基于条件生成式对抗网络的AFM图像盲重构方法

针对原子力显微镜(AFM)成像过程中针尖展宽效应引起的误差,提出一种基于条件生成式对抗网络(CGAN)的AFM图像盲重构方法。首先,以pix2pixHD模型为基础,通过全局生成网络对仿真样本数据进行对抗训练,引入AFM测量数据采用局部提升网络联合训练;最后,特征匹配损失函数以用于提升栅格边缘横向分辨力。实验结果表明:对于线宽8μm一维矩形栅格在AFM下的测量图像进行盲重构,重构图像标准差为0.33μm×0.45μm,具有较高的成像分辨力,有利于提升AFM图像一维栅格测量的准确度。

电针治疗仪校准装置的研制

目的:为适应我国针灸领域中电针治疗仪技术的快速发展,提高电针治疗仪的诊疗水准和完善其溯源体系,对电针治疗仪进行定期校准是必不可少的。方法:国内尚无可用于对其校准的标准装置。因此,根据浙江省地方技术规范JJF1123-2015《电针治疗仪校准规范》,研制电针治疗仪校准装置。即:通过功能选择模块实现对不同参数测量的自动切换;信号处理模块进行幅值衰减、电压跟随及放大及电平移位等处理,得到0~3.3V电压值;最后,使用STM32单片机内部12位A/D采集并在LCD上显示电压值。结果:实验测试表明,在250 Ω负载阻抗下,本装置的电压峰峰值、外壳漏电流、输出闭锁、直流分量及连续波频率校准模块的最大相对误差分别为0.55%、0.90%、0.40%、0.80%、-0.14%。结论:本装置符合电针治疗仪校准装置的技术指标要求。

基于GAN-CNN的电子血压计品牌型号识别技术研究

目的:为了解决家用电子血压计自动检定系统因很难获取大量样本数据而导致品牌型号识别准确率不稳定的问题。方法:提出了一种基于生成对抗网络-卷积神经网络(GAN-CNN)的电子血压计品牌型号识别方法。在训练集中加入生成对抗网络(GAN)生成虚拟图像,利用卷积神经网络(CNN)提取特征并进行分类,利用数据增强、归一化等技术来提高模型准确性与稳健性。结果:实验表明,发现GAN-CNN模型采集响应成功并对电子血压计进行分类,而且准确度达到94.7%以上。相对于其他模型具有更高的识别准确度和更好的泛化能力。结论:本文所提出的基于GAN-CNN的电子血压计示数识别技术能够达到较高的准确率和鲁棒性,在智慧计量领域具有较好的应用前景。

基于迁移学习的原子力显微镜成像恢复方法

受限于探针针尖结构尺寸,用原子力显微镜进行微纳测量时会产生图像边缘失真.提出了一种基于迁移学习的原子力显微镜成像恢复方法,通过迁移学习训练源模型和靶模型实现一维栅格成像恢复.该方法采用数学形态法中的腐蚀算法生成栅格点云数据,通过U-Net网络源模型从点云中提取针尖卷积效应的特征向量,将权重参数迁移至U-Net网络靶模型,靶模型在自适应正则化方法下进行监督学习.实验结果表明,该方法能有效恢复一维栅格的原子力显微镜测量图像,提高横向分辨力,可用于纳米栅格的线宽检测上.

浙江省高风险医疗设备质量控制现状分析

目的掌握浙江省医疗机构在用高风险医疗设备的质量控制状况并提出改进措施,以促进高风险医疗设备质量控制水平的提升。方法将浙江省所有的三级甲等公立医院、三级乙等公立医院、二级甲等公立医院、二级乙等公立医院和私立医院纳入调查对象。于2020年8—9月,对医疗机构7种在用高风险医疗设备的质量控制方式、质量控制是否规范等进行问卷调查。采用Excel对回收问卷进行数据整理和描述性统计分析。结果浙江省96家医疗机构对高风险医疗设备的质量控制方式选择具有不同的倾向性,三级公立医院倾向于自行质量控制,除医用电子加速器外,对其余6种设备自行质量控制的比例为40%~59%;二级公立医院和私立医院倾向于委托第三方检测机构进行质量控制,除医用电子加速器未配置外,其余6种设备的比例分别为46%~67%和46%~100%。部分医疗机构的质量控制存在不规范行为,7种高风险设备质量控制设备未经溯源的比例为0%~28%,平均16%;无相关资质的第三方质量控制比例为0%~14%,平均2%。结论浙江省医疗机构对高风险医疗设备进行质量控制的意识普遍较强,但仍存在不少问题,未来需持续提升基于医学计量的高风险医疗设备质量控制水平,重点关注医用设备管理部门技术能力的提高、质量检测设备的溯源以及对第三方检测机构的监督抽查。