基于时间序列奇异谱特征的Φ-OTDR扰动检测方法

相敏光时域反射系统异常灵敏,对环境中声波、空气流动及瞬时高频噪音等干扰源同时敏感,环境干扰与入侵非线性混叠时,实际入侵检测与识别困难,容易频繁误报.本文提出一种基于时间序列奇异谱特征的扰动检测方法,对每个滑动时间窗内空间各点的纵向时间序列信号进行相空间重构,对重构后的相空间状态矩阵进行奇异值分解得到信号能量的奇异谱分布,然后将奇异谱特征向量输入后向传播神经网络进行扰动事件检测.实验结果表明,该方法能够有效排除声波及瞬时高频噪音等干扰信号的影响,在微风等有干扰的环境下,在14km处正确检测率为90%,误警率低于2%.

基于T1 mapping序列的定量参数鉴别肺癌病理类型的应用研究

目的评估基于纵向弛豫时间定量序列(T1 mapping)的定量参数预测肺癌病理类型的可行性。材料与方法共收治经病理确诊的肺癌患者117例,包括腺癌62例,鳞状细胞癌26例,小细胞肺癌(small cell lung cancer,SCLC)29例,于治疗前行常规MRI、T1 mapping检查。采用B1场校正的3D可变翻转角VIBE序列分别于增强前及增强后5 min采集T1 mapping图像,测量肿瘤大小、增强前T1值(T1pre)、增强后T1值(T1post),并计算增强前后T1值变化△T1、增强前后T1值变化率△T1%。采用SPSS和MedCalc软件进行分析,运用logistic回归联合ROC曲线下面积(area under the curve,AUC)评价各组各定量参数的差异及多参数联合的诊断价值。结果腺癌、鳞状细胞癌和SCLC的ΔT1、ΔT1%和T1post差异有统计学意义(P<0.05),而T1pre差异无统计学意义(P=0.506)。鉴别SCLC和非小细胞肺癌(non-small cell lung cancer,NSCLC)的T1post、△T1和△T1%值的AUC分别为0.856、0.805和0.864,3个参数的组合可以提高鉴别SCLC和NSCLC的诊断准确度(AUC=0.870,P<0.05)。△T1、△T1%鉴别腺癌和鳞状细胞癌的AUC分别为0.755和0.767,两者联合可提高诊断准确度(AUC=0.771,P>0.05)。T1post、△T1%鉴别鳞状细胞癌和SCLC的AUC分别为0.788和0.818,两者联合可提高诊断准确度(AUC=0.831,P>0.05)。T1post、△T1%鉴别腺癌和SCLC的AUC分别为0.895、0.873,二者联合可提高诊断准确度(AUC=0.898,P>0.05)。结论T1 mapping可以无创定量地获得腺癌、鳞状细胞癌和SCLC的T1值,可用于区分SCLC与NSCLC以及鳞状细胞癌和腺癌,具有一定的临床应用价值。

快速路交通事件检测方法

为了提出一种适用于任何流量并具有较高检测率和较低误警率的快速路交通事件检测算法,以统计理论、突变理论为基础,设计了事件影响指数检测算法.利用交通量数据,检验纵向时间序列与横向时间序列上流量的波动性和正态拟合性;分析事件数据与非事件数据的差异,得出交通事件数据变化特征.分析结果表明:纵向时间序列的波动性和正态拟合性优于横向时间序列;事件数据具有多模态、不可达、突跳等突变性特征.该算法误警率为0,检测率比经典的Cali-fornia算法高出10%.不同流量下的检测效果对比表明,该算法适用于各种流量,低流量状态下的检测效果更好.

基于突变强度的交通事件自动检测算法

为设计1种检测率高的快速路交通事件自动检测(Automatic Incident Detection,AID)算法,基于突变强度理论,分析交通事件下流量、速度、占有率突变强度在纵向时间序列的变化特征,得出事件时段,交通参数突变强度值较大.本文以三参数突变强度乘积为事件评价指数设计了1种快速路AID算法.新算法与3种AID算法对比得出:新算法检测率高(100.00%),误检率低(5.75%);与横向时间序列相比,纵向时间序列数据稳定性更好;参数数量的增加可提高检测率.新算法适用于各种流量,在低峰检测率为100.00%,误检率为0,检测效果最佳;高峰时段保持100.00%高检测率,误检率为5.66%,误检事件多发生在上下班早晚高峰和午休3个交通流量变化较大的时段.