Nlp service что это за программа на Андроид

Вт, 14 окт, 2014, 19:03
Лечение аккумного жора в андроиде

Если вдруг так получилось, что ваш андроид с чистой прошивкой (т.е. без всякого потенциально кривого софта) не может толком уснуть (в свойствах батарейки закрашено синим больше 20% полосы «Рабочий режим»), вполне возможно, что это проявляет себя совместный баг андроида (вроде бы 4.2+) и Google Play Services (повсеместно используемая библиотека, которая делает вызов встроенных функций андроида из наркоманского чуть менее наркоманским).

1. Ставим Wakelock Detector. Софтина, кстати, весьма полезная при расследованиях любых случаев аккумного жора.

2. Открываем. Выбираем пункт «Процессорный wakelock». Если сверху списка не маячит пункт «Службы Google», радуемся — нас не затронуло, дальше не читаем.

3. Нажимаем на пункт «Службы Google». Сверху могут быть пункты NlpWakeLock и NlpCollectorWakeLock с числом срабатываний порядка тысяч (против единиц-сотен других видов). Это оно. Nlp — это Network Location Provider. Если нет приложений, которым нужно разрешить получать координаты от сети (это GSM/3G и WiFi, а не GPS!), достаточно просто выключить соответствующий пункт в настройках телефона.

Инженерное меню MTK. Используй андроид на 100 % (Android на 100%)

Если же координаты от сети нужны, читаем дальше.

4. Ставим Titanium Backup. Кстати, софтина вполне достойна того, чтобы купить её платную версию.

5. Запускаем, открываем вторую вкладку («Резервные копии»), в длиииииинном списке ищем «Сервисы Google Play». Открываем, смело нажимаем «Удалить». В этом месте могут начаться разнообразные глюки всякого софта, который использует Службы. Не пугаемся, перегружаем устройство.

6. После перезагрузки открываем Маркет и ставим Службы заново, опять перегружаемся.

После перезагрузки аккумный жор с очень высокой вероятностью пропадает. Вопреки здравому смыслу пункты 5 и 6 обязательны. Т.е. недостаточно просто очистить данные Служб через настройки телефона и даже почистить после этого кэш.

Мой личный результат: до устранения глюка за час было скушано 8% аккума (телефон просто лежал), после устранения за 10 часов (из них 100% мобильный инет по 3G, полтора часа с экраном) было скушано ещё 22% (т.е. по 2.2% в час).

Источник: dizel-by.livejournal.com

Зачем нужна обработка естественного языка в медицине: современные задачи и вызовы

Как пишут в The Huffington Post, 80% данных электронных медицинских карт хранится в неструктурированном виде — так называемом «текстовом пузыре». В текстовом виде хранятся не только данные ЭМК, но и большое количество другой медицинской информации — это научные статьи, клинические рекомендации, описание болезней и жалоб. И даже если данные в них частично структурированы, общепринятых форматов их хранения нет.

Извлечь полезные знания из «текстового пузыря» проблематично — простейшие алгоритмы способны проверить документ на вхождение тех или иных слов или словосочетаний, однако этого оказывается недостаточно: врачу всегда важны подробности. Ему нужно не только знать о том, что у больного температура, но и понимать динамику: к примеру, «температура поднимается по вечерам до 39 и держится уже четвертый день».

Удали системные приложения на ЛЮБЫХ телефонах андроид без рут прав и разблокировки загрузчика

Помочь извлечь ценную информацию из медицинских текстов и электронных медкарт способны технологии обработки естественного языка (Natural Language Processing, NLP). Далее мы расскажем, как NLP-технологии упрощают работу врачей: поговорим про распознавание речи и текстов, наполненных медицинскими терминами, и помощь в принятии клинических решений.

«Врачи DOC+ вежливо разберутся с вашей болячкой»

Что такое NLP

Фактически, история NLP началась с первых дней существования современной науки об искусственном интеллекте. Еще Алан Тьюринг в своей работе «Вычислительные машины и разум» в качестве критерия «разумности» машины называет ее умение общаться с человеком — сейчас это важная, но не единственная задача, которую решают разработчики NLP-систем.

NLP объединяет в себе ряд технологий (в том числе очень далеких друг от друга с точки зрения математики), которые позволяют решать алгоритмические задачи, связанные с обработкой естественного человеческого языка:

• Извлечение фактов из текста (от простого поиска стоп-слов до полного синтаксического разбора литературы);
• Распознавание голоса и преобразование голоса в текст;
• Классификация текстов;
• Генерация текста или речи;
• Машинный перевод;
• Анализ тональности текста (в т.ч. Opinion mining);
• И др.

И эти алгоритмы (и лежащие в их основе технологии) постоянно прогрессируют. Например, самое «близкое» обычным пользователям направление NLP — распознавание голоса — еще несколько лет назад базировалось на скрытых марковских моделях. Они разбивали сказанное человеком на небольшие компоненты, вычленяли фонемы, проводили статистический анализ и выдавали наиболее вероятный результат сказанного в текстовом формате. Сейчас разработчики намного чаще используют нейронные сети — в частности, рекуррентные нейронные сети и их разновидности, например long short-term memory (LSTM).

Сегодня NLP системы используются все чаще и чаще – мы разговариваем с Siri, общаемся с помощником Google (в ОС Android как раз применяется LSTM с CTC) и инфотейнмент-системами автомобилей, нашу почту защищают от спама умные алгоритмы, новостные агрегаторы подбирают статьи, которые будут нам интересны, а поисковики позволяют находить нужную нам информацию по любым запросам.

Какие задачи решает NLP в медицине

Однако NLP-системы полезны не только в работе современных гаджетов и онлайн-приложений. Они внедряются в отдельных госпиталях и медицинских университетах еще с начала 90-х годов.

Первым NLP-приложением, разработанным в Университете Юты в то время, стала система SPRUS (Special Purpose Radiology Understanding System) для клиники Солт-Лейк-Сити. Этот инструмент использовал информацию из экспертной системы, сопоставляющей симптомы с соответствующими диагнозами, и парсил текстовые радиологические отчеты (врачебные протоколы, интерпретирующие рентгеновские снимки).

Программа применяла технику семантического парсинга, основанную на поиске слов в тезаурусе. Тезаурус автоматически пополнялся из базы знаний для решения задач диагностики с помощью специально разработанного компилятора.

С тех пор возможности NLP и машинного обучения в медицине шагнули вперед: сегодня технологиия упрощает работу с электронными медицинскими картами для докторов и снижает частоту клинических ошибок, «ассистируя» в принятии врачебных решений.

Упрощение работы с электронными картами (ЭМК)

Электронные медицинские карты, или ЭМК, — это аналоги привычных нам бумажных карт. Задача электронной карты — упростить документооборот и снизить объемы бумажной работы. Подробнее о том, что такое ЭМК и как они помогают контролировать качество медицинского обслуживания, мы рассказывали в одном из наших прошлых материалов.

Несмотря на то что с внедрением ЭМК врачам стало проще работать с документами, на заполнение карт все равно уходит некоторое время. Согласно исследованию, опубликованному в журнале Computers Informatics Nursing в 2012 году, медсестры в госпиталях США все равно тратят порядка 19% рабочего времени на заполнение электронных карт.

Да, это лишь пятая часть рабочего дня, однако даже эту цифру можно уменьшить и направить освободившиеся ресурсы на заботу о больных. По словам президента Nuance Communications Джо Петро, сделать это позволят технологии NLP.

В 2009 году Nuance узнали мнение тысячи терапевтов США о технологиях обработки естественного языка. По результатам исследования, 94% опрошенных докторов назвали внедрение ЭМК с NLP важным драйвером качества медицинского обслуживания.

Пример реализации этого подхода — сервис, который использует медперсонал Hudson Valley Heart Center в городе Поукипзи. Медсестры больницы с помощью решения от Nuance Communications надиктовывают выписки из истории болезни пациентов, оформляют результаты физического осмотра и фиксируют данные о течении заболевания. Приложение автоматически обновляет записи в системе ЭМК, внедренной в госпитале.

Подобные решения внедряются и в России. Например, в 2016 году «Центр речевых технологий» начал разрабатывать систему Voice2Med для распознавания медицинской речи и сокращения времени на заполнение отчетов и медкарт. Как заявляют в Министерстве труда и социальной защиты РФ, сейчас на это уходит половина рабочего времени доктора.

Наши решения в области NLP

Ключевая задача NLP в медицине — это извлечение данных из текста. Мы в DOC+ фокусируемся именно на ней. В нашей команде, занимающейся разработкой алгоритмов машинного обучения, трудится шесть человек. Из них двое работают исключительно над NLP-технологиями. В DOC+ технология NLP используется для разметки карт, на которых обучается система проверки качества ЭМК (о ней мы писали в предыдущем материале).

На основе этой же системы работает и наш анамнез-бот, оптимизирующий работу при онлайн-консультациях. Бот работает онлайн и просит пациента описать жалобы в свободной форме, затем вычленяет из текста симптомы и сообщает их доктору. Благодаря этому специалист начинает телемедицинскую консультацию с пациентом уже подготовленным (подробнее о работе нашего анамнез-бота мы расскажем в следующих постах).

Особенности разработки NLP-систем

В разработке таких систем есть несколько сложностей. Первая из них заключается в том, что при работе с текстами недостаточно использовать простые широкораспространённые алгоритмы и подходы. Сервисы, просматривающие текст на наличие тех или иных слов и считающие частоту их появления для оценки «важности» в медицине, дают очень ограниченный результат.

При постановке диагноза доктору важно не просто знать, что у человека был тот или иной симптом, но и понимать динамику и параметры этого симптома – локализацию, тип боли, точные значения оцифровываемых показателей и др. Поэтому для работы с медицинским текстами нужны более сложные алгоритмы, выделяющие не просто слова, а комплексные факты о различных жалобах и симптомах.

Из текста: «18 февраля у меня заболела голова с левой стороны, к вечеру поднялась температура до 39. На следующий день область головной боли увеличилась, головокружения не было» система должна выделить структурированную информацию о трех симптомах:

1. Головная боль — появилась 18.02; локализация: слева; динамика: 19.02 — увеличение области.
2. Температура — 18.02; значение: 39 градусов.
3. Головокружение — симптом отсутствовал.

Вторая особенность заключается в том, что инструменты для обработки текста надо дополнительно настраивать под работу с узкоспециализированными материалами. Например, систему проверки правописания нам пришлось дополнительно «подкручивать», так как ни одно из представленных на рынке решений не удовлетворяло нашим требованиям.

Спелл-чекеры исправляли слово «кашель» на «капель», поскольку обучались на текстах без медицинской терминологии. Поэтому мы переобучали систему на корпусе из медицинских статей. И такие небольшие доработки к классическим алгоритмам приходится делать постоянно.

Что умеет наша NLP-система

Сейчас разработанное нами решение распознает 400 терминов — симптомов, диагнозов, названий лекарств и т. п. При этом для большинства симптомов система способна вычленять дополнительные свойства: локализацию (боль в животе справа от пупка), тип (мокрый кашель), цвет (прозрачная мокрота), наличие осложнений и значения измеримых параметров (температура, давление).

Помимо этого, она умеет выделять временные параметры и сопоставлять их с симптомами, исправлять опечатки и работать с различными вариантами описания одних и тех же фактов.

Помощь в принятии клинических решений (CDS)

Системы поддержки принятия клинических решений (clinical decision support, CDS) предоставляют автоматизированную помощь врачам при постановке диагноза, назначении лечения, определении дозировки препаратов и так далее. Получить необходимую для этого медицинскую информацию позволяют NLP-системы — они черпают её из научных работ, результатов анализов, медицинских справочников и даже слов самого больного.

Одно из таких решений разработали в компании IBM. Речь идет о вопросно-ответной системе DeepQA, с которой работает суперкомпьютер IBM Watson. Watson в этом случае выступает в качестве «NLP-поисковика» по большим базам данных: он обрабатывает вопросы докторов и дает на них конкретный ответ, а не просто выдает результаты поиска в интернете. Заложенные в Watson технологии позволили ему выиграть в Jeopardy! (американский прародитель «Своей игры»).

Еще пример применения подобных технологий — NLP-система, созданная командой ученых под руководством доктора Харви Мурффа (Harvey J. Murff) из медицинского центра Университета Вандербильта. Разработчики научили алгоритм анализировать электронные карты пациентов и выявлять заболевания, которые могли бы вызвать осложнения после операции.

NLP-процессор индексировал записи в медкартах с помощью схемы, основанной на систематизированной машинно-обрабатываемой медицинской номенклатуре SNOMED-CT. На выходе система генерировала XML-файл с «размеченной» картой пациента. Проведённые эксперименты показали, что программа верно категоризировала большую часть осложнений, например, почечная недостаточность была корректно отмечена в 82% случаев, а послеоперационный инфаркт миокарда — в 91% случаев.

В DOC+ тоже есть свой аналог CDS — любое действие врача в приложении сопровождается подсказками, но пока они формируются классическими алгоритмами, основанными на правилах, без использования машинного обучения и NLP. Но мы работаем над созданием CDS нового поколения, которая будет читать всю историю болезни пациента на естественном языке и использовать ее для подсказок доктору.

Дальнейшее развитие NLP-систем

NLP-системы позволят работать не только с медицинскими картами, но и с научными статьями и медицинскими стандартами. В сфере медицины накоплен огромный опыт, который обобщен в клинических рекомендациях, научных работах и других текстовых источниках. Логично использовать эти данные для обучения систем искусственного интеллекта наравне с картами реальных пациентов, параллельно создавая структурированную базу данных о медицине, которую смогут использовать не люди, а алгоритмы.

Плюсом подобных NLP-систем является то, что результаты их работы зачастую проще интерпретировать, то есть привязать к конкретным источникам. Вообще вопрос интерпретируемости результатов работы алгоритмов машинного обучения — далеко не тривиальный, и важен как для научного сообщества в целом (на ведущей международной конференции по машинному обучению ICML ему регулярно посвящается отдельный воркшоп), так и для разработчиков, особенно если речь идет о проектах в сфере доказательной медицины. Для нас требование интерепретируемости делает задачу усовершенствования нашей NLP-системы еще сложнее (и интереснее).

NLP — это перспективное направление, которое позволит поднять качество медицинского обслуживания на новый уровень. Мы планируем активно развивать эти технологии и дальше и продолжим рассказывать о своих разработках в нашем блоге.

Дополнительное чтение: полезные статьи из нашего блога «Только спросить»:

• Как пройти диспансеризацию
• Как и когда оформлять больничный
• Как победить грипп

Источник: habr.com

Сервисы

Сервисы представляют собой особую организацию приложения. В отличие от activity они не требуют наличия визуального интерфейса. Сервисы позволяют выполнять долговременные задачи без вмешательства пользователя.

Все сервисы наследуются от класса Service и проходят следующие этапы жизненного цикла:

• Метод onCreate() : вызывается при создании сервиса
• Метод onStartCommand() : вызывается при получении сервисом команды, отправленной с помощью метода startService()
• Метод onBind() : вызывается при закреплении клиента за сервисом с помощью метода bindService()
• Метод onDestroy() : вызывается при завершении работы сервиса

Создадим простейшее приложение с сервисом. Наш сервис будет воспроизводить музыкальный файл. И вначале добавим в проект в каталог res папку raw . Для этого нажмем правой кнопкой мыши на каталог res и в контекстном меню выберем пункт New -> Android Resource Directory .

Далее укажем в качестве типа папки — raw :

И поместим в эту папку ( res/raw ) какой-нибудь mp3-файл.

Затем добавим новый класс сервиса. Назовем его MediaService . В итоге получится следующий проект:

Для воспроизведения аудио-файла определим в классе MediaService следующий код:

Для воспроизведения музыкального файла сервис будет использовать компонент MediaPlayer .

В сервисе переопределяются все четыре метода жизненного цикла. Но по сути метод onBind() не имеет никакой реализации.

В методе onCreate() инициализируется медиа-проигрыватель с помощью музыкального ресурса, который добавлен в папку res/raw.

В методе onStartCommand() начинается воспроизведение.

Метод onStartCommand() может возвращать одно из значений, которое предполагает различное поведение в случае, если процесс сервиса был неожиданно завершен системой:

• START_STICKY : в этом случае сервис снова возвращается в запущенное состояние, как будто если бы снова был бы вызван метод onStartCommand() без передачи в этот метод объекта Intent
• START_REDELIVER_INTENT : в этом случае сервис снова возвращается в запущенное состояние, как будто если бы снова был бы вызван метод onStartCommand() с передачей в этот метод объекта Intent
• START_NOT_STICKY : сервис остается в остановленном положении

Метод onDestroy() завершает воспроизведение.

Чтобы управлять сервисом, изменим activity. Сначала добавим в файл activity_main.xml пару кнопок для управления сервисом:

И изменим код MainActivity :

Для запуска сервиса используется объект Intent:

Intent i=new Intent(this, MediaService.class);

Для запуска сервиса в классе Activity определен метод startService() , в который передается объект Intent. Этот метод будет посылать команду сервису и вызывать его метод onStartCommand() , а также указывать системе, что сервис должен продолжать работать до тех пор, пока не будет вызван метод stopService().

Метод stopService() также определен к классе Activity и принимает объект Intent. Он останавливает работу сервиса, вызывая его метод onDestroy()

И в конце нам надо зарегистрировать сервис в файле манифеста:

Регистрация сервиса производится в узле application с помощью добавления элемента . В нем определяется атрибут android:name , который хранит название класса сервиса. И кроме того может принимать еще ряд атрибутов:

• android:enabled : если имеет значение «true», то сервис может ли создаваться системой. Значение по умолчанию — «true».
• android:exported : указывает, могут ли компоненты других приложений обращаться к сервису. Если имеет значение «true», то могут, если имеет значение «false», то нет.
• android:icon : значок сервиса, представляет собой ссылку на ресурс drawable
• android:isolatedProcess : если имеет значение true, то сервис может быть запущен как специальный процесс, изолированный от остальной системы.
• android:label : название сервиса, которое отображается пользователю
• android:permission : набор разрешений, которые должно применять приложение для запуска сервиса
• android:process : название процесса, в котором запущен сервис. Как правило, имеет то же название, что и пакет приложения.

Запустим приложение и нажмем на кнопку запуска сервиса:

После этого начнется воспроизведение добавленной нами в приложение мелодии.

Источник: metanit.com

Welps — приложение для Android — отзывы

я месяц назад скачала приложение Welps чтобы похудеть. повелась на восторги из Инстаграм и на то, как выглядит сама основательница этого приложения (в Инстаграм известна как Тетя Мотя) скачать его можно бесплатно, но бесплатного там не так много в любом случае подписка на 3 месяца стоит 1500 рублей, но 1 неделю можно тестить абсолютно бесплатно если не понравится, надо.

822

Россия, Москва

Персональный тренер по фитнесу, танцам, йоге, правильному питанию

Достоинства:

Много направлений, индивидуальная направленность, бесплатный пробный период

Недостатки:

Мне не зашло

Данное приложение включает в себя много курсов: фитнес тренировки, которые подстраиваются под ваши возможности и цели, танцевальные курсы по многим направлениям (вог, тверк, хип-хоп, танго, балет и др.), занятия по йоге, тейпингу, речевому фитнесу, рецепты со сбалансированным питанием и т. д. Курсы постоянно расширяются — за время моей подписки появилось много направлений. Интересно, что подписка за приложение включает в.

Читать весь отзыв Отзыв рекомендуют: 3 0

Источник: otzovik.com