人工智能在研究生腰椎穿刺术考核中的应用

目的探讨人工智能(artificial intelligence,AI)在神经病学研究生腰椎穿刺术考核中的应用。方法将腰椎穿刺评分细化归类为机器可深入学习的语音类、场景监控类及动作评估类评分,在既往研究工作的基础上建立音频算法模块、监控算法模块以及动作评估算法模块,并对79名神经病学三年级专业型硕士研究生的腰椎穿刺术考核分别进行AI评分和考官评分,比较AI评分与考官评分的差异。结果在语音类评分上AI评分明显低于考官评分[(52.86±3.25)分vs.(54.32±2.65)分,P<0.05],在场景监控类以及动作评估类评分上AI评分与考官评分差异无统计学意义[(11.24±0.55)分vs.(11.15±0.62)分,P>0.05;(28.09±11.37)分vs.(28.34±1.21)分,P>0.05]。结论AI技术在研究生腰椎穿刺术操作考核中的应用具有客观性、可行性,但仍需逐渐迭代优化机器AI评分系统的性能。

基于永磁同步电机二阶模型的终端滑模控制

滑模控制通常可分为趋近运动段和滑模运动段两部分,对于永磁同步电机调速系统而言,趋近段通常以最大电流运行,因此到达滑模线的加速度恒定,系统启动过程速度的区别主要体现在滑模运动段。为加快系统的启动响应速度,提高系统的动态性能,本文在推导出永磁同步电机调速系统二阶模型的基础上,设计了一种终端滑模控制器。所设计的控制器能够通过调节相关参数加速启动响应,并且相比于传统的PI控制具有更强的鲁棒性和抗扰性能。

基于手机视频的帕金森病患者冻结步态的自动识别

目的通过手机拍摄PD伴冻结步态(FOG)患者的步态视频,构建基于手机视频的PD伴FOG患者的自动识别系统。方法选择广州市第一人民医院神经内科自2020年12月至2021年5月收治的49例PD伴FOG患者,收集患者的临床资料,使用手机拍摄患者"3 m往返"和"3 m往返通过窄道(长0.6 m)的过程,获得87个有效视频,标注每个视频的转身阶段、直行阶段及其中的FOG事件。提取视频中关键点的位置信号,对信号预处理后提取特征数据,由特征数据分别建立动作识别模型、直行FOG识别模型和转身FOG识别模型,最后组成端到端的FOG识别模型。采用留一法(LOSO)评估上述模型的性能。结果87个有效视频中25881个窗口样本,其中22066个非FOG窗口样本,3815个FOG窗口样本。LOSO法评估结果显示,动作识别模型的灵敏度为83.27%,特异度为91.38%,准确度为89.28%。直行FOG识别模型的灵敏度为57.69%,特异度为88.12%。转身FOG识别模型的灵敏度为61.54%,特异度为98.72%。端到端的FOG识别模型的灵敏度和特异度分别为85.71%、75.73%。结论基于手机视频的PD患者FOG自动识别系统具有较高的灵敏度和特异度,可实现远程识别PD患者的FOG,便于对PD伴FOG患者的筛查和随访。