简介：重症监护室(IntensiveCareUnit,ICU)的监护种类繁多,然而许多监测大多都是有创监测,研究表明有创监测可能会增加患者出现并发症(如出血、感染)的风险,因此在重症监护病房(ICU)发展非侵入性的、连续的智能监控技术势在必行。深静脉血栓形成(DeepVeinThrombosis,DVT)可能引起严重发病率,常见于住院患者,尤其是术后人群。休克可能导致急性血流量减少,代谢异常,无氧代谢,细胞和器官功能障碍,如果时间延长,可能导致不可逆转的损害和死亡。ICU的患者基本都是危急重症,生命体体征不稳定,随时都可能会出现生命危险,需要医护人员24小时全天候监护,因此对ICU中医护人员进行疲劳监测很有必要。我们采用近红外光谱(Near-InfraredSpectroscopy,NIRS)这种非侵入性的、有效的、以及非电离测量的实时技术开发了一系列设备对DVT、休克、疲劳以及水分、深部组织温度和血流动力学参数的监测。与此同时,心电(EEG)、光学体积描记术(PPG)、压力脉搏波(PPW)等参数也是ICU监护中必不可少的,我们设计了一种无创、低成本监测系统,对系统中信号的稳定性进行了测试并验证了设备的可靠性。

简介：令γLR（G）表示图G的误报容错支配数,G×H表示图G和图H的笛卡尔乘积.文章参考已有误报容错支配数知识及笛卡尔乘积图Pm×Cn的相关结论，研究确定了路与圈笛卡尔乘积图Pm×Cn（m=3,4）的误报容错支配数，并给出n≥5时的精确值.

简介：研究了一般网络拓扑图中的连通误报容错支配集的构造算法.首先给出了误报容错支配集的一个精确算法,但是算法的复杂度达到了指数级别.随后又提出了误报容错支配集的一个多项式时间的启发式算法,最后证明了算法的正确性并通过仿真实验验证了算法的有效性.

简介：神经调控技术作为一种不破坏神经组织的可逆性神经外科疗法,在疼痛、帕金森病、癫痫、强迫症等功能性神经疾病和精神疾病的治疗上有显著疗效,应用前景广泛。文中介绍了脊髓刺激器、脑深部刺激器,迷走神经刺激器和骶神经刺激器为代表的神经刺激器技术和应用现状,结合脑深部刺激器,迷走神经器和骶神经刺激器的国产化进程,分析了神经刺激器的未来发展趋势。

简介：基于造影图像序列的血管减影增强技术能够有效地去除图像中大部分非血管结构、成像噪声以及不同结构运动所造成的运动伪影,对实现血管结构识别,提高血管的对比度,并对后续血管结构的分析和医生对疾病的诊疗具有重要意义;同时,该技术可减少对病人的造影剂注射量,具有重要的临床意义。本文基于单视角血管造影图像序列,从血管造影图像减影技术的基本原理,包括基于图像配准和基于层分解的两类减影方法出发,介绍了每个关键步骤的发展现状。同时对血管减影技术的难点进行分析,并对减影增强技术未来的发展趋势予以展望。

简介：人脸关键点定位是计算机视觉的一部分,在人脸识别、人脸表情识别、人脸动作捕捉等工作中有重要的作用.非约束条件下人脸关键点定位,其难点在于人脸关键点位置在复杂环境下呈现非线性变化,影响人脸关键点定位的精准性.现提出基于级联卷积神经网络的人脸关键点定位方法,分析了级联深度模型全局回归阶段多尺度特征融合对人脸关键点定位的影响;同时提出了一种具有可学习参数的人脸关键点定位损失函数.经过大量实验表明,这里提出的人脸关键点定位算法能够有效的提高针对非约束条件下人脸关键点定位精确度.

简介：在此提出一种改进的深度卷积神经网络模型,该模型通过增加并联卷积层,拓展卷积神经网络宽度实现,有利于提取图像特征,提高网络性能;卷积层中对特征图像采用批量归一化方法进行预处理,加快网络训练.实验结果表明,该模型能更准确地学习宫颈癌细胞图像特征,从而有效降低了分类错误率.

简介：碱性成纤维细胞生长因子2（fibroblastgrowthfactor2,FGF2）是一类功能多样的多肽,可由视网膜的多种细胞分泌产生。随着对视网膜血管性疾病的研究深入,FGF2在其中的作用也得到广泛重视。FGF2可与血管内皮生长因子（vascularendothelialgrowthfactor,VEGF）、肿瘤坏死因子-α（tumornecrosisfactor-α,TNF-α）等细胞因子相互作用,通过发挥促血管生成作用、促炎作用以及一定的神经保护作用而参与视网膜血管性疾病的发生与发展。此外,FGF2的表达上调很可能是部分患者使用抗VEGF治疗效果不显著的重要因素。本文就FGF2的分子特征、分子作用机制及FGF2与视网膜血管性疾病的相关性进行总结,旨在为FGF2作为视网膜血管性疾病的治疗靶点提供理论依据。

简介：深度学习是人工智能领域发展的一个不可或缺的部分,并且广泛应用于图像识别方面.为了进一步降低宫颈癌细胞图像的识别错误率,本文提出了一种基于卷积神经网络的改进算法.该算法通过搭建卷积神经网络框架,对下采样过程中特征提取阶段的池化模型进行改进,在下采样过程中对池化域内的每个元素分配合适的权值得到下采样特征图.实验结果表明,我们所提出的基于卷积神经网络的改进算法降低了对宫颈癌细胞图像的识别错误率.

简介：目的:通过对志愿者观看3D影片之后的脑电信号进行主成分分析,选取最能代表立体视觉疲劳度的主成分,运用BP神经网络对疲劳等级进行建模,提高对疲劳度等级的预测准确度。方法:采集15名志愿者观看五部不同3D影片前后的脑电信号,先对脑电信号进行疲劳度分级并选取特征通道;再对特征通道的脑电信号进行主成分分析选取影响最大的特征主成分,利用BP神经网络进行建模,根据建立的模型对立体视觉引起的疲劳等级进行预测,将预测结果与已知的疲劳等级进行对比。结果:根据文献中的疲劳等级将实验结果分成三个等级;据累计贡献率超过90%选取的前四个主成分建立的预测模型,准确度达95.4%。结论:运用主成分分析和BP神经网络的方法对立体视觉疲劳度进行预测,预测准确度较高,与直接根据脑电特征参数建立模型的方式相比简便和准确,这一方法对立体视觉引起的疲劳度分级及预测提供了新的思路。