目的了解早产小于胎龄儿(small for gestational age,SGA)和适于胎龄儿(appropriate for gestational age,AGA)校正0~24月龄期间生长发育状况和差异,为早产儿早期健康干预提供依据。方法回顾性选取2019年7月—2022年7月在广州市妇女儿...目的了解早产小于胎龄儿(small for gestational age,SGA)和适于胎龄儿(appropriate for gestational age,AGA)校正0~24月龄期间生长发育状况和差异,为早产儿早期健康干预提供依据。方法回顾性选取2019年7月—2022年7月在广州市妇女儿童医疗中心定期保健的824例早产儿作为研究对象,其中SGA 144例,AGA 680例。分析和比较SGA组和AGA组出生及校正0~24月龄的体格发育数据。结果SGA组在校正0~18月龄期间的体重和身长均落后于同月龄AGA组(P<0.05),而校正24月龄时,两组的体重和身长比较差异无统计学意义(P>0.05)。校正24月龄时,85%(34/40)SGA早产儿和79%(74/94)AGA早产儿完成追赶生长。按胎龄分层分析的结果显示:胎龄<34周SGA亚组体重、身长在校正0~9月龄与胎龄<34周和≥34周AGA亚组比较差异有统计学意义(P<0.05);胎龄≥34周SGA亚组体重、身长分别在校正0~18月龄和校正0~12月龄与胎龄<34周和≥34周AGA亚组比较差异有统计学意义(P<0.05)。胎龄<34周和≥34周SGA早产儿追赶生长分别主要发生在校正0~12月龄、校正0~18月龄。结论SGA早产儿生命早期体格发育落后于AGA早产儿,但在校正24月龄时实现追赶生长的比例高于AGA早产儿。胎龄<34周SGA早产儿实现追赶生长的时间早于胎龄≥34周SGA早产儿。展开更多
随着人工智能和增强现实技术在社会中的地位稳步上升,这些领域的核心关键技术在逐步实现突破,对于三维环境的动态实时的理解是当前增强现实技术研究方面最活跃的问题之一。为实现多人同时应用视觉同时定位与地图构建(simultaneous local...随着人工智能和增强现实技术在社会中的地位稳步上升,这些领域的核心关键技术在逐步实现突破,对于三维环境的动态实时的理解是当前增强现实技术研究方面最活跃的问题之一。为实现多人同时应用视觉同时定位与地图构建(simultaneous localization and mapping,SLAM)系统,将图优化框架的SLAM与多智能体进行结合研究,提出基于多智能体的SLAM构建方法。首先简要介绍了视觉SLAM框架,系统地分析了在构建三维场景时,利用相机将信息进行整合和预处理,并估算相邻图像之间的运动以及检测信息来构建整体的框架。从视觉中提炼出最优化的3D模型以及各种参数来达到三维重建,通过相机的运动过程来确定视觉的深度特性以及加强沉浸式的观感体验,最终根据其本身的可视化追踪和环境理解,将非线性优化方案结合多智能体进行SLAM构建,实现移动平台真实浏览虚拟样板间的可视化与交互。展开更多
文摘目的了解早产小于胎龄儿(small for gestational age,SGA)和适于胎龄儿(appropriate for gestational age,AGA)校正0~24月龄期间生长发育状况和差异,为早产儿早期健康干预提供依据。方法回顾性选取2019年7月—2022年7月在广州市妇女儿童医疗中心定期保健的824例早产儿作为研究对象,其中SGA 144例,AGA 680例。分析和比较SGA组和AGA组出生及校正0~24月龄的体格发育数据。结果SGA组在校正0~18月龄期间的体重和身长均落后于同月龄AGA组(P<0.05),而校正24月龄时,两组的体重和身长比较差异无统计学意义(P>0.05)。校正24月龄时,85%(34/40)SGA早产儿和79%(74/94)AGA早产儿完成追赶生长。按胎龄分层分析的结果显示:胎龄<34周SGA亚组体重、身长在校正0~9月龄与胎龄<34周和≥34周AGA亚组比较差异有统计学意义(P<0.05);胎龄≥34周SGA亚组体重、身长分别在校正0~18月龄和校正0~12月龄与胎龄<34周和≥34周AGA亚组比较差异有统计学意义(P<0.05)。胎龄<34周和≥34周SGA早产儿追赶生长分别主要发生在校正0~12月龄、校正0~18月龄。结论SGA早产儿生命早期体格发育落后于AGA早产儿,但在校正24月龄时实现追赶生长的比例高于AGA早产儿。胎龄<34周SGA早产儿实现追赶生长的时间早于胎龄≥34周SGA早产儿。
文摘随着人工智能和增强现实技术在社会中的地位稳步上升,这些领域的核心关键技术在逐步实现突破,对于三维环境的动态实时的理解是当前增强现实技术研究方面最活跃的问题之一。为实现多人同时应用视觉同时定位与地图构建(simultaneous localization and mapping,SLAM)系统,将图优化框架的SLAM与多智能体进行结合研究,提出基于多智能体的SLAM构建方法。首先简要介绍了视觉SLAM框架,系统地分析了在构建三维场景时,利用相机将信息进行整合和预处理,并估算相邻图像之间的运动以及检测信息来构建整体的框架。从视觉中提炼出最优化的3D模型以及各种参数来达到三维重建,通过相机的运动过程来确定视觉的深度特性以及加强沉浸式的观感体验,最终根据其本身的可视化追踪和环境理解,将非线性优化方案结合多智能体进行SLAM构建,实现移动平台真实浏览虚拟样板间的可视化与交互。