选拔运动员的标准及其测试结果助力科学训练的研究

目的:对运动员进行各项生理生化指标的调查与研究,建立健康评估体系。方法:使用SPSS26.0软件,通过双样本t检验、独立样本非参数检验、百分位数法、卡方检验和回归分析等方法分析运动员的数据。研究结果表明:①根据体检数据所划定的标准从一般人群中筛选出233人合格,合格率为27.87%;骨密度数据中394例骨质密度增加,68例骨质密度下降,通过率85.30%;运动能力数据中140人达标,合格率29.91%;②综合问卷中,疲劳与睡眠、情绪的相关性较高,患有颈肩疼痛、支气管炎是导致疲劳状态更为显著的影响因素;③心理问卷结果显示运动员的心理状况普遍较好,对有心理问题的运动员及时进行心理疏导。根据各项指标筛选标准,将结果作为选拔运动员的标准及运动员潜力大小的评定,有助于运动员进行科学训练并改进训练方案,从而提高训练效果,促进运动员的长远发展。

基于条带池化与血管增强的眼底图像动静脉分类方法

视网膜血管动静脉管径比是定量分析糖尿病、高血压等慢性疾病的先决条件,是许多心血管疾病的重要风险指标。随着深度学习技术的发展,许多基于卷积神经网络的方法凭借其捕获高级语义的能力,在眼底图像动静脉分类方面取得了较大的进展。然而,这些方法大多是采用叠加局部卷积和池化操作方式,难以很好地应用于条带形状的眼底视网膜血管。在本研究中,为了更有效地提取条带形状的视网膜血管特征,引入条带池化来捕获空间像素远距离依赖关系,同时考虑到动静脉交错复杂的特性,结合空间金字塔池化并提出了一种全新的混合池化技术以扩大神经网络的感受野和学习上下文信息。另一方面,考虑到眼底图像中血管与非血管分布的比例极不平衡,引入了血管增强模块,利用血管分布信息和高斯核函数约束的血管边缘的信息作为权重校正动静脉特征抑制背景特征,进而解决血管与背景分布比例不平衡问题。在分别包含40、22、45张彩色眼底图像的3种国际公开数据集DRIVE、LES和HRF上的实验表明,所提算法的平衡精度(BACC)分别为0.955、0.946、0.967,表明本研究结合条带池化与血管增强的方法能够较好解决眼底图像中动静脉交错复杂和类别不平衡问题,实现对眼底视网膜动静脉的精确分类,具有较高的应用价值。

基于特征重建的无监督木材图像异常检测

为有效解决目前木材图像异常边缘区域检测精度不高的问题,提出一种基于特征重建的无监督异常检测模型FRNet。设计多层级特征提取器为图像子区域生成多个空间上下文特征表示;多尺度特征生成器将多层特征融合为一幅具有多尺度特征表达的特征图;设计具有跳跃连接的卷积自编码器,通过补充下采样时丢失的细节信息重建特征图,根据重建误差定位异常区域。在构建的木材异常数据集上进行实验,其结果表明,FRNet取得了最好的异常检测性能。

基于链接关系预测的弯曲密集型商品文本检测

针对商品包装文本检测任务中弯曲密集型文本导致的错检、漏检问题,提出了一种由2个子网络组成的基于链接关系预测的文本检测框架(text detection network based on relational prediction,RPTNet)。在文本组件检测网络中,下采样采用卷积神经网络和自注意力并行的双分支结构提取局部和全局特征,并加入空洞特征增强模块(DFM)减少深层特征图在降维过程中信息的丢失;上采样采用特征金字塔与多级注意力融合模块(MAFM)相结合的方式进行多级特征融合以增强文本特征间的潜在联系,通过文本检测器从上采样输出的特征图中检测文本组件;在链接关系预测网络中,采用基于图卷积网络的关系推理框架预测文本组件间的深层相似度,采用双向长短时记忆网络将文本组件聚合为文本实例。为验证RRNet的检测性能,构建了一个由商品包装图片组成的文本检测数据集(text detection dataset composed of commodity packaging,CPTD1500)。实验结果表明:RPTNet不仅在公开文本数据集CTW-1500和Total-Text上取得了优异的性能,而且在CPTD1500数据集上的召回率和F值分别达到了85.4%和87.5%,均优于当前主流算法。

基于Transformer和CNN交错混合的肺结节分割网络

针对肺结节尺寸多样、形状异质化高等问题,提出基于Transformer和卷积神经网络(CNN)交错混合(IMTC)的肺结节分割网络,该网络是一个对称的层次连接网络,具有很强的多尺度特征提取能力。该网络通过集成2种方案分别解决肺结节多尺寸与形状异质化问题:(1)采用感知注意力模块(inception attention module,IAM),通过并联多个不同大小的卷积核来增加浅层网络的感受野组合,以此捕获更为丰富的浅层特征;(2)为获取更具表示能力的高级语义特征,利用由Transformer和CNN组成的基本骨干网络交错提取结节特征,使得全局特征与局部特征充分融合,从而提高结节特征表示的泛化能力和鲁棒性。实验结果表明:本文模型可以准确分割直径较小以及边缘复杂的肺结节,在LUNA16公开数据集上分割性能良好,Dice和IOU分别达到86.15%和76.10%。

高海拔潮气量双环PID控制系统研究

为解决高海拔地区气压降低导致急救呼吸机潮气量控制精度下降的问题,提出了双环PID潮气量控制系统。该系统采用气压补偿型PID控制器调整风机转速,并辅以积分分离式PID控制器,以实现对气流速度的精确控制。在实际海拔4370 m、大气压59 kPa的环境中,系统性能测试表明,相较于单环PID控制,双环控制系统在高海拔条件下表现出快速响应和无超调的卓越性能。平均气流速度输出误差为3.19%,最大误差为4.1%,优于现有临床设备的准确性。这一技术突破不仅提供了高海拔急救呼吸机潮气量控制的有效解决方案,也为特殊环境下的通气控制技术发展贡献了重要参考。

可信的图神经网络节点分类方法

为了研究节点特征表示的不确定性对节点分类的影响,提出一种可信的图神经网络节点分类方法。算法使用径向基函数计算节点间距离,得到各类节点质心后,根据距离分配与未标记节点最近质心的类别标签提高节点分类性能,同时定义未标记节点和质心之间的距离为模型输出的不确定性,并使用梯度惩罚损失加强输入变化的可检测性,可以有效地检测分布外节点样本。在Cora、Citeseer和Pubmed这3个公开网络数据集上的结果表明:模型在分类任务的AUROC指标分别达到81.5%、76.2%和74.6%,在分布外样本检测任务中AUROC指标分别达到83.6%、72.8%和70.6%,证明了所提算法在提高节点分类性能的同时,可以有效检测分布外的节点样本,提高了节点分类的可信性。

基于图结构增强的图神经网络方法

针对图卷积网络(GCNs)在面对低同质性的图结构时性能骤降问题,提出了一种新颖的基于图结构增强的图神经网络方法,用于学习改善的图节点表示。首先将节点信息通过消息传播和聚合,得到节点的初始表示;然后计算节点表示的相似性度量,得到图的同质结构;最后融合图的原始结构和同质结构进行节点的信息传递得到节点表示用于下游任务。结果表明:在6个公开的数据集上,所提算法在节点分类的多个指标上均优于对比算法,特别是在同质性较低的4个数据集上,所提算法的准确度(ACC)分数分别超过最高基准5.53%、6.87%、3.08%、4.00%,宏平均(F1)值分别超过最高基准5.75%、8.06%、6.46%、5.61%,获得了远高于基准的优越表现,表明所提方法成功改善了图数据的结构,验证了该算法对图结构优化的有效性。

基于CNN-NLSTM的脑电信号注意力状态分类方法

通过脑电信号进行注意力状态检测,对扩大脑-机接口技术的应用范围具有重要意义。为了提高注意力状态的分类准确率,该文提出一种基于CNN-NLSTM的脑电信号分类模型。首先采用Welch方法获得脑电信号的功率谱密度特征并将其表示为二维灰度图像。然后使用卷积神经网络从灰度图像中学习表征注意力状态的特征,并将相关特征输入到嵌套长短时记忆神经网络依次获得所有时间步骤的注意力特征。最后将两个网络依次连接来构建深度学习框架进行注意力状态分类。实验结果表明,该文所提出的模型通过进行多次5-折交叉验证评估后得到89.26%的平均分类准确率和90.40%的最大分类准确率,与其他模型相比具有更好的分类效果和稳定性。

经颅直流电刺激–经颅磁刺激–音乐融合刺激对脑力疲劳干预效果的研究

目的评估经颅直流电刺激(tDCS)、经颅磁刺激(TMS)和音乐(Music)多物理场融合刺激方案对脑力疲劳的干预效果。方法疲劳诱发后,10名受试者分别接受空白(静息态)干预、音乐干预和tDCS-TMS-Music多物理场干预。tDCS刺激部位位于受试者双额区,TMS刺激部位为后脑双侧枕部。每次刺激干预前后统计受试者主观疲劳量表、测定心率变异性和被试反应绩效,研究不同干预方案对脑力疲劳的缓解效果。结果与音乐组和空白组相比,tDCS-TMS-Music组干预后脑力负荷程度、反应绩效和心率变异性指标改善效果更好。结论tDCS-TMS-Music融合干预方案能够有效缓解长时间认知操作任务诱发的脑力疲劳,干预效果优于相同时间的音乐干预和静息态缓解。

融合密集空洞注意力金字塔和多尺度的视网膜病变分割

针对糖尿病视网膜病变(DR)分割任务中病变区域多尺度特征难以学习、边界模糊等问题,提出一种改进的U型多病变分割模型DDAPNet。首先,对DR图像进行Patch处理,使模型更好地捕捉病变的局部特征;其次在主干特征提取后引入重新设计的密集空洞注意力金字塔(DDAP)模块,扩大感受野,解决病变边界模糊问题;同时采用金字塔切分注意力进行特征增强,然后将二者进行特征融合;最后在跳跃连接中嵌入改进的残差注意力模块,降低浅层冗余信息的干扰。在数据集和医院真实数据集上进行联合验证,实验结果表明,相较于基础模型,DDAPNet模型对微动脉瘤、出血点、软渗出DDR物和硬渗出物的分割在Dice系数上分别提高了4.31%、2.52%、3.39%、4.29%,在mIoU上分别提高了1.80%、2.24%、4.28%、1.98%。该模型对病灶边缘的分割更为连续和平滑,有效提升了软渗出物等视网膜病变的分割性能。

基于光电容积脉搏波描记法可穿戴血管僵硬度检测技术的临床应用研究

目的建立基于光电容积法的便捷血管僵硬度检测技术,并评估临床诊断效能。方法采用光电容积脉搏波描记法,结合便携式掌式12导联心电信号采集终端,建立动脉脉搏波传导速度的简便检测技术,应用于55例中国人民解放军总医院心血管内科住院患者,与现有动脉硬化检测技术比较,计算灵敏度、特异度、阳性预测值和阴性预测值等指标以及一致性检验。结果可穿戴动脉硬化检测装置对动脉硬化检测的灵敏度、特异度及准确性分别为85.7%、95.2%、91.4%,且具有较好的一致性(Kappa值>0.80)。结论可穿戴动脉硬化检测装置具有便携、操作简单、快速测量的优点,在居家和社区中具有较好的应用前景。

机器学习在嗓音疾病诊疗中的应用

随着病理嗓音的发生率越来越高,嗓音疾病的早期筛查与诊断备受关注,利用客观评估方法可实现嗓音质量的评估及病理嗓音的检测,然而传统评估方法均存在一定的局限性。AI的引入为评估嗓音质量和诊断嗓音疾病提供了新的思路和方法,同时对提高医师的诊治效率具有重要意义。本文通过综述基于机器学习嗓音客观评估方法在嗓音质量评估及疾病诊断中的作用,期望未来机器学习对嗓音医学的发展带来更利民的应用价值。

高校党史学习融入社会实践的育人路径研究

在全党开展党史学习教育,是牢记初心使命、推进中华民族伟大复兴历史伟业的必然要求。高校党史学习作为培养学生爱国主义、社会主义核心价值观和中国特色社会主义理论体系的重要途径,具有十分重要的意义。然而,传统的课堂教学往往难以激发学生的学习兴趣和社会责任感。为了更好地实现高校党史学习的育人目标,文章提出将党史学习与社会实践相结合的育人路径。这种相融合的新模式,使学生在实践中深刻体验党史的价值和意义,增强党史学习的生动性和实效性,进一步增强其历史自觉和使命担当。文章将从党史学习融入社会实践的现状分析、育人路径等方面展开探讨,旨在为高校学生教育提供新的启示和参考。

基于MIFNet的婴儿面部表情识别

婴儿面部表情智能化识别,可辅助看护人员更好地关注婴儿的身心健康.由于婴儿面部线条流畅且五官锐感偏弱导致面部表情类间相似性高于成人,为了解决类间相似性高的问题,提出多尺度信息融合网络.该网络整体分为2个阶段:在第1阶段使用融合模块在空间域与通道域双重维度下融合局部特征与全局特征,增强特征的表达能力;在第2阶段采用自适应深度中心损失,利用注意力机制估计融合特征的权重用以指导中心损失,促进婴儿表情特征的类内紧凑和类间分离.实验结果表明,多尺度信息融合网络在婴儿面部表情数据集中识别准确率达到95.46%,在AUC、召回率和F1得分3个评价指标上分别达到99.07%、95.88%和95.89%,与现有面部表情识别网络相比,识别效果最优.将多尺度信息融合网络在公开面部表情数据集上进行泛化性实验,准确率达到89.87%.

基于深层多尺度聚合3D U-Net的肾脏与肾肿瘤分割方法

针对电子计算机断层扫描(CT)图像中肾肿瘤形态复杂多变、肿瘤目标小、肿瘤边缘复杂等问题,提出了深层多尺度聚合3D U-Net网络分割模型。该模型在U-Net++基础上新增了3个下采样操作,利用密集嵌套的3D U-Net和解码器层的跳跃连接以及各层级3D U-Net子网络之间的跳跃连接,促进各个层级和各个尺度的特征信息融合,增强了对细节特征的提取能力,从而提升了对小尺度肾肿瘤和肿瘤边缘的分割精度。实验结果表明:该模型能够准确分割边缘复杂以及尺度较小的肾肿瘤,在KiTS19公开数据集上进行评估,本文模型对肾脏分割的Dise系数为0.968 2,对肿瘤分割的Dise系数为0.790 8,分割性能良好。

不同切口在肥胖女性甲状腺乳头状癌根治术中的应用效果比较

目的 比较不同切口在肥胖女性甲状腺乳头状癌(PTC)根治术中的应用效果。方法 将60例行PTC根治术的肥胖女性患者随机分为常规衣领式切口组(A组)和第二颈横纹切口组(B组),每组30例。两组患者均接受标准甲状腺癌根治术治疗,A组采用常规衣领式手术切口,B组以第二颈横纹作为手术切口。比较两组患者手术时间、术中出血量、喉上神经外侧支显露率、术后疼痛程度、美容效果满意度、术后引流量、清扫淋巴结数,记录两组患者手术并发症(喉上神经外侧支损伤、喉返神经损伤)的发生情况。结果 两组患者的手术时间、术中出血量、术后疼痛程度评分、术后引流量、淋巴结清扫个数差异无统计学意义(P>0.05),B组的喉上神经外侧支显露率、美容效果满意度优于A组(P<0.05)。A组出现1例暂时性喉返神经损伤,B组出现1例颈部肿胀,经处理后均恢复正常。结论 与衣领式切口相比,对肥胖女性患者行PTC根治术时采用第二颈横纹作为手术切口可以提高美容效果及喉上神经外侧支显露率,且并未延长手术时间及增加术中出血量,安全性较高。

基于TCN和Transformer的鸡胚心跳混淆信号分类方法

鸡蛋胚胎培养法是制备禽流感疫苗常用的方法,快速准确地对鸡蛋胚胎进行成活性分类并将死胚从活胚中尽早剔除可以有效避免因胚胎死亡导致的细菌或霉菌污染,对孵化效率的提高有着重要意义。目前,主要以鸡胚心跳信号作为分辨死胚和活胚的依据。然而,鸡蛋活胚在注入禽流感病毒96 h后,其心跳信号特征介于普通活胚和死胚之间,易与死胚混淆,本文将该类数据称为鸡胚心跳混淆信号,单独作为一类加入数据集,将原本死胚、活胚二分类改为死胚、普通活胚和96 h活胚三分类,根据信号特征设计了绝对值均值标准化预处理方法,增强原始数据特征以提升数据可分类性,并针对全局特征和细节特征提出了一种基于时间卷积网络(Temporal convolutional network,TCN)和Transformer的残差结构浅层双分支网络结构(Residual fully temporal convolutional with transformer network,RFTNet)。实验结果表明,本文提出的三分类绝对值均值标准化预处理方法和RFTNet双分支网络在鸡胚混淆数据集分类任务中展现出良好性能,检测准确率高达99.75%。此外,在精确率、召回率和F1值3个评价指标上分别达到99.75%、99.74%和99.75%,进一步验证了本文方法的有效性。

基于单通道心电信号的家用睡眠分期方法

为了实现居家环境下的睡眠健康监测,提出基于可穿戴式单通道心电的不同睡眠阶段识别分析方法,研究了心电信号的27个心率变异性(HRV)特征分别在序列前向选择(SFS)、序列后向选择(SBS)和浮动序列前向选择(SFFS)3种不同方式下最优特征集的选取,设计了以堆栈式自编码器(SAE)建立的睡眠分期神经网络模型系统。结果表明:基于SFS-SAE的睡眠分期模型方法的分类效果最好,且相邻RR间期序列差值大于50 ms百分比(pNN50)、相邻RR间期序列差值的绝对中位差(MADRR)和庞加莱散点图中椭圆短轴(SD1)3种HRV特征都能在此模型系统中有效用于各睡眠阶段的识别,在清醒-睡眠(WAKE-SLEEP)分类、非快速眼动-快速眼动(NREM-REM)分类和浅睡-深睡(N1N2-N3)分类下的平均准确率分别为82%、80%和81%,基本满足家用睡眠分期判别,可用于睡眠疾病的日常筛查,是对多导睡眠图睡眠分析方法的有效补充。

一种基于改进U-Net模型的电磁层析成像算法

为解决电磁层析成像(electromagnetic tomography,EMT)传统成像算法由于逆问题的不适定性和病态性导致重建图像质量差的问题,提出了一种基于改进U-Net深度网络模型的新型电磁层析成像方法。首先,以U-Net深度网络模型为基础,加入残差模块使网络提取更多特征信息并避免网络训练时梯度消失的问题;其次在此结构上引入注意力机制来提升重要特征信息,抑制无用的特征信息,加强对缺陷边缘和形状特征的权重分配。通过仿真和金属缺陷检测实验评估了本文所提出算法的性能,并与线性反投影算法和共轭梯度算法进行了对比。仿真实验和金属缺陷检测实验结果表明:本文提出的算法在精确率、召回率和F1-Score分别达到88.41%、90.38%和89.38%,重建图像对于缺陷位置和形状的预测更为准确。