目的:分析骨髓增殖性肿瘤(MPN)患者不确定潜能的克隆性造血(CHIP)相关基因突变谱和临床特征,探讨CHIP相关基因与其心脑血管事件(CCE)的相关性及可能作用机制。方法:回顾性分析2019年8月-2022年7月首都医科大学附属北京安贞医院血液科收...目的:分析骨髓增殖性肿瘤(MPN)患者不确定潜能的克隆性造血(CHIP)相关基因突变谱和临床特征,探讨CHIP相关基因与其心脑血管事件(CCE)的相关性及可能作用机制。方法:回顾性分析2019年8月-2022年7月首都医科大学附属北京安贞医院血液科收治的73例MPN患者的临床资料和二代测序结果,采用Logistic回归分析CHIP相关基因、炎症细胞因子对MPN患者CCE的影响。结果:55例(75.3%)MPN患者检出CHIP相关基因,原发性血小板增多症(ET)和真性红细胞增多症(PV)患者CHIP相关基因各突变频率差异无统计学意义。CHIP相关基因突变以单基因形式为主,检出率从高至低依次为JAK2V617F(63.0%,46/73)、ASXL1(16.4%,12/73)、TET2(11.0%,8/73)、DNMT3A(9.6%,7/73)、SRSF2(6.9%,5/73)、SF3B1(4.1%,3/73)、TP53(1.4%,1/73)和PPMID(1.4%,1/73)。年龄>60岁患者CHIP相关基因检出率明显高于≤60岁者[91.7%(33/36)vs 59.5%(22/37)]。27例(37.0%)MPN患者伴CCE(MPN/CCE),2次CCE者5例,均为动脉事件。CCE组患者年龄(62.8±12.8 vs 53.9±15.8岁,P=0.015)、IL-1β水平(17.7±26.0vs 4.3±8.6,P=0.012)、IL-8水平(360.7±598.6 vs 108.3±317.0,P=0.045)、血栓形成史(29.6%vs 2.2%,P=0.020)和CHIP相关基因检出率(88.9%vs 67.4%,P=0.040)高于无CCE组。多因素Logistic回归分析结果显示,年龄(OR=0.917,95%CI:0.843-0.999,P=0.047)、血栓形成史(OR=34.148,95%CI:2.392-487.535,P=0.009)、任何1个CHIP相关基因突变(OR=16.065,95%CI:1.217-212.024,P=0.035)和IL-1β水平升高(OR=0.929,95%CI:0.870-0.992,P=0.027)均是MPN/CCE的独立危险因素;CHIP相关单基因突变与MPN/CCE无关,但DNMT3A(OR=88.717,95%CI:2.690-292.482,P=0.012)、ASXL1(OR=7.941,95%CI:1.045-60.353,P=0.045)突变是PV/CCE的独立危险因素。结论:MPN患者CHIP相关基因突变率高,尤其是60岁以上患者;高龄、血栓形成史、CHIP相关基因突变和IL-1β水平升高是MPN发生CCE的独立危险因素。DNMT3A、ASXL1单基因突变是PV患者CCE的独立危险因素。CHIP相关基因突变及炎症细胞因子IL-1β升高是MPN新的CCE危险因素。展开更多
储能集装箱是锂电池储能电站的核心设备,每个集装箱由数千只电芯串并联构成。因此,对集装箱电芯锂电池荷电状态(state of charge,SOC)的准确估计成为表征储能电站运行最核心最基础的参数,并且为辅助新能源高效并网,储能系统的工作状态...储能集装箱是锂电池储能电站的核心设备,每个集装箱由数千只电芯串并联构成。因此,对集装箱电芯锂电池荷电状态(state of charge,SOC)的准确估计成为表征储能电站运行最核心最基础的参数,并且为辅助新能源高效并网,储能系统的工作状态也会相应地呈现随机性、波动性和不确定性,这对电芯状态估计的准确度提出了更高的要求。为此,首先基于基尔霍夫定律建立Thevenin电池模型,根据安时积分法列出系统的状态和观测方程,并且将其状态和观测方程作为扩展卡尔曼滤波(extended Kalman filtering,EKF)算法的研究对象。然后利用EKF算法对估计值电池SOC更新迭代,再将EKF算法中得到的卡尔曼矩阵和状态变量更新误差值以及UDDS工况下的电池数据,作为长短期记忆(long short-term memory,LSTM)神经网络算法的训练数据集,由此完成LSTM-EKF联合算法,实现对储能集装箱电芯SOC的优化估计。该文所提LSTM-EKF算法可将电芯SOC的误差值降低到1%以下。最后对优化算法在储能电站安全运行与监控平台中的应用情况进行介绍。展开更多
考虑电池单体老化差异所致的电池组不一致性,针对串联电池组荷电状态(state of charge,SOC)、容量估计问题,提出一种基于自回归等效电路模型(autoregression equivalent circuit model,AR-ECM)的平均差异模型(mean-difference model,MDM...考虑电池单体老化差异所致的电池组不一致性,针对串联电池组荷电状态(state of charge,SOC)、容量估计问题,提出一种基于自回归等效电路模型(autoregression equivalent circuit model,AR-ECM)的平均差异模型(mean-difference model,MDM)。基于此模型,提出串联电池组SOC、容量多尺度联合估计算法。该算法由2个部分组成,一是基于AR-ECM的MDM及差异化模型参数辨识策略:条件辨识策略和定频分组辨识策略;二是基于多时间尺度H无穷滤波(multi-timescale H infinity filter,Mts-HIF)的电池组SOC、容量联合估计算法。通过将所提出MDM中的自回归平均模型(autoregression mean model,AR-MM)与传统MDM中的n阶RC平均模型(nRC mean model,nRC-MM)比较,结果表明所提出的AR-MM在复杂运行工况下具有更优的动态跟随性能。依据最小化信息量准则(akaike information criterion,AIC),AR-MM具有更优的复杂度与精度的权衡。通过与基于多时间尺度扩展卡尔曼滤波(multi-timescale extended Kalman filter,Mts-EKF)联合状态估计算法比较,结果表明所提出的Mts-HIF状态估计算法具有更优的鲁棒性、精度和收敛速度。展开更多
文摘目的:分析骨髓增殖性肿瘤(MPN)患者不确定潜能的克隆性造血(CHIP)相关基因突变谱和临床特征,探讨CHIP相关基因与其心脑血管事件(CCE)的相关性及可能作用机制。方法:回顾性分析2019年8月-2022年7月首都医科大学附属北京安贞医院血液科收治的73例MPN患者的临床资料和二代测序结果,采用Logistic回归分析CHIP相关基因、炎症细胞因子对MPN患者CCE的影响。结果:55例(75.3%)MPN患者检出CHIP相关基因,原发性血小板增多症(ET)和真性红细胞增多症(PV)患者CHIP相关基因各突变频率差异无统计学意义。CHIP相关基因突变以单基因形式为主,检出率从高至低依次为JAK2V617F(63.0%,46/73)、ASXL1(16.4%,12/73)、TET2(11.0%,8/73)、DNMT3A(9.6%,7/73)、SRSF2(6.9%,5/73)、SF3B1(4.1%,3/73)、TP53(1.4%,1/73)和PPMID(1.4%,1/73)。年龄>60岁患者CHIP相关基因检出率明显高于≤60岁者[91.7%(33/36)vs 59.5%(22/37)]。27例(37.0%)MPN患者伴CCE(MPN/CCE),2次CCE者5例,均为动脉事件。CCE组患者年龄(62.8±12.8 vs 53.9±15.8岁,P=0.015)、IL-1β水平(17.7±26.0vs 4.3±8.6,P=0.012)、IL-8水平(360.7±598.6 vs 108.3±317.0,P=0.045)、血栓形成史(29.6%vs 2.2%,P=0.020)和CHIP相关基因检出率(88.9%vs 67.4%,P=0.040)高于无CCE组。多因素Logistic回归分析结果显示,年龄(OR=0.917,95%CI:0.843-0.999,P=0.047)、血栓形成史(OR=34.148,95%CI:2.392-487.535,P=0.009)、任何1个CHIP相关基因突变(OR=16.065,95%CI:1.217-212.024,P=0.035)和IL-1β水平升高(OR=0.929,95%CI:0.870-0.992,P=0.027)均是MPN/CCE的独立危险因素;CHIP相关单基因突变与MPN/CCE无关,但DNMT3A(OR=88.717,95%CI:2.690-292.482,P=0.012)、ASXL1(OR=7.941,95%CI:1.045-60.353,P=0.045)突变是PV/CCE的独立危险因素。结论:MPN患者CHIP相关基因突变率高,尤其是60岁以上患者;高龄、血栓形成史、CHIP相关基因突变和IL-1β水平升高是MPN发生CCE的独立危险因素。DNMT3A、ASXL1单基因突变是PV患者CCE的独立危险因素。CHIP相关基因突变及炎症细胞因子IL-1β升高是MPN新的CCE危险因素。
文摘考虑电池单体老化差异所致的电池组不一致性,针对串联电池组荷电状态(state of charge,SOC)、容量估计问题,提出一种基于自回归等效电路模型(autoregression equivalent circuit model,AR-ECM)的平均差异模型(mean-difference model,MDM)。基于此模型,提出串联电池组SOC、容量多尺度联合估计算法。该算法由2个部分组成,一是基于AR-ECM的MDM及差异化模型参数辨识策略:条件辨识策略和定频分组辨识策略;二是基于多时间尺度H无穷滤波(multi-timescale H infinity filter,Mts-HIF)的电池组SOC、容量联合估计算法。通过将所提出MDM中的自回归平均模型(autoregression mean model,AR-MM)与传统MDM中的n阶RC平均模型(nRC mean model,nRC-MM)比较,结果表明所提出的AR-MM在复杂运行工况下具有更优的动态跟随性能。依据最小化信息量准则(akaike information criterion,AIC),AR-MM具有更优的复杂度与精度的权衡。通过与基于多时间尺度扩展卡尔曼滤波(multi-timescale extended Kalman filter,Mts-EKF)联合状态估计算法比较,结果表明所提出的Mts-HIF状态估计算法具有更优的鲁棒性、精度和收敛速度。