综合康复措施治疗脊髓损伤中枢性疼痛的临床观察

目的:探讨综合康复治疗措施对脊髓损伤后中枢性疼痛的治疗效果.方法:对31例脊髓损伤后中枢性疼痛患者采用阿米替林、按摩、心理治疗及经皮神经电刺激(TENS)进行治疗.采用McGill疼痛问卷(McGill pain questionnaire,MPQ)、疼痛视觉模拟评分法(Visual Analogous Score,V...     

激光照射对急性脊髓损伤后脊髓再生的促进作用

建立大鼠皮质脊髓背侧束全横断模型,利用弱激光照射脊髓受损部位的皮肤,观察激光照射对急性脊髓损伤后脊髓再生的促进作用.30只SD大鼠,随机分成对照组和照射组.照射组:急性皮质脊髓背侧束全横断后15 min进行连续14 d采用弱激光照射脊髓受损部位的皮肤.对照组:急性皮质脊髓背侧束全横断后未行弱激光经皮照射治疗.术后两组分别于第3,7,14 d分别取材,用苏木精-伊红染色法(HE)染色和免疫荧光标记染色观察.实验发现,脊髓损伤后14 d,照射组的空洞及瘢痕形成面积小于对照组,有统计学差异(p<0.05);对照神经胶质酸性组蛋白(GFAP)和硫酸软骨素(CS)表达强烈分布紧密,照射组GFAP和CS56表达达微弱且分布稀疏;对照组少量神经微丝蛋白(NF)在损伤区周围,神经生长相关蛋白(GAP43)形态肿大变形分布紊乱,照射组大量成纤维丝状的NF分布在损伤区周围,并与GAP43相伴行.结果表明,脊髓损伤急性期采用弱激光照射脊髓受损部位的皮肤,可减少脊髓损伤后空洞形成,并促进轴突再生.     

基于级联模型的输变电设备状态图像分类方法

对采集到的输变电设备状态图像进行智能化分析是一种实时有效的设备状态监测方式。传统机器学习算法在处理电力设备图像分类问题时,由于不考虑代价敏感和类别不平衡问题,效率较低。文中针对输变电设备状态图像的特点,提出一种基于级联模型的图像分类方法,并通过实验验证该方法的优越性。     

基于类别特征矩阵的决策规则提取算法

在粗糙集中决策表属性最小约简与规则提取是NP hard的。充分考虑了可辨识矩阵的特性,提出一种基于类别特征矩阵的决策规则提取算法。首先对类别特征矩阵进行了不相容对象的剔除和核属性的提取,然后利用核属性集合对类别特征矩阵来提取决策规则。实例结果表明,所提出的算法获得的规则更为简洁、高效。     

一种基于HDDT集成的多类不平衡学习方法

在很多真实世界问题中,不同类别的数据样本往往有显著的不平衡性,即大类的样本远多于小类.对类别不平衡样本进行学习,是目前国内外数据挖掘和机器学习领域的研究热点之一.以往对不平衡样本学习的研究主要针对二分类问题进行,由此针对多分类问题,提出一种基于HDDT决策树集成的多类不平衡学习方法.实验表明,该方法可以有效地对多类不平衡问题进行学习.     

基于DSNet的遥感影像语义分割方法

针对遥感影像语义分割数据的类别不平衡导致传统神经网络模型趋向于忽略困难样本、推理结果存在空洞和分割准度下降等问题,提出了一种钻形神经网络语义分割方法。首先,定义新的桥接模块用于融合浅层和深层特征信息,使更多建筑细节特征能被网络捕捉;其次,利用多重损失函数在深度学习分割模型训练中加强对困难样本信息的提取;最后,平衡类别训练差异,多层次提取遥感影像中的地物信息,提高分割准度。实验结果表明,所提方法的平均交并比达到0.849,建筑物漏识率和错识率较少,分割准度相比现有方法有一定的提高。     

He-Ne激光对急性脊髓损伤总NOS、iNOS和ET-1的影响

目的:研究低能量He-Ne激光血管内照射对家兔急性脊髓损伤后脊髓组织总NOS、iNOS和ET-1的变化,探讨He-Ne激光血管内照射对脊髓细胞的保护作用的机理。方法:72只新西兰大白兔随机分为治疗组、损伤组和对照组,每组24只。治疗组和损伤组分别用Allen's法造成家兔T13水平急性脊髓损伤。其中治疗组通过耳缘静脉进行低能量He-Ne激光血管内照射,激光波长632nm,功率5mW的,每天1小时,连续10天。疗程结束后取损伤部位脊髓以免疫组化方法检测总NOS、iNOS表达量,放射免疫法检测ET-1表达量。结果:损伤组明显高于对照组(P<0.05);治疗组脊髓组织总NOS、iNOS和ET-1的表达明显少于损伤组(P<0.05)。结论:低能量He-Ne激光血管内照射治疗可以降低急性脊髓损伤后脊髓组织总NOS、iNOS和ET-1的量,说明He-Ne激光能够减轻损伤对神经细胞的损害,减轻神经功能丧失。     

基于联合注意力机制和一维卷积神经网络-双向长短期记忆网络模型的流量异常检测方法

针对流量数据集中类别不平衡限制了分类模型对少数类攻击流量的检测性能这一问题,该文提出一种基于联合注意力机制和1维卷积神经网络-双向长短期记忆网络(1DCNN-BiLSTM)模型的流量异常检测方法。首先在数据预处理过程中利用BorderlineSMOTE方法对流量数据不平衡训练样本预处理,使得各类流量数据均衡,有助于后续模型对各类数据的充分训练。然后设计联合注意力机制和1DCNN-BiLSTM的模型对流量数据进行训练,提取流量数据的局部和长距离序列特征并进行分类,通过注意力机制将对分类有用的特征按其重要性赋予权值,提高对少数攻击类的检出率。实验结果表明,同几种现有方法相比,该文方法对NSL-KDD和CICIDS2017数据集的检测准确率最高(可达93.17%和98.65%),对NSL-KDD数据集中的提权攻击(U2R)攻击流量的检出率至少提升13.70%,证明了该文方法提升少数类攻击流量检出率的有效性。     

基于增量式学习的圆锥角膜分类算法

圆锥角膜是一种进展性的角膜疾病,多发于青春期,会造成不规则散光以及视力下降,晚期致盲需进行角膜移植,因此圆锥角膜的早期精准筛查是阻止疾病进展避免恶化的必要条件。神经网络作为一种经典的算法是圆锥角膜诊断的有效工具。但随着圆锥角膜病例数据日益增长,为了充分利用新增数据,往往需要对所有样本重新训练,这将耗费大量的时间。为了解决上述问题,本文提出集成神经网络的增量式学习算法,以实现圆锥角膜的智能诊断。此外,本文还引入欠采样和代价敏感思想,用于解决已有增量式学习算法无法处理不均衡数据的问题。实验结果表明,本文提出的算法识别精度达到97%,并且所需训练时间短、存储空间少,因此本算法能够更高效地辅助圆锥角膜诊断。     

基于超图模型的多域ASON损伤感知组播路由算法

如何在缺乏全局信息的条件下构建安全可靠的组 播树,是智能光网络分域管理后引入的一个新问 题。针对此问题,通过建立新型的多域智能光网络超图模型,在考虑物理或攻击损伤的约束 条件下,利用 基于超路径的域间超树构建方法,结合K最短路径策略,提出了 一种基于超图模型的多域ASON损伤感知 组播路由算法,并进行了实例分析。本文算法在完成多域组播路由建立与波长分配的同时, 具有较低的时间复杂度。通过测量K值、组播规 模、波长数量及分配策略、域数量对网络平均连接阻塞率的影响,实验结果表明,本文算法 是有效的且取得了较好的阻塞性能,同时建议多域ASON组播规模大小应与域的数量保持一 定的比例均衡。     

基于损伤感知的动态RWA算法性能比较研究

从光网络向透明架构的演进和面向业务的发展趋势出发,介绍了损伤感知的RWA问题的相关研究,通过给经典RWA算法增加对损伤效果的考虑,提出了具有损伤感知能力的动态RWA算法(IBest,IFF,IPack)并进行了仿真验证,结果表明在有损伤的环境下具有损伤感知能力的动态RWA算法既能保持经典算法的优势又在阻塞率上具有优于经典算法的性能。     

基于边界增强和去噪的自适应双权重过采样方法研究

类别不平衡是现实世界普遍存在的问题,其严重影响着各种预测模型的预测效果,使得这些模型仅能准确识别出多类样本,却不易识别出少类样本.本文提出一种基于边界增强和去噪的自适应双权重过采样(Adaptive Double-Weight En-hanced Boundary and Denoising Oversampling,...     

电子装备试验方案的灰色优选模型及算法

根据电子装备试验的特点,本文提出试验方案的组成是一个树状结构,从而把总体试验方案的优选分解为每个子方案或孙方案的优选问题.建立了方案的灰色效果测度优选模型和灰关联优选模型,并确定了其具体算法.灰色效果测度优选是通过方案目标属性的灰色效果测度处理,把多目标属性的方案优选问题简化为一个权重平均值的效用函数值的比较问题,决策者可以根据决策偏好利用权重对方案比较模型进行调整;灰关联优选是以相对优化原则为依据,通过比较待选方案目标属性的数据序列与参考数列之间关联度的大小来确定最佳方案;对某次试验中三个预备方案进行了两种优选方法的仿真,表明了模型及算法简单、直观、合理,灰色理论应用于电子装备试验在技术上是可行的.     

基于WDRC的听力损伤补偿算法研究

研究了基于宽动态范围压缩(Wide Dynamic Range Compression,WDRC)的听力损伤补偿算法。该算法简单实用,适合在DSP上实现,是目前大多数数字助听器中最核心的信号处理算法。在频率分析的基础上,根据信号的能量、变化速率等特征计算增益。并通过频响整形及最大输出限制算法完善增益。最后借助DSP实验平台实现算法并进行测试。测试结果表明,在满足失真度要求及频响曲线要求的情况下,该信号处理方法可以将声音信号压缩到理想的动态范围内。     

基于模拟退火算法的全国最优旅行方案

以如何走遍全国各省会、直辖市、香港、澳门、台北为基础设计旅行方案,对旅行时的路径最短,费用最少等现实问题进行分析,在充分考虑旅行费用与路线,时间与交通工具的关系后,以实现路径最短与费用时间最少为目标,进行系统建模,并应用模拟退火算法对模型进行求解,得出了一条综合考虑省钱、省时的旅行路径。结果表明了该旅行方案的正确性和现实价值。     

基于SMO的不同惩罚系数的SVM算法

非平衡数据集的分类问题经常出现在许多实际应用中。支持向量机在处理这一类问题时，整体分类性能比较低。为此，Veropoulos提出的采用不同惩罚系数的改进算法可以较好的解决此类问题。此外，可以利用序列最小优化算法简单快速的解决上述优化问题。     

基于多主体决策融合的结构损伤识别

为了提高航空结构的损伤识别精度和速度,提出了一种基于互信息分类器选择的多主体决策融合方法.首先获取样本,对事先选定的模式分类器进行训练测试,得到各自的混淆矩阵;然后利用基于互信息的分类器相关度指标进行最优分类器选择,得到最优分类器组合;最后利用多主体决策融合方法,对系统进行最终识别.在航空铝制加筋板上的实验表明,本文方...     

基于改进YOLOv5的潜艇目标检测算法

为了解决传统潜艇目标检测缺乏对复杂背景和噪声的鲁棒性、对光照变化和视角变化敏感、难以处理大规模数据集等问题,提出了一种基于改进YOLOv5潜艇目标检测器。通过C3_Transformer结构,有效提升了特征的全局上下文建模能力和长距离依赖性捕捉能力;通过simOTA解决anchorbased算法中正负样本不平衡问题,增强模型对小目标和困难样本的学习能力;利用decoupledhead的思想解决分类和位置预测任务的互斥性问题,提高检测精度和鲁棒性。实验结果表明:相较于原始YOLOv5,改进后的模型Precision、Recall、mAP05、mAP 05∶095分别提高了28、109、38、147,这表明改进后的模型在潜艇目标检测的准确性、召回率以及在不同置信度阈值下的平均准确率等方面取得了明显的进步,同时在实际检测任务中改进后的模型有效解决了“漏检”、“误检”的问题。     

基于特征选择的过抽样算法的研究

为了提高不平衡数据集分类中少数类的分类精度,提出了基于特征选择的过抽样算法.该算法考虑了不同的特征列对分类性能的不同作用,首先对训练集进行特征选择,选出一组特征列,然后根据选出的特征列合成少数类样本,合成的每个少数类样本的特征由两部分组成,一部分是特征选择的特征列对应的特征,另一部分是按照SMOTE原理合成的特征.将基于特征选择的过抽样算法和SMOTE算法进行实验比较,结果表明基于特征选择的过抽样算法的性能优于SMOTE算法,能有效降低数据的不平衡性,提高少数类的分类精度.     

数字化康复管理系统的实际应用

为方便康复医生了解患者的康复效果及医院信息系统(hospital information system,HIS)历年的就诊记录、检验、检查等一系列信息,利用已建立的HIS系统,新建数字化康复管理系统。通过分析该系统的物联技术架构、功能模块以及实际应用可知,该系统可促进患者整个临床业务、康复治疗过程的信息共享与交换,实现患者从入院登记到评估、治疗、康复等全流程化的信息化管理。