NLR对慢性阻塞性肺疾病急性加重患者的预测价值

目的:探讨中性粒细胞/淋巴细胞比值(NLR)对慢性阻塞性肺疾病急性加重(AECOPD)患者的预测价值。方法:采用回顾性研究,选择2019年1月~2022年8月在弋矶山医院住院诊治的AECOPD患者为研究组,选择同期我院体检中心健康体检者为对照组。NLR根据实验室检查中获得的中性粒细胞(NEU)和淋巴细胞(LYM)计数计算。结果:AECOPD组NLR水平相较于对照组升高(P<0.05),且NLR和CRP(rs=0.564)、住院时间(rs=0.304)均呈正相关(P<0.05)。与AECOPD吸氧组比较,AECOPD无创机械通气组NLR升高,而有创机械通气组NLR和CRP水平均升高(P<0.05)。受试者工作特征(ROC)曲线分析显示,NLR水平预测AECOPD患者需要机械通气的ROC曲线下面积(AUC)为0.761,截断值为5.83,灵敏度86.9%,特异度54%;NLR水平预测AECOPD机械通气患者死亡的AUC为0.731,截断值为8.73,灵敏度94.1%,特异度42.2%。结论:NLR水平可作为AECOPD患者预后的预测指标。

水声被动目标识别技术挑战与展望

低频水声探测和船舶减振降噪技术发展,使得传统水声目标识别技术性能逐渐下降。该文分析了声呐工作带宽、探测频率、船舶减振降噪给识别技术带来的挑战。针对低频声呐广泛使用的低频线谱识别,研究了低频线谱的识别能力问题;针对智能识别技术发展,研究了深度学习技术在船舶辐射噪声识别中的应用问题,并给出了数据试验结果,文章最后指出了水声被动目标识别技术亟需开展的研究内容和方向。

督导式预警性护理模式在重症肺炎患者机械通气治疗期间的应用

目的:探讨将督导式预警性护理模式运用于重症肺炎患者机械通气治疗期间以预防呼吸机相关肺炎(ventilator associated pneumonia,VAP)发生的效果。方法:选取接受机械通气治疗的重症肺炎患者80例,采用随机数字表法分为对照组和观察组,每组40例。对照组给予常规护理,观察组在此基础上给予督导式预警性护理。比较两组VAP发生率及相关死亡率、机械通气时间、重症监护室(intensive care unit,ICU)治疗时间、住院时间、住院费用以及护理满意度情况。结果:观察组VAP发生率[10.00%(4/40)]显著低于对照组[32.50%(13/40)](P<0.05);观察组VAP相关死亡率[2.50%(1/40)]与对照组[7.50%(3/40)]比较,差异无统计学意义(P>0.05);观察组机械通气时间、ICU治疗时间、住院时间及住院费用均显著短于对照组(P<0.05);观察组护理满意度[99.00%(36/40)]显著优于对照组[77.50%(31/40)](P<0.05)。结论:督导式预警性护理模式应用于重症肺炎机械通气治疗期间有助于降低患者VAP发生率,缩短机械通气时间、ICU治疗时间,减少住院费用。

船舶侧斜螺旋桨空化噪声调制谱模型

针对侧斜螺旋桨船舶建立了一种螺旋桨空化噪声调制谱理论模型。将螺旋桨旋转过程中崩溃的空泡体积的周期性变化近似为空化噪声能量的变化,根据船尾伴流速度与空泡噪声体积成比例以及螺旋桨转速与空泡数量成比例的关系,推导出了空化噪声调制谱数学表达式。理论分析和仿真验证了桨叶之间的差异性是调制谱轴频线谱存在的主要原因,而影响调制谱叶频强度的主要因素为螺旋桨侧斜角度以及转速。研究结论为辐射噪声调制谱特征分析与提取提供了理论依据,同时对螺旋桨结构设计和船舶降噪也具有一定的参考价值。

基于矢量线阵的目标低频线谱提取方法

针对矢量线阵跟踪目标低频线谱提取问题,提出了一种矢量线阵低频线谱提取方法,其中利用拉平后线谱的均方差乘一比例因子设为门限的方法,可以有效提取线谱成分;并且研究了利用互谱中高信噪比线谱测向剔除干扰线谱方法,准确提取出目标特征线谱,可较有效解决矢量线阵左右舷目标低频线谱特征相互干扰问题。上述矢量线阵低频线谱提取方法,得到了海试数据的初步验证。

解调带宽对船舶辐射噪声调制谱的影响

利用傅里叶分解原理建立了幅度调制的船舶辐射宽带噪声信号数学模型，导出了基于平方解调算法船舶辐射噪声调制谱数学表达式。通过理论分析和仿真计算得到了关于调制谱分析两个新的结论：（1）解调性能与解调处理带宽关系：在声呐接收的船舶辐射噪声各频带调制度相同时，解调性能正比于解调所采用的带通滤波带宽，解调所采用的带通滤波带宽越宽，解调谱信噪比越高；（2）宽带解调谱和子频带解调谱之间关系：船舶辐射噪声宽带解调谱可以近似认为各子频带解调谱之和。为了验证以上两点结论，对实际船舶辐射噪声解调谱进行了相应处理，结果与仿真计算吻合较好。

矢量线阵和标量弧线阵抗左右舷目标模糊性能分析

针对线阵声纳左右舷目标模糊问题,建立了基于矢量水听器直线阵p+v_c和pv_c两种信息处理模式以及标量水听器弧线阵不同布阵方式的抗左右舷目标模糊性能数学模型,分析了不同布阵方式以及不同信息处理模式的抗左右舷目标模糊性能,并进行了仿真计算。分析和仿真结果表明,矢量水听器直线阵和标量水听器弧线阵在分辨左右舷性能和观察范围上各有优势。矢量水听器直线阵虽然可分辨左右舷,但由于在一定扇面内分辨左右舷是依靠声纳方位历程图的明暗差异,在多目标情况下易造成声纳观察上的干扰;具有一定圆心角的标量水听器弧线阵,可以在更宽的扇面内具有抗左右舷目标模糊能力。

一种不平衡水声目标数据的选择性集成算法

针对不平衡水声目标数据分类问题,本文提出了一种间隔和差异性融合的选择性集成算法。从理论上给出了单纯增加差异性无法改善泛化性的原因,融合间隔和差异性构造了选择性度量,利用选择性度量对基分类器进行选择性集成从而形成最终分类器。实测水声目标数据试验结果表明:本文算法整体性能优于AdaBoost算法和常规选择性集成算法,说明其更适合处理不平衡水声目标数据分类问题。

两种术式对大龄腭裂患儿术后瘘发生率及语音清晰度改善的影响

目的探讨腭帆单纯提肌重建以及腭帆提肌重建联合带蒂颊脂垫瓣和咽后壁瓣两种术式,对大龄腭裂患儿术后瘘发生率及语音清晰度的影响。方法 60例大龄腭裂患儿(4~9岁),随机分为2组,分别予以单纯腭帆提肌重建(A组)及腭帆提肌重建联合颊脂垫瓣和咽后壁瓣修复(B组),观察并比较术后腭瘘的发生率及语音清晰度情况。结果术后A组瘘发生率明显高于B组(P<0.05);两组术后语音清晰度均较术前提高(P<0.05),且B组优于A组(P<0.05);腭部瘢痕情况B组优于A组(P<0.05)。结论对于大龄腭裂患儿,腭帆提肌重建联合咽后壁瓣及带蒂颊脂垫瓣的术式有效降低了腭瘘的发生率,可获得更好的语音清晰度,并可避免裸露骨面,减少腭部瘢痕形成及对上颌骨生长发育的影响,是一种值得推荐的功能性腭裂修复术式。

两种腭裂修复方式治疗过宽不完全腭裂的临床效果比较

目的:比较兰氏法和改良兰氏法修复过宽不完全腭裂的临床效果。方法:选取2012年1月~2014年12月于徐州医科大学附属徐州市立医院接受腭裂修复术的不完全腭裂患儿40例,年龄2~5岁,裂隙宽度均大于2.5 cm,按接受腭裂修复的不同方式分为2组,实验组:20例,行改良兰氏法(兰氏法联合颊肌黏膜瓣)修复腭裂,对照组:20例,行兰氏法修复腭裂。2017年1月~2019年9月(术后5~7年)进行随访,此时两组患者年龄7~9岁,平均年龄为8岁。分别观察两组患者术区恢复状态,应用锥形束CT(CBCT)观察比较上颌骨发育情况,使用头颅侧位片评价腭咽闭合功能,并且进行语音清晰度评估。结果:相比于对照组,实验组的患者恢复较好,术区瘢痕轻微,上颌骨发育好,腭咽闭合完全,语音清晰度高。结论:对于裂隙过宽的腭裂患者,使用联合颊黏膜瓣的兰氏法可有效避免裸露的骨面,减轻了瘢痕增生,有利于上颌骨发育,增进腭咽闭合,提高了语音清晰度是一种更为值得推广的腭裂新手术方法。

基于专家特征的条件互信息多标记特征选择算法

特征选择对于分类器的分类精度和泛化性能起重要作用。目前的多标记特征选择算法主要利用最大相关性最小冗余性准则在全部特征集中进行特征选择,没有考虑专家特征,因此多标记特征选择算法的运行时间较长、复杂度较高。实际上,在现实生活中专家依据几个或者多个关键特征就能够直接决定整体的预测方向。如果提取关注这些信息,必将减少特征选择的计算时间,甚至提升分类器性能。基于此,提出一种基于专家特征的条件互信息多标记特征选择算法。首先将专家特征与剩余的特征相联合,再利用条件互信息得出一个与标记集合相关性由强到弱的特征序列,最后通过划分子空间去除冗余性较大的特征。该算法在7个多标记数据集上进行了实验对比,结果表明该算法较其他特征选择算法有一定优势,统计假设检验与稳定性分析进一步证明了所提出算法的有效性和合理性。

基于PLSA学习概率分布语义信息的多标签分类算法

多标签算法大多利用特征与标签嵌入等方法挖掘标签空间的语义信息,但这类方法没有利用特征与标签间可能存在的某种联系.类属属性的提出较好地诠释了特征与标签的联系,即标签可能对应一组自身的特征,然而这类方法未能给出特征与标签间可能存在的逻辑关系,也未证实标签与实例间可能存在同样的逻辑关系.因此,提出基于PLSA(Probabilistic Latent Semantic Analysis)学习概率分布语义信息的新型多标签分类算法.首先认为样本矩阵存在一种隐含变量作为标签,利用PLSA模型获取特征⁃标签与标签⁃实例条件概率分布矩阵,以条件概率分布的形式解释它们之间可能存在的联系;其次,建立模型学习概率分布矩阵中存在的语义信息,并应用于多标签算法的标签预测与分类;最后在13个公开的多标签文本类型的数据集上进行实验与统计假设检验,并与其他多标签分类算法对比.实验结果表明,提出的学习概率分布语义信息用于提高多标签算法的性能存在一定的合理性.

动态滑动窗口加权互信息流特征选择

特征选择是解决数据高维性的一种有效方法,传统的特征选择算法常用经典信息论知识去度量特征的重要度,却忽略了标记和未标记数据的互相影响;同时,这些方法主要基于静态数据的多标记特征选择,很难直接应用到动态流数据环境中.而现实世界中,由于动态环境之下特征到达的数目和顺序都是未知的,并且研究者往往可能只对最近到达的特征感兴趣,所以滑动窗口机制能很好地解决此类问题.基于此,首先引入一种具有补性质的模糊信息熵,并考虑标记和未标记数据的互相影响,提出一种加权的模糊互信息度量方法,然后结合滑动窗口机制,分别提出基于固定滑动窗口的加权模糊互信息特征选择(Feature Selection with Weighted Fuzzy Mutual Information based on Sliding Window,FS-FMI)和基于动态滑动窗口的加权模糊互信息流特征选择(Streaming Feature Selection with Weighted Fuzzy Mutual Information based on Dynamic Sliding Window,SFS-FMI-DSW)两种算法.实验结果表明,SFS-FMI-DSW算法更加有效,统计假设进一步说明了算法的有效性.

基于粗糙集的数据流多标记分布特征选择

针对传统特征选择算法无法处理流特征数据、冗余性计算复杂、对实例描述不够准确的问题,提出了基于粗糙集的数据流多标记分布特征选择算法。首先,将在线流特征选择框架引入多标记学习中;其次,用粗糙集中的依赖度替代原有的条件概率,仅仅利用数据自身的信息计算,使得数据流特征选择算法更加高效快捷;最后,由于在现实世界中,每个标记对实例的描述程度并不相同,为更加准确地描述实例,将传统的逻辑标记用标记分布的形式进行刻画。在多组数据集上的实验表明,所提算法能保留与标记空间有着较高相关性的特征,使得分类精度相较于未进行特征选择的有一定程度的提高。

回归核极限学习机的多标记学习算法

基于极限学习机(ELM)的多标记学习算法多使用ELM分类模式,忽略标记之间存在的相关性.为此,文中提出结合关联规则与回归核极限学习机的多标记学习算法(ML-ASRKELM).首先通过关联规则分析标记空间,提取标记之间的规则向量.然后通过提出的多标记回归核极限学习机(ML-RKELM)得出预测结果.若规则向量不为空,将规则向量与预测结果运算得出最终预测结果,否则最终结果即为ML-RKELM的预测结果.对比实验表明MLASRKELM与ML-RKELM性能较优,统计假设检验进一步说明文中算法的有效性.

融合萤火虫方法的多标签懒惰学习算法

已有的多标签懒惰学习算法(IMLLA)在利用近邻标签时因仅考虑了近邻标签相关性信息,而忽略相似度的影响,这可能会使算法的鲁棒性有所降低。针对这个问题,引入萤火虫方法,将相似度信息与标签信息相结合,提出一种融合萤火虫方法的多标签懒惰学习算法(FF-MLLA)。首先,利用Minkowski距离来度量样本间相似度,从而找到近邻点;然后,结合标签近邻点和萤火虫方法对标签计数向量进行改进;最后,使用奇异值分解(SVD)与核极限学习机(ELM)进行线性分类。该算法同时考虑了标签信息与相似度信息从而提高了鲁棒性。实验结果表明,所提算法较其他的多标签学习算法有一定优势,并使用统计假设检验与稳定性分析进一步说明所提出算法的合理性与有效性。

近邻标签空间非平衡化标签补全的多标签学习

研究者目前通常通过标注标签之间的相关信息研究标签之间的相关性,未考虑未标注标签与标注标签之间的关系对标签集质量的影响.受K近邻的启发,文中提出近邻标签空间的非平衡化标签补全算法(Ne LC-NLS),旨在充分利用近邻空间中元素的相关性,提升近邻标签空间的质量,从而提升多标签分类性能.首先利用标签之间的信息熵衡量标签之间关系的强弱,获得基础标签置信度矩阵.然后利用提出的非平衡标签置信度矩阵计算方法,获得包含更多信息的非平衡标签置信度矩阵.继而度量样本在特征空间中的相似度,得到k个近邻标签空间样本,并利用非平衡标签置信度矩阵计算得到近邻标签空间的标签补全矩阵.最后利用极限学习机作为线性分类器进行分类.在公开的8个基准多标签数据集上的实验表明,Ne LC-NLS具有一定优势,使用假设检验和稳定性分析进一步说明算法的有效性.

特征标记依赖自编码器的多标记特征提取方法

在多标记学习中,如何处理高维特征一直是研究难点之一,而特征提取算法可以有效解决数据特征高维性导致的分类性能降低问题。但目前已有的多标记特征提取算法很少充分利用特征信息并充分提取"特征-标记"独立信息及融合信息。基于此,提出一种基于特征标记依赖自编码器的多标记特征提取方法。使用核极限学习机自编码器将原标记空间与原特征空间融合并产生重构后的新特征空间。一方面最大化希尔伯特-施密特范数以充分利用标记信息;另一方面通过主成分分析来降低特征提取过程中的信息损失,结合二者并分别提取"特征-特征"和"特征-标记"信息。通过在Yahoo多组高维多标记数据集上的对比实验表明,该算法的性能优于当前五种主要的多标记特征提取方法,验证了所提算法的有效性。

特征特定标记关联挖掘的类属属性学习

在多标记分类中,某个标记可能只由其自身的某些特有属性决定,这些特定属性称之为类属属性.利用类属属性进行多标记分类,可以有效避免某些无用特征影响构建分类模型的性能.然而类属属性算法仅从标记角度去提取重要特征,而忽略了从特征角度去提取重要标记.事实上,如果能从特征角度提前关注某些标记,更容易获取这些标记的特有属性.基于此,提出了一种新型类属属性学习的多标记分类算法,将从特征层面提取重要标记与从标记层面提取重要特征进行双向联合学习.首先,为了保证模型求解速度与精度都较为合理,采用极限学习机构建学习模型.随后,将弹性网络正则化理论添加到极限学习机损失函数中,使用互信息构建特征标记相关性矩阵作为L 2正则化项,而L 1正则化项即提取类属属性.该学习模型改进了类属属性在多标记学习中的不足,通过在标准多标记数据集上与多个先进算法对比,实验结果表明了所提模型的合理性和有效性.

基于核极限学习机的标记分布学习

标记分布学习作为一种新的学习范式,利用最大熵模型构造的专用化算法能够很好地解决某些标记多样性问题,但是计算量巨大。基于此,引入运行速度快、稳定性更高的核极限学习机模型,提出基于核极限学习机的标记分布学习算法(KELM-LDL)。首先在极限学习机算法中通过RBF核函数将特征映射到高维空间,然后对原标记空间建立KELM回归模型求得输出权值,最后通过模型计算预测未知样本的标记分布。与现有算法在各领域不同规模数据集的实验表明,实验结果均优于多个对比算法,统计假设检验进一步说明KELM-LDL算法的有效性和稳定性。