三酰甘油-葡萄糖指数与冠状动脉慢血流的相关性研究

目的分析冠状动脉慢血流(CSF)相关风险因素,使用限制性立方样条(RCS)模型探究三酰甘油-葡萄糖(TyG)指数与CSF之间剂量-反应关系,进一步了解胰岛素抵抗(IR)与CSF发生间的关系。方法回顾性选取2021年6月至2023年5月就诊于新疆医科大学第五附属医院完善冠状动脉造影检查明确诊断为CSF的115例患者作为CSF组,另选取同期健康体检的121例无冠状动脉血流异常者作为正常血流组进行研究。运用多因素logistic回归分析发生CSF的相关风险因素,对TyG指数进行分组,运用RCS模型明确TyG指数与CSF之间的剂量-反应关系。结果多因素logistic回归分析结果表示,吸烟史(β=1.538,OR=4.655,95%CI:2.332~9.681)、收缩压(β=0.077,OR=1.080,95%CI:1.051~1.113)、低密度脂蛋白胆固醇(β=0.552,OR=1.737,95%CI:1.156~2.676)和TyG指数(β=1.072,OR=2.922,95%CI:1.629~5.475)为CSF的危险因素,淋巴细胞计数(β=-0.941,OR=0.390,95%CI:0.218~0.680)和左室射血分数(β=-0.126,OR=0.881,95%CI:0.813~0.944)为CSF的保护因素。RCS模型结果表示,TyG指数与CSF之间存在剂量-反应关系(P-overall<0.001,P-non-linear=0.001)。结论TyG指数为CSF的独立危险因素,二者之间存在非线性剂量-反应关系,IR可能与CSF的发生机制相关。

基于广义神经网络的网络攻击检测与分类方法

如今虚拟世界日趋复杂,网络攻击和新出现的安全威胁逐步增加,因此需要研究针对网络攻击的智能化检测和分类方法,以全面地观察网络活动,阻止恶意行为.提出了一种基于广义回归神经网络(generalized regression neural networks,GRNN)建立的入侵检测模型,对恶意网络攻击进行智能化检测和分类,并使用主流的NSL-KDD数据集进行了测试.实验结果表明,所提出的技术相较于目前的其他攻击检测技术,能够更加有效地对恶意行为进行识别与分类.

基于深度学习的恶意行为检测与识别模型研究

为了识别和防范网络中异常行为和恶意侵入,构建了一个基于卷机神经网络(convolutional neural network, CNN)和双向长短时记忆(bidirectional long short-term memory, BiLSTM)网络的检测模型,并将其应用于各类入侵检测系统(intrusion detection system, IDS).区别于传统检测模型,因数据冗余而导致模型性能降低,该模型首先将特征输入构建的CNN生成特征映射,该过程有效减少识别网络的参数,并自动消除冗余和稀疏的特征.接着,将处理好的特征作为BiLSTM网络的输入,来检测和识别网络中的恶意行为.最后,在NSL-KDD和KDD CUP99数据集上的测试结果显示,所提出的模型在时间效率和精度方面都超过现有模型,证明了其在检测恶意行为和准确分类网络异常中的有效性.

基于形态学和小波变换的图像边缘检测方法

电力机房图像边缘提取是实现电力机房三维重建的重要辅助环节,机房图像边缘提取越精准,三维重建将会更准确.本文提出一种融合小波变换模极大值和多尺度多结构形态学的图像边缘检测算法对电力机房图像进行处理.首先,对原始电力机房图像进行小波分解得到高频图像和低频图像;然后,采用小波变化模极大值算法提取高频图像的边缘信息,多尺度多结构数学形态学算法提取低频图像的边缘信息;最后,通过叠加运算融合高频和低频的边缘信息,得到原始图像的边缘信息.通过仿真实验表明,本文提出的边缘检测算法在抗噪性能、边缘连续性、定位精度上综合实力最强.

百日草花青素苷合成相关MYB转录因子筛选及ZeMYB9功能研究

以百日草‘梦境红色’作为试验材料,基于其转录组初步鉴定出33个MYB转录因子。系统进化树分析,鉴定出10个可能参与调控花青素苷合成的R2R3-MYB蛋白,其中S4亚族5个、S6亚族3个、S7亚族2个。结合这10个MYB基因表达和花瓣花青素苷含量变化结果,推测S4亚族Ze MYB32可能负调控花青素苷的合成,而Ze MYB3和Ze MYB16可能促进花青素苷的积累。此外,S6亚族Ze MYB9和Ze MYB10可能正调控花青素苷的合成。进一步研究发现,Ze MYB9定位于细胞核内。烟草中过表达Ze MYB9显著促进其叶片花青素苷的积累,花青素苷合成相关基因上调表达,表明Ze MYB9正向调控花青素合成。