NT-probs检测在心脏病患者治疗中的应用价值

目的研究分析NT-probs检测在心脏病患者治疗中的应用价值。方法选取2012年11月~2017年11月在本院治疗的30例心脏病患者作为本次研究对象,分别检测治疗前(A组)、治疗后2周(B组)血浆NT-probs、D—Dimer水平、动脉血二氧化碳分压以及氧分压。结果 A组患者与B组患者的血浆NTprobs、动脉血二氧化碳分压以及氧分压数据差异显著,P<0.05,也具有统计学意义。结论 NT-probs在心脏病患者治疗中起到很大的辅助作用,可作为患者心功能不全严重程度的敏感指标,应在临床上广泛推广。

急性心肌梗死时超过检测上限的NT-proBNP的临床意义及其预测指标

目的分析急性心肌梗死时超过检测上限的N-末端脑钠肽前体(N-terminal pro-brain natriuretic peptide.NT-proBNP)的临床意义及其预测指标。方法选取急性心肌梗死患者669例,根据NT-proBNP峰值水平分为超检测范围组(n=50)和可检测组(n=619),同时使用倾向评分进行匹配(1:2),比较两组的临床和实验室指标。冠状动脉特征、院内预后等,并采用多因素Logistic回归分析探索早期预测NT-proBNP超过检测上限指标。结果NT-proBNP超检测范围组中性粒细胞与淋巴细胞比值(neutrophil-to-lymphoeyte ratio,NLR)、超敏C反应蛋白水平纤维蛋白原含量均较高;在倾向评分匹配后结果--致。院内预后方面,NT-proBNP超检测范围组的心功能Killip2级以上的患者比例高、住院天数长.左心室射血分数低、主要不良心.脑血管事件发生率高;在倾向评分匹配之后,仍然是相同的结果;但两组的心肌酶峰值差异在倾向评分匹配前后均无统计学意义。多因素Logistic回归分析结果显示,早期预测NT-proBNP超检测范围的指标有:NLR高、抗血小板药应用率低、纤维蛋白原含量高、左前降支闭塞、年龄高。倾向评分匹配后,预测NT-proBNP超检测范围组的指标有右冠状动脉闭塞、NLR高、纤维蛋白原含量高、左前降支闭塞。结论急性心肌梗死时NT-proBNP峰值超检测范围的患者院内预后更差;入院时的NLR、纤维蛋白原可作为NT-proBNP峰值水平超检测范围的早期预测指标。

基于轻量化网络与增强多尺度特征融合的绝缘子缺陷检测

随着无人机搭载目标检测算法在输电杆塔绝缘子巡检领域的发展,针对绝缘子缺陷检测速度较低,网络复杂度高且缺陷小目标难以准确检测的问题,提出一种基于轻量化网络与增强多尺度特征融合的YOLOv5-3S-4PH模型进行绝缘子缺陷实时检测。首先将重构的ShuffleNetV2-Stem-SPP(3S)网络作为YOLOv5的主干网络,显著减小了网络的参数量和计算量;其次引入针对小目标的增强多尺度特征融合网络以及4个预测头,来增强网络对绝缘子缺陷的感知能力,并结合Mosaic-9数据增强、CIoU损失函数进一步补偿轻量化导致的检测精度损失;最后将其应用到自制绝缘子数据集进行验证。实验结果表明,该文所提出的模型相对于未改进的YOLOv5,全类平均精度提高了3%,检测速度提高了81.8%,参数量、计算量分别压缩了82.4%、67%。因此,所提出的模型更适合部署在无人机平台上进行绝缘子缺陷的实时监测。

NT-proBNP、cTnI、Lac联合检测与脓毒症心力衰竭预测相关性分析

目的:探讨NT-proBNP、Lac、cTnI联合检测与脓毒症心力衰竭预测的相关性。方法:选取医院重症医学科收治的82例脓毒症心力衰竭患者,所有患者均进行NT-proBNP(N末端B型利钠肽原)、Lac(动脉血乳酸)、cTnI(肌钙蛋白I)检测,并应用ROC曲线下面积(AUC)以对NT-proBNP、cTnI、Lac在脓毒症心力衰竭患者诊断中的敏感性、特异性进行统计,以对NT-proBNP、cTnI、Lac评估患者预后的价值进行分析。结果:不同心功能分级脓毒症心力衰竭患者NT-proBNP、Lac、cTnI水平比较,差异均有统计学意义(P<0.05),患者的心功能越差,NT-proBNP、Lac、cTnI水平越高。单独采用NT-proBNP检测的敏感性为75.61%,单独采用Lac检测的敏感性为64.63%,单独采用cTnI检测的敏感性为73.17%,脓毒症心力衰竭采用NT-proBNP、Lac、cTnI联合检测的敏感性为90.24%,与单项检测相比明显更高(P<0.05)。结论:采用NT-proBNP、Lac、cTnI联合检测方式能够有效地诊断早期脓毒症心力衰竭,从而为脓毒症心力衰竭的预防和早期诊治提供重要依据。

应用于食品检测领域的分子即时检测技术研究进展

食品安全问题关系人类民生。为有效预防和控制食品安全风险,减少食品安全经济损失,迫切需要开发出针对食源性病原体、食物掺假、转基因作物的高特异性、高敏感性、快速的核酸检测技术。即时检测(point-of-care testing,POCT)作为一种新兴的快速检测手段,由于其检测速度快、操作简单、现场检查等特点,在食品检测领域应用广泛。本文首先介绍了POCT技术的发展历史,而后根据食品安全事件的特点,从食源性致病菌、食物掺假、转基因作物3个方向分析了食品检测的主要对象,阐述了分子POCT技术在食品检测领域的应用现状,最后对应用于食品检测领域的分子POCT技术存在的问题和解决办法进行了分析总结,对食品检测分子POCT技术的发展方向进行了展望。本文有助于进一步了解分子POCT技术在食品检测中的应用,并为分子POCT技术在食品快速检测中的研究和应用提供参考。

边缘信息增强的显著性目标检测网络

针对显著性目标检测任务中识别结果边缘模糊的问题,提出了一种能够充分利用边缘信息增强边缘像素置信度的新模型。该网络主要有两个创新点:设计三重注意力模块,利用预测图的特点直接生成前景、背景和边缘注意力,并且生成注意力权重的过程不增加任何参数;设计边缘预测模块,在分辨率较高的网络浅层进行有监督的边缘预测,并与网络深层的显著图预测融合,细化了边缘。在6种常用公开数据集上用定性和定量的方法评估了该模型,并且与其他模型进行充分对比,证明设计的新模型能够取得最优的效果。此外,该模型参数量为30.28 M,可以在GTX 1080 Ti显卡上达到31帧·s^(-1)的预测速度。

食品中多环芳烃的来源、污染状况与检测分析

多环芳烃(polycyclic aromatic hydrocarbons,PAHs)是一类持久性的有机污染物,具有致癌、致畸、致突变等毒性,广泛存在于食品、特别是烟熏食品中,过量摄入将严重危害人体健康。许多国家通过制定严格的限量标准、加强检验检测等措施对食品中的PAHs进行防控,但随着工业化的快速发展,煤、石油等燃料的大量使用,食品中PAHs污染的问题依然突出,其在食品中仍普遍被检出,已成为影响食品安全的主要风险来源之一,关于食品中PAHs的污染来源、监测分析和检测技术等方面的研究也日益增多。本文概述了PAHs对农作物的影响,分析了食品中PAHs的主要来源和污染状况,从样品前处理和测定分析两个方面,综述了食品中PAHs的主要检测技术,评述了其优缺点,并提出了今后研究工作的建议,以期为食品中PAHs的监测分析、预防控制和深入研究提供参考。

我国24家检验检测机构洁净环境照度检测能力验证

目的评价我国检验检测机构对洁净环境照度的检测能力。方法回顾性分析中国食品药品检定研究院于2022年在全国范围内首次设计并组织实施的洁净环境照度能力验证项目。基于洁净环境检测的行业特点,该项目分为笔试和实际操作(简称实操)两部分。笔试部分,共3题(限时40 min完成),考察参加测试(简称参测)实验室对检测标准正确理解和掌握的程度,根据专家商议确定的评分标准评分(满分50分)。实操部分,以该院药用辅料和包装材料检定所的2台洁净工作台为现场考核样品,以参测实验室的现场测试结果考察参测实验室的仪器操作和实验水平(限时5 min完成),以Z值进行评价(︱Z︱≤2,>2~<3,≥3分别为满意、有问题、不满意)并打分(满分50分)。以笔试和实操评分之和评价参测实验室的检测能力(≥60分为合格)。结果共24家实验室参加了能力验证并按要求提交了结果报告。笔试,评分为45~50分,满分21家(87.50%)。实操,样品A,满意21家(87.50%),有问题3家(12.50%);样品B,满意23家(95.83%),有问题1家(4.17%),2个样品均无不满意的实验室。24家实验室总评分均合格。结论该次能力验证结果显示,各实验室的检测能力维持良好,但部分实验室存在对标准的理解和掌握仍有欠缺或未按校准周期对照度计进行计量等问题,建议检测人员加深对洁净环境检测标准的理解,相应机构重视仪器的校准,持续提高检测能力。

改进YOLOv7算法的钢材表面缺陷检测研究

当前,基于深度学习的智能检测技术逐步应用于钢材表面缺陷检测领域,针对钢材表面缺陷检测精度低的问题,提出一种高精度实时的缺陷检测算法CDN-YOLOv7。加入CARAFE轻量化上采样算子来改善网络特征融合能力,融合级联注意力机制和解耦头重新设计YOLOv7检测头网络,旨在解决原始头网络特征利用效率不高的问题,使其充分利用各尺度、通道、空间的多维度信息,提升复杂场景下模型表征能力。引入归一化Wasserstein距离重新设计Focal-EIoU损失函数,提出NF-EIoU替换CIoU损失,平衡各尺度缺陷样本对Loss的贡献,降低各尺度缺陷的漏检率。实验结果表明,CDN-YOLOv7的检测精度可达80.3%,较于原YOLOv7精度提升了6.0个百分点,模型推理速度可达60.8帧/s,满足实时性需求,CDN-YOLOv7在提升各尺度缺陷检测精度的同时显著降低了缺陷的漏检率。

基于半监督学习的网络异常检测研究综述

网络流量数据的获取较为容易,而对流量数据进行标记相对困难。半监督学习利用少量有标签数据和大量无标签数据进行训练,减少了对有标签数据的需求,能较好适应海量网络流量数据下的异常检测。文章对近年来的半监督网络异常检测领域的论文进行深入调研。首先,介绍了一些基本概念,并深入剖析了网络异常检测中使用半监督学习策略的必要性;然后,从半监督机器学习、半监督深度学习和半监督学习结合其他范式三个方面,分析和比较了半监督网络异常检测领域近年来的论文,并进行归纳和总结;最后,对当前半监督网络异常检测领域进行了现状分析和未来展望。

基于轻量级YOLO-v4模型的变电站数字仪表检测识别

为了在变电站实际场景中准确获取数字仪表读数,智能管控变电站的安全风险,同时推动变电站智能化发展,以实际场景中变电站数字仪表作为研究对象,综合考虑实时性及准确度等,提出一种基于轻量级YOLOv4模型的变电站数字仪表检测识别方法.首先,通过从鄂尔多斯变电站实际拍摄变电站数字仪表图像数据,使用Albumentations框架对数字仪表图像进行数据扩充,构建变电站数字仪表目标检测数据集;然后,以YOLO-v4网络为基础,结合注意力机制构建一个有效通道注意(efficient channel attention,ECA)改进的深度可分离卷积模块(ECA-bneck-m);最后,提出一个轻量级YOLO-v4模型,进行模型大小与性能的对比实验.实验结果表明:本文方法可以在几乎不损失检测准确度的情况下,将整个模型存储大小压缩为原先的1/5,同时将模型推理速度从24.0帧/s提升至36.9帧/s,其实时性能够满足实际变电站检测识别的工程需要.

水产品过敏原及其检测技术概述

水产品因鲜美的味道和丰富的营养而深受消费者青睐。水产品属于联合国粮农组织和世界卫生组织认定的过敏食物,其在加工、运输、贮藏过程中有可能受到外来过敏原的污染,由此引起的食品安全问题日益严峻,严重制约了行业的发展。明确水产食品中的过敏原,并利用适当的检测技术进行检测、监控,有利于预防水产食物过敏疾病的发生。本文概述水产食品中的主要过敏原,以及基于基因水平的核酸检测技术、蛋白水平的免疫检测技术及质谱检测技术研究进展,为丰富水产品过敏原及其检测手段提供理论依据。

国内外食品快速检测方法评价技术研究

相比于国外成熟的快速检测方法评价技术体系,我国的评价技术体系发展滞后且有较多问题,严重制约了快检行业的发展。本文主要从验证方法、性能指标、测试要求等方面对各个评价技术体系做了对比分析。同时梳理了国内不同监管部门的评价技术体系发展与侧重,以期为我国食品快速检测方法确认政策和技术研究提供良好的借鉴,引导食品快速检测方法及产品的评价标准进一步规范,形成完善的科学评价方法和评价技术体系,促进我国食品安全及快速检测行业的健康发展。

医疗器械检验检测现状及发展趋势探索

目的该文旨在迎接我国医疗器械检验检测行业的新业态和新挑战,探索行业的未来发展方向。方法在概述医疗器械检验检测行业现状的基础上,采用专家访谈和线上问卷的方式,调研40家医疗器械检验检测机构及相关企事业单位,重点关注科技创新能力和形式、行业发展瓶颈等重要问题。结果通过整理和分析调研数据,得出行业发展的5个积极趋势:完善机构整体布局,加强区域特色中心建设;完善第三方合作研究组织和第三方评审机构的准入与监管机制;鼓励科技创新,优化人才队伍,赋能检验检测技术高质量发展;构建医疗器械安全监管信息化共享平台;加强在用医疗器械设备的安全监测。创新之处采用专家访谈和循证研究的方法,获取客观可靠的数据,为行业发展趋势的研究和探索提供了有力的依据。

基于重采样和混合集成学习的不平衡窃电检测

针对电力用户类别不平衡导致窃电检测具有偏向性问题,该文提出一种基于重采样和混合集成学习的不平衡窃电检测模型。首先以Easy-ensemble混合集成学习框架为基础确定最佳采样子集数;然后通过重采样自适应策略,即根据用户用电数据集的不平衡度以及最佳采样子集数确定检测模型的重采样方式,使用电数据达到平衡;最后按照先串行集成减小偏差、后并行集成降低方差的混合集成方式,对重采样后的均衡样本进行窃电检测。算例对比分析表明所提检测模型通过重采样和混合集成有效解决了传统集成算法在不平衡窃电检测中的偏向问题,降低了由于用电数据的不平衡性对集成结果的影响,提高了用户类别不平衡的窃电检测效果,在多种不平衡度下模型的准确率、F1值和G均值均表现优异。

雷达信号与遥感地图融合的深度学习低慢小目标检测算法

雷达复杂环境低慢小目标检测是一项具有挑战性的任务,而利用深度学习以及数据特征融合等方法是解决这一难题的有效手段。本文在雷达地图融合检测网络(Radar Map fusion Detection Network,RMDN)的基础上进行了优化,主要优化方向为将雷达与地图信息在检测过程中进行重要性程度区分,具体优化内容为减少地图特征提取模块的网络深度,加入通道注意力机制,让神经网络自主学习雷达信息与地图信息特征的权重,使神经网能够更好地利用地图信息对雷达目标进行辅助检测。在此优化基础上,本文重新设计出了雷达地图融合检测网络RMDN-V2。算法的主要思想为利用卫星遥感地图来提供背景环境信息,作为雷达信号检测的辅助,通过将目标背景中的特征信息融入检测决策中,提高目标检测的准确性和鲁棒性,减少对强杂波和移动物体的干扰敏感性,改善目标检测算法在复杂环境下的表现。最后的无人机雷达实测数据实验结果表明,本文所做的针对性优化是有效的,RMDN-V2的检测性能优于原始的RMDN,同时本文算法检测性能远超传统的雷达检测算法,同时也优于目前主流的一些深度学习雷达目标检测算法。本文为解决当下低慢小目标检测的难题提出了新的算法。

铆接铝合金板铆钉失效缺陷检测方法研究

针对车身用铝合金板内部铆钉缺陷特征提取难度大、缺陷类型与程度识别准确率低的问题,提出一种基于高斯卷积深度信念网络与双向长短期记忆网络相结合的铆钉失效缺陷诊断模型与检测方法。首先,面向5种铆钉断裂缺陷设计试件并搭建自动检测系统,通过规划和调整探头姿态有效地降低提离效应对检测信号的影响。其次,设计双网络融合诊断模型提取和学习多维度缺陷特征信息,解决检测曲线中由时序变化特性和空间分布状态表征的缺陷信息提取难题。实验结果表明,与传统卷积网络及单一深度信念网络相比,优化后算法诊断模型的平均准确率为99.85%,相比提升了14.54%,且具有良好的通用性和鲁棒性,可实现铆钉内部缺陷的在线诊断。

基于LMIENet图像增强的矿井下低光环境目标检测方法

煤矿井下工作环境复杂,存在人造光源亮度低、粉尘多和水气密度大等不利因素,导致现有的目标检测算法在应用到煤矿井下时,存在提取特征困难、目标识别和定位精度低等问题。提出一种煤矿井下低照度环境目标检测算法,由矿井低光图像增强模块LMIENet和目标检测模块组成,使用图像增强模块对原始图像进行画质提升,恢复各类图像信息,再使用目标检测网络对增强图像进行特定目标检测,有效提高检测的精确度。在图像增强模块中,改进Zero-DCE算法设计轻量级增强参数预测网络,计算像素级增强参数矩阵,用于低光照图像的亮度调整和画质增强,该网络通过设计的非参考损失函数隐性衡量图像的增强效果,引导网络进行无监督学习,使网络能够不依赖配对数据集对原始图像进行自适应的画质增强。目标检测模块中,采用YOLO v8n目标检测模型,其轻量化的模型尺寸和高灵活性可避免模型整体复杂度过高;采用Focal-EIoU Loss改进回归损失函数,有效加速模型收敛并提升模型检测精度。实验结果显示:与经典目标检测算法Faster R–CNN,SSD,RetinaNet,FCOS等相比,提出算法在自建矿井人员数据集上表现出色,低光照环境下目标检测的mAP@0.5达到98.0%,mAP@0.5∶0.95达64.8%,在实验环境中单帧图像推理时间仅11 ms,优于其他对比方法,证明提出算法能够有效实现在煤矿井下低照度复杂环境下的目标检测,且耗时短、计算效率高。

羊捻转血矛线虫病检测方法研究进展

羊捻转血矛线虫病是由捻转血矛线虫寄生于羊等小反刍动物皱胃内引起的一种危害严重的嗜血性寄生虫病。病羊临床表现为消瘦、贫血和衰弱等慢性消耗性症状,严重感染者可致死。该病在我国牧区普遍流行,目前暂无安全长效疫苗可用,加之耐药性严重,放牧羊群感染率和发病率居高不下,极大地降低了羊养殖业的经济效益。准确可靠的检测手段是诊断寄生虫感染、制定驱虫治疗方案、耐药监测及流行病学调查的关键环节。本文详细介绍了羊捻转血矛线虫病的检测技术研究现状,分析了病原学、免疫学及分子检测等方法的优缺点,并对未来检测技术发展趋势进行了展望,以期为该病新型检测方法的研发及综合防控策略提供参考。

图像引导和点云空间约束的公路洒落物检测定位方法

公路洒落物是影响交通安全的重要因素之一,为了解决中小尺度公路洒落物检测中的漏检、误检以及难以定位等问题,本文提出了一种图像引导和点云空间约束的公路洒落物检测定位方法。该方法使用改进的YOLOv7-OD网络处理图像数据获取二维目标预测框信息,将目标预测框投影到激光雷达坐标系下得到锥形感兴趣区域(region of interest,ROI)。在ROI区域内的点云空间约束下,联合点云聚类和点云生成算法获得不同尺度的洒落物在三维空间中的检测定位结果。实验表明:改进的YOLOv7-OD网络在中尺度目标上的召回率和平均精度分别为85.4%和82.0%,相比YOLOv7网络分别提升6.6和8.0个百分点;在小尺度目标上的召回率和平均精度分别为66.8%和57.3%,均提升5.3个百分点;洒落物定位方面,对于距离检测车辆30~40 m处的目标,深度定位误差为0.19 m,角度定位误差为0.082°,实现了多尺度公路洒落物的检测和定位。