解釋生理、病理方面構成了一項臨床挑戰，其中在雙相情緒障礙症上，獲得此症狀的患者在躁狂期間，容易感覺異常精力充沛、快樂或易怒，並且經常做出衝動的決定，較少考慮後果，另外獲得思覺失調症的患者上，會較容易產生幻覺、妄想以及思維混亂，進而會產生社交退縮、情緒表達減少，而這兩者症狀也跟心、腦血管疾病上，似乎也是有稍加的影響。另外，在嚴重型精神疾病上，可能提升罹患心、腦血管疾病的風險，卻不見得受到足夠重視。為了在基層保健上普及關於嚴重型精神疾病、抗精神疾病藥物副作用和心、腦血管疾病的共病關聯知識，本論文希望透過多變因、量化評估風險的方式來建構模型

，並應對這些挑戰。研究規劃將以公開分享的醫藥數據集重症醫學資料庫（medical information mart for intensive care, MIMIC）為資料來源，內含數千名內、外科重症監護病房和急診部病房之成人患者的去識別化電子病歷相關資料。在本項研究工作中，我們使用word2vec針對MIMIC上的診斷代碼做具備語意的嵌入向量，其中在MIMIC中，使用ICD（international classification of disease）所定義的診斷代碼，版本同時有ICD-9（ninth revision）和ICD-10（tenth revision），做各自的詞嵌入資料，

以方便做模型上預測的比較。在預測模型上，將使用深度學習（MLP、CNN、RNN、LSTM、GRU）及機器學習（decision tree、random forest、SVM），分別預測MIMIC在ICD-9和ICD-10上的效果；在深度學習中，MLP的架構上會去建構其中的隱藏層數、隱藏層節點數、dropout的使用與否進行模型預測，在CNN的架構上，則建構卷積層、池化層來擷取資料的特徵，並保留重要數據內容，以取出資料的重點，在RNN當中，會把前一筆資料在隱藏層的計算結果，遞歸到下一筆資料在隱藏層的計算內容，而LSTM則是藉由增加閘門，決定遞歸而來的計算結果是否要捨棄，以達到長期短期記憶效果，G

RU的部分則是將LSTM的結構和參數簡化，以提升其效率，減少時間成本；在機器學習中，decision tree會使用評估指標判別分枝好壞進行分類並預測其結果，在random forest上，則會輸入隨機樣本組成眾多決策樹，並以bagging的方式進行評斷分析決策樹的優劣，在SVM中，會以計算kernel的方式定義出margins，並區分數據的群體。綜上所述，本論文的演算方法設計在資料實驗組與對照組總筆數20000筆的狀態做訓練，使用深度學習類型演算法建構的預測模型其準確度大約70%，使用機器學習演算法建構的預測模型準確度大約65%，兩者在比較模型預測結果上大致相差5%，但在實驗組與對照組總筆數

60000筆的狀態做訓練，使用深度學習類型演算法建構的預測模型其準確度大約90%，使用機器學習演算法建構的預測模型準確度大約83%，兩者在比較模型預測結果上大致相差7%，有明顯表示機器學習和深度學習在訓練上的效果有很大的差異性。本論文從MIMIC中以有無嚴重型精神疾病區分實驗組及對照組，再將詞嵌入的模型將診斷代碼轉換成編碼向量，並賦予疾病向量意義，再透過使用ICD-9和ICD-10各自的詞嵌入資料放入到機器學習和深度學習中，使每個模型去預測實驗組和對照組，並且使用精確率與召回率（precision and recall）評估各個模型在訓練上各個準確度和召回率的效果，結果顯示，在各個模型的觀察中

，可發現GRU在準確度與數種指標上，有著較優的表現結果，在指標上，也觀察到數據越大，機器學習和深度學習在評比上有明顯拉開的趨勢，甚至在各個模型上，準確度也有明顯的增加，以表示數據越大，模型上的預測也越具有參考性，並從各個模型上的實驗觀察中得知診斷代碼在模型預測上的可行性。

應用深度神經網路與集成學習於語音情緒辨識

為了解決focus感知器召回的問題，作者蕭伯瑋 這樣論述：

本論文使用深度神經網路來建構靜態及動態的語音情緒辨識系統,並以集成學習的方式結合靜態與動態模型。靜態模型使用的架構為多層感知器及卷積神經網路;而動態模型採用的架構則是遞迴神經網路。在卷積神經網路中,我們會使用注意機制使網路能夠學習到語音訊號中顯著的部份並且藉由多尺度卷積模組促進一組多尺度卷積核之間的競爭。遞迴神經網路也結合了注意機制使網路在學習時能夠專注於訊息顯著的部份。為了處理資料類別不平衡的問題,我們採用了偏斜強健性的訓練過程。我們也使用了兩階段的teacher-student訓練方法來處理噪音標註的問題。論文中提出的語音情緒辨識系統根據Interspeech 2009 Emotion

Challenge分類器子挑戰中所定義的任務以未加權平均召回率(Unweighted Average recall rate, UA)對FAU-Aibo語料庫進行評估。在靜態模型方面,我們使用的多層感知器及卷積神經網路分別達到了46.2%、46.4%的未加權平均召回率;而我們以深度遞迴神經網路為架構的動態模型則是達到了47.2%的未加權平均召回率,超越了之前最佳的結果46.4%。進一步使用集成學習中的內插將靜態模型與動態模型做結合之後未加權平均召回率能夠達到50.5%,自挑戰公布以來首次突破FAU-Aibo任務的50.0%障礙。