作者： 王帅

9.21周报 Ⅰ.完成阅读文献“Remote patient monitoring using artificial intelligence:Current state, applications, and challenges”，并作出了相应笔记，对论文写作的框架有了大致构思，从摘要的主要内容到Introduction的写作。 阅读过程中了解到AI在远程医疗领域所面临的挑战和和相对应解决措施： AI的可解释性 大多数机器学习模型，例如神经网络，都是黑箱模型，无法阐述详细结果，也不能预测变量与目标变量之间的因果关系。 措施：①灵敏度：可以解决神经网络中输入与输出之间的因果关系； ②应用树的方法：分类树与回归树； ③SHAP：提高AI模型的透明度和可解释性 2.隐私保护： 深度神经网络的黑箱性质，可能会在无意中学习到歧视用户隐私信息的特征，增加了患者隐私泄露的风险； 措施：数据扰动技术、区块链技术和联邦学习技术，克服了机器学习的隐私问题。 3.不确定性 测量误差和噪声干扰等因素对结果造成影响，深度学习训练和数据重复处理引起高额花销； 措施：采用集成技术、贝叶斯技术可以提高可靠性，同时减少处理次数。 Ⅱ.初步学习了深度学习相关算法的应用： 卷积神经网络（CNN）——将大数据量的图片有效地降维成小数据量，能够保留图片的特征，应用于图片分类、检索；目标分割和人脸识别； 循环神经网络（RNN）——处理序列数据，长期保留信息，应用于语音识别和机器翻译； Ⅲ.继续开展数据结构和Python的学习： 加强对树的代码编写，开始利用Python完成一些数据集的可视化处理。 Ⅳ.利用文献鸟和LetPub查询关键词为AI、Medical Treatment的相关文献，同时开始对“因果”所使用的领域进行探索，初步了解因果系统对AI的影响。 9.27周报 1.自主学习深度学习中的时间序列模型 ARIMA模型：利用数据来预测未来发生某个事件的可能性。同时使用python来进行模型建立并跑出折线图。 LSTM模型：一种特殊的RNN结构，可以用来处理长期的、具有时间依赖性的复杂数据，相比于RNN结构，LSTM引入门控单元，能够更好地提高模型的的性能。对相对应的公式也有了大致理解： 遗忘门、输入门、候选记忆单元、更新记忆单元、输出门： 最后根据整合的数据运行出变量的变化趋势如下： 2.学习了如何使用Yolo V5进行目标检测，对其架构有了初步认识； 3.阅读了基于因果关系的可发现多尺度神经网络的论文： （Interpretable Multi-Scale Neural Network for Granger Causality Discovery） 文中使用新的多尺度神经网络，用于多变量时间序列的因果发现，建立的模型避免了序列之间和时间之后之间的数据分割问题，通过从具有不同延迟信息的数据中提取不同的因果信息，进而通过学习来进行整合，可以捕获到所有序列之间的完整因果关系，提高准确的加权邻近矩阵估计。 下周计划 先使用C++编写一串函数，之后学习如何利用Pybind11快速地在Python中调用C++； 深入学习因果的利用。 ...