基于OSGIS的CDGS适宜性评价信息服务系统研发

分析了CDGS信息服务系统应用研究的必要性,基于WebGIS的网络发布、SOA架构、天地图服务等开源地理信息服务(OSGIS),结合CDGS适宜性评价空间数据的特点,阐述了CDGS适宜性评价信息服务系统的总体设计、关键技术和实现,从而为CDGS综合地质调查提供信息化、网络化、标准化、科学化的管理手段。

基于心电动力学离散特征与SVM模型的AMI早期筛查研究

目的以急性心肌梗死(AMI)患者和健康人的心电动力学(CDG)数据为基础,研究一种新早期筛查模型用以评估健康人群和AMI患者。方法训练集包括1500例AMI患者和1500名健康个体。在2000人中验证了SVM模型。测试无或有轻度症状的AMI患者的心电(ECG)信号,获取ECG信号的CDG数据,分析CDG数据的离散度特征,并基于支持向量机(SVM)建立早期筛查模型以评估健康人群和AMI患者。结果AMI患者CDG数据的离散度特征的定量值与健康个体存在显著差异,AMI患者的CDG数据比正常人的CDG数据混乱,支持向量机模型用于AMI诊断的准确性较高。结论基于心电动力学离散特征与SVM模型的AMI早期筛查方法的应用可以有效区分AMI患者和健康个体,该方法为AMI的早期筛查提供了辅助方法。

基于均衡分簇的无线传感器网络压缩数据收集

应用压缩感知(CS)理论结合稀疏随机投影的无线传感器网络(WSN)压缩数据收集(CDG)可以大大减少网络传输的数据量。针对随机选择投影节点作为簇头来收集数据导致网络整体能耗不稳定和不平衡的问题,提出两种平衡投影节点的压缩数据收集方法。对于节点分布均匀WSN,提出基于空间位置的均衡分簇法:首先,均匀划分网格;然后,在每个网格选举投影节点,依距离最短原则成簇;最后,由投影节点收集簇内数据到汇聚节点完成数据收集,从而使得投影节点分布均匀、网络能耗均衡。对于节点分布不均匀的WSN,提出基于节点密度的均衡分簇法:同时考虑节点的位置和密度,对节点数量少的网格不再选择投影节点,将网格内的少量节点分配到邻近的网格,从而平衡网络能量,延长网络寿命。仿真结果表明,与随机投影节点法相比,所提的两种方法的网络寿命均延长了25%以上,剩余节点数在网络运行中期均能达到2倍左右,具有更好的网络连通性,显著提高了整个网络的生命周期。

心电动力学信号数据特征提取与模式识别的研究进展

现代控制理论和计算机技术的进步,为深入研究心电信号内在动态病理特征创造了良好条件,并推动了相关学者在基于心电信号转化数据的神经网络模型构建、心电信号异质度特征的量化指标提取、心脏疾病辅助诊断等方面的早期探索。本文综述了心电动力学信号数据特征的研究现状,并介绍了心电动力学信号数据特征的提取方法、模式识别及其在心肌缺血辅助诊断、心肌缺血引发心脏疾病早期筛查和疗效评估等方面的应用。

基于时间复杂度的急性冠脉综合征辅助筛查的研究

在混沌体系中,采用动力学特征量化指标进行心脏疾病的辅助诊断,具有更为准确和敏感的检测优势。鉴于时间复杂度可从时域上对混沌体系动力学轨迹的复杂程度进行分析,本文采集了16例的健康人和16例的急性冠脉综合征患者的心电动力学数据的时间复杂度进行混沌特性的验证性研究。实验结果表明,急性冠脉综合征患者的心电动力学数据的时间复杂度普遍低于健康人的心电动力学数据的时间复杂度;因此,时间复杂度的量化信息具有用于急性冠脉综合征的检测的价值。

基于确定学习及心电动力学图的心肌缺血早期检测研究

心肌缺血早期检测是心血管疾病领域重要且困难的问题.本文采用心电动力学图(Cardiodynamicsgram,CDG)开展心电图正常及大致正常时的心肌缺血早期检测研究.1)在分析已有基于心电图的心肌缺血检测方法所取得的进展及不足基础上,构建一个既有心电图发生缺血性改变、又有心电图正常及大致正常、且包括经冠脉造影检验为冠脉阻塞性病变和非阻塞性病变的较大规模心肌缺血数据集.2)针对上述数据集中393例心电图正常及大致正常患者,利用确定学习生成每份心电图的心电动力学图,提取对心肌缺血和非缺血具有显著区分能力的心电动力学特征.并以冠脉狭窄50%为缺血标准,采用机器学习算法构建心肌缺血检测模型.3)针对上述试验中假阳性病例,利用由确定学习生成的具有明确物理意义的心电动力学图进行逐例分析,发现其中许多假阳性存在慢血流现象(即冠脉非阻塞性病变).对这些慢血流病例重新进行缺血标注,以改善心肌缺血数据集标注精度.通过上述三个步骤构建了更为准确的心肌缺血检测模型,其缺血检测结果:灵敏度90.1%、特异度85.2%、准确率89.0%和受试者工作特征曲线(Receiver operating characteristic curve,ROC)下面积(Area under curve,AUC)0.93.综上,本文所构建的较大规模心肌缺血数据集可为心肌缺血检测研究和临床研究提供重要的数据基础;且构建的心肌缺血检测模型对心电图正常及大致正常患者具有较强的缺血检测能力;特别是,由确定学习生成的心电动力学图具有较好的可解释性,有助于发现缺血数据标注的偏差和模型的错误,提高心肌缺血检测准确率.