缓坡条件下掺气减蚀设施的体型研究

结合小湾泄洪洞掺气减蚀设施优化研究,提出了"当量坎高"的概念与凹型掺气坎的布置构想,在相同"当量坎高"的前提下,通过1∶60水工模型试验,对平面凹型、平面凸型、平面梯形、U型坎,以及直线型挑坎等掺气坎体型进行了对比试验研究.从掺气浓度、空腔特性及通气量等指标看,凹型掺气坎是一种较优的布置形式.从物理机制上看,平面凹型掺气坎因空腔内水气交界面积大,对提高空腔内的总通气量、改善掺气条件有利;另外,相对于其他异型掺气坎而言,凹形掺气坎在两侧边墙处空腔更为完整一些,这对提高边壁角隅区域水流的掺气能力,增进边墙的抗空蚀效果也有一定的助益.

围绝经期抑郁大鼠肠道微生物菌群的研究

目的研究围绝经期抑郁大鼠肠道微生物菌群的变化,为防治围绝经期抑郁提供实验室依据。方法20只雌性SD大鼠均双侧卵巢切除去势进行围绝经期造模,然后随机分为2组,每组各10只。实验组采用慢性不可预见性温和应激(CUMS)刺激4周诱导抑郁模型,对照组未进行CUMS刺激。刺激前、刺激后1、2、3和4周分别测量两组大鼠体重,通过糖水偏好实验、强迫游泳实验和旷场实验检测抑郁行为的变化;抑郁造模成功后处死两组大鼠,提取结肠粪便细菌DNA,采用变性梯度凝胶电泳(DGGE)检测肠道微生物菌群的变化,对指纹图谱进行组间菌群多样性与相似性分析。结果与对照组相比较,实验组自应激刺激第2周起体重显著减轻(均P<0.05);应激刺激4周后糖水消耗率和旷场中央区域活动距离显著下降(均P<0.05),游泳悬浮不动时间显著增加(P<0.05);DGGE检测、非加权配对算术平均法(UPGMA)聚类分析结果提示肠道菌群多样性显著减少,组内相似性显著下降(P<0.01),组间相似系数仅为(54.84±11.07)。结论围绝经期抑郁大鼠的肠道菌群紊乱,多样性降低。

基于步态的机器学习模型识别遗忘型轻度认知障碍和阿尔茨海默病

背景随着老龄化社会的到来,与年龄密切相关的认知障碍(包括痴呆)的患病率明显增加。先前的研究表明,具有不同认知能力的人群所表现的步态状态也不一样。过去研究者们在研究遗忘型轻度认知障碍(aMCI)和阿尔茨海默病(AD)的步态时,使用了统计分析方法,对机器学习方法的使用较少。目的构建基于步态的机器学习模型识别aMCI和AD,探索aMCI和AD之间的步态标志物,以便将其用作帮助诊断aMCI患者和AD患者的可能工具。方法于2018年12月至2020年12月,从国家康复辅具研究中心附属康复医院、佛山市第一人民医院、大连大学附属中山医院招募了102例受试者,按照筛选标准最终纳入98例受试者,其中55例为aMCI患者,10例为AD患者,33例为健康对照(HC)者。使用可穿戴设备采集参与者在单任务(自由行走)、双任务(倍数7)和双任务(倒数100)时的步态参数。使用随机森林算法(RF)和梯度提升决策树算法(GBDT)建立模型,10个步态参数作为预测变量,疾病状态(HC、aMCI、AD)作为响应变量,比较两种机器学习算法对3个疾病组的识别效果。然后使用机器学习算法结合递归特征消除法(RFE)进行重要特征选择。结果三组年龄、性别、身高、体质量、鞋码比较,差异无统计学意义(P>0.05);MMSE评分、MoCA评分比较,差异有统计学意义(P<0.05)。自由行走测试时,aMCI组和AD组受试者步幅较HC组短,足跟着地角度较HC组小;AD组步速较HC组和aMCI组受试者慢,足趾离地角度较HC组小(P<0.05)。双任务倍数7测试时,aMCI组和AD组受试者步速较HC组慢,足趾离地角度和足跟着地角度较HC组小;AD组支撑时间较HC组长,足趾离地角度较aMCI组小(P<0.05)。双任务倒数100测试时,AD组步速较HC组和aMCI组受试者慢,足趾离地角度和足跟着地角度较HC组和aMCI组小,步幅较HC组短;aMCI组足跟着地角度较HC组小(P<0.05)。GBDT-RFE方法发现aMCI和AD之间的重要步态特征是步幅、足趾离地角度和足跟着地角度,并在RF模型中实现了识别aMCI和AD的最佳性能,最高准确率为87.69%。结论步幅、足趾离地角度和足跟着地角度是识别aMCI患者和AD患者的重要步态标志物,未来临床医生可依据重要步态标志物诊断和治疗aMCI患者和AD患者。

XGBoost算法在轻度认知障碍人群阿尔兹海默病发病预测中的应用

目的:探索极限梯度增强(XGBoost)算法模型在轻度认知障碍(MCI)向阿尔茨海默病(AD)转化中的预测性能。方法:从AD神经影像学计划数据库中选取370例MCI患者,收集随访数据。通过无放回随机抽样将样本分为包含70%样本量的训练集和包含30%样本量的测试集。以第1次随访后10 a内是否患AD为因变量,采用XGBoost算法筛选特征变量,构建AD预测模型,同时构建Logistic回归、BP神经网络和支持向量机模型,评价模型预测AD的效能。结果:经XGBoost特征选择,临床痴呆评分总和量表(CDR-SB)得分、社会活动功能量表(FAQ)得分、简易精神状态检查量表得分、听觉语言学习测试得分、BMI、舒张压、缬氨酸、白蛋白、年龄、葡萄糖、教育水平得分、糖蛋白-N-乙酰(GlycA)被纳入预测模型。基于最佳超参数组合建立的XGBoost模型的预测性能优于其他模型,其准确率、敏感度、特异度、Kappa值和AUC(95%CI)分别为0.935、0.962、0.862、0.833和0.921(0.858~0.985)。所构建的XGBoost模型中,CDR-SB得分和FAQ得分重要性最大,占74.91%。结论:基于XGBoost算法构建的预测模型可用于AD患病风险的预测;在MCI人群中,CDR-SB得分和FAQ得分为重点关注指标。