目的探讨16排螺旋CT行胸部血管造影检查时图像质量与碘造影剂注射流速的相关性。方法选取自2013年10月—2016年9月在该科行胸部CT检查老年患者90例,随机分为A1、A2、A3 3组,每组30例。3组流速分别为2.0~2.4、2.5~2.8、2.9~3.2 m L/s。...目的探讨16排螺旋CT行胸部血管造影检查时图像质量与碘造影剂注射流速的相关性。方法选取自2013年10月—2016年9月在该科行胸部CT检查老年患者90例,随机分为A1、A2、A3 3组,每组30例。3组流速分别为2.0~2.4、2.5~2.8、2.9~3.2 m L/s。观察分析肺动脉平均强化值,图像质量。结果 3组行CT检查后的效果评价A1,A2,A3组的肺动脉平均强化值分别为(195.9±29.1),(262.20±59.0),(255.9±53.2),3组造影效果主动脉强化值差异有统计学意义(P<0.01),3组不同流速碘造影剂的图像质量差异有统计学意义(P<0.01)。结论老年患者在行胸部CT增强扫描碘造影剂注射流速在2.5~2.8 m L/s时,获得的图像较满意,并能满足临床诊断需要,且能保护患者穿刺血管的安全。展开更多
随着无线通信技术的发展,车载自组织网络(Vehicular Ad Hoc Network,VANET)已经成为一个新型的研究领域。针对VANET中车辆行驶的特征以及车辆间安全信息传输严格的时延限制和高可靠性要求,提出了一种基于簇的协作MAC(CCB-MAC)协议用于...随着无线通信技术的发展,车载自组织网络(Vehicular Ad Hoc Network,VANET)已经成为一个新型的研究领域。针对VANET中车辆行驶的特征以及车辆间安全信息传输严格的时延限制和高可靠性要求,提出了一种基于簇的协作MAC(CCB-MAC)协议用于安全信息的传输。当在广播期间节点没有接收到安全信息时,被选择的辅助节点重传先前侦听到的安全信息到目的节点,并且重传是在未被预留的时隙中进行的,这将不会中断正常的传输。数值分析和仿真结果表明,CCB-MAC明显提高了安全信息传输成功的概率,降低了传输时延和丢包率。展开更多
特征提取和健康状态的辨识是复杂系统健康状态评估中的关键问题。提出一种新的健康状态评估方法,该方法分为3个步骤:首先,采用经验模态分解(empirical model decomposition,EMD)和奇异值分解(singular value decomposition,SVD)来提取...特征提取和健康状态的辨识是复杂系统健康状态评估中的关键问题。提出一种新的健康状态评估方法,该方法分为3个步骤:首先,采用经验模态分解(empirical model decomposition,EMD)和奇异值分解(singular value decomposition,SVD)来提取振动信号的特征变量。然后,运用马田系统(Mahalanobis-Taguchi system,MTS)构造马氏空间,并对其进行优化,从而降低特征变量的维度。最后,提出了一种健康度(health index,HI)的概念,并且用来对复杂系统健康问题进行评估。该方法成功地应用在轴承的健康状态评估中。展开更多
文摘目的探讨16排螺旋CT行胸部血管造影检查时图像质量与碘造影剂注射流速的相关性。方法选取自2013年10月—2016年9月在该科行胸部CT检查老年患者90例,随机分为A1、A2、A3 3组,每组30例。3组流速分别为2.0~2.4、2.5~2.8、2.9~3.2 m L/s。观察分析肺动脉平均强化值,图像质量。结果 3组行CT检查后的效果评价A1,A2,A3组的肺动脉平均强化值分别为(195.9±29.1),(262.20±59.0),(255.9±53.2),3组造影效果主动脉强化值差异有统计学意义(P<0.01),3组不同流速碘造影剂的图像质量差异有统计学意义(P<0.01)。结论老年患者在行胸部CT增强扫描碘造影剂注射流速在2.5~2.8 m L/s时,获得的图像较满意,并能满足临床诊断需要,且能保护患者穿刺血管的安全。
文摘随着无线通信技术的发展,车载自组织网络(Vehicular Ad Hoc Network,VANET)已经成为一个新型的研究领域。针对VANET中车辆行驶的特征以及车辆间安全信息传输严格的时延限制和高可靠性要求,提出了一种基于簇的协作MAC(CCB-MAC)协议用于安全信息的传输。当在广播期间节点没有接收到安全信息时,被选择的辅助节点重传先前侦听到的安全信息到目的节点,并且重传是在未被预留的时隙中进行的,这将不会中断正常的传输。数值分析和仿真结果表明,CCB-MAC明显提高了安全信息传输成功的概率,降低了传输时延和丢包率。
文摘特征提取和健康状态的辨识是复杂系统健康状态评估中的关键问题。提出一种新的健康状态评估方法,该方法分为3个步骤:首先,采用经验模态分解(empirical model decomposition,EMD)和奇异值分解(singular value decomposition,SVD)来提取振动信号的特征变量。然后,运用马田系统(Mahalanobis-Taguchi system,MTS)构造马氏空间,并对其进行优化,从而降低特征变量的维度。最后,提出了一种健康度(health index,HI)的概念,并且用来对复杂系统健康问题进行评估。该方法成功地应用在轴承的健康状态评估中。