中草药“一口钟”的原植物鉴定及其精油的化学成分

云南,四川等省市售的中草药“一口钟”为蓝桉(Eucalyptus globulus Labill.)的果实.用气相色谱-质谱-计算机联用技术、标准品迭加和毛细管保留指数定性法,对其精油的化学成分进行分析.从分离的65个成分中,鉴定出36个成分,其含量占总组成的93.80％,主要成分是别香树烯(23.37％),1.8-桉叶油素(20.81％)、金合欢醇(9.95％)、α-水芹烯(8.30％)、δ-愈创木烯(5.95％)、δ-蒎烯(4.09％)、β-水芹烯(3.43％)、α-愈创木烯(3.15％)等.     

采用Reichardt运动检测器和Boltzmann Machine神经网络的运动计算

建立了一个探讨灵长类视皮层从Ｖ１区到ＭＴ区的运动信息加工原理的计算模型,这个过程的突出特征是视觉运动信息经过了从局部检测进步到整体感知。模型的第一层由用于抽提运动模式的局部速度以及结构性质的Ｒｅｉｃｈａｒｄｔ运动检测器组成,进一步的加工是通过Ｂｏｌｔｚｍａｎｎ Ｍａｃｈｉｎｅ神经网络来实现的。这种网络的学习算法具有局部更新的显著性质,在学习阶段,网络不断地修改联结权重以形成对于记录在网络的显单元上     

基于分数阶微分技术的土壤水盐信息高光谱反演

准确高效获取土壤水盐信息是盐碱地改良和可持续利用的前提。本研究以地面野外高光谱反射率和实测土壤水盐含量为数据源,利用分数阶微分(FOD)技术对原始光谱反射率进行步长为0.25的处理,从光谱数据与土壤水盐信息相关性层面筛选FOD阶数,构建二维光谱指数,采用支持向量机回归(SVR)和地理加权回归(GWR)建立土壤水盐含量反演模型并进行验证。结果表明：FOD技术可以在一定程度上减弱高光谱噪声并挖掘潜在光谱信息,提高高光谱反射率与土壤含水量(SMC)、pH值和含盐量的相关性,相关系数最高分别提升0.98、1.35和0.33。与一维光谱相比,FOD结合二维光谱指数筛选的特征波段组合对SMC、pH值和含盐量的响应更敏感,分别以1.5、1.0和0.75阶为最优,其中,SMC最大相关系数绝对值的最佳组合波段为570、1000、1010、1020、1330和2140 nm; pH值为550、1000、1380和2180 nm;含盐量为600、990、1600和1710 nm。相较于原始光谱反射率,SMC、pH值和含盐量最优阶次估算模型验证决定系数(R_p²)最高...     

PCM多道生理遥测仪

本文介绍心电,脑电,肌电等多生理参数的多道遥测系统的组成,工作原理和使用情况。本机采用ＰＣＭ－ΔＰＳＫ－ＦＭ调制方式,设有主,副次三种交换子。     

基于压缩氨基酸和支持向量机进行膜蛋白类型识别

膜蛋白是一类结构独特的蛋白质,是细胞执行各种功能的物质基础。根据其在细胞膜上的不同存在方式,主要分为六种类型。本文利用压缩的氨基酸对原始膜蛋白序列进行信息压缩,再对压缩序列进行氨基酸组成和顺序特征的提取,最后采用支持向量机构建分类模型。通过五叠交叉验证的结果表明,该方法对于六种膜蛋白的分类预测,准确度最高可达98％以上,平均预测准确度在85％以上,可有效实现膜蛋白六种类型的划分,为进一步分析膜蛋白的结构和功能奠定基础。     

基于FMEA的C形臂X线机的使用风险分析与控制

??????? 目的 基于失效模式与效应分析（FMEA）方法分析控制C形臂X线机的使用风险。方法 成立FMEA 5人小组,运用现场观察和访谈的方法,识别C形臂X线机使用的潜在失效模式,并对其发生的严重度、发生概率及检测的难易度进行评价打分,计算失效原因的风险优先指数。结果 FMEA小组找出了必须优先解决的C臂机使用的失效模式,制定并实施了改进措施,在不增加管理成本的基础上,取得了良好的管理效果。结论 FMEA可以评估医疗设备使用过程的失效,并能排序优先解决的问题,不增加管理成本就能预防问题的发生,是有效的过程管理工具。     

基于遗传算法特征选择的HBV再激活分类预测模型

探讨原发性肝癌患者精确放疗后乙型肝炎病毒(hepatitis b virus,HBV)再激活的危险特征和分类预测模型。提出基于遗传算法的特征选择方法,从原发性肝癌数据的初始特征集中选择HBV再激活的最优特征子集。建立贝叶斯和支持向量机的HBV再激活分类预测模型,并预测最优特征子集和初始特征集的分类性能。实验结果表明,基于遗传算法的特征选择提高了HBV再激活分类性能,最优特征子集的分类性能明显优于初始特征子集的分类性能。影响HBV再激活的最优特征子集包括:HBV DNA水平,肿瘤分期TNM,Child-Pugh,外放边界和全肝最大剂量。贝叶斯的分类准确性最高可达82.89%,支持向量机的分类准确性最高可达83.34%。     

重症监护病房长期机械通气患者撤机困难的原因及死亡影响因素分析

目的:探讨重症监护病房(ICU)长期机械通气患者撤机困难的原因及撤机死亡的影响因素。方法:对2015年6月至2018年10月我院收治的80例长期机械通气患者的临床资料进行回顾性分析,按照患者撤机结果分为撤机成功组52例和撤机困难组28例,根据患者存活情况分为存活组59例和死亡组21例。比较各组临床资料,分析撤机困难的原因及撤机死亡的影响因素。结果:撤机困难组年龄、心功能不全比例、多器官功能障碍(MODS)比例、呼吸机相关肺炎(VAP)比例、肝功能不全比例、肾功能不全比例、血尿素氮显著高于撤机成功组,机械通气时间、气管切开时间显著长于撤机成功组,血清白蛋白显著低于撤机成功组(P0.05)。死亡组年龄、合并糖尿病比例、心功能不全比例、MODS比例、VAP比例、肝功能不全比例、肾功能不全比例、血尿素氮显著高于存活组,机械通气时间、气管切开时间显著长于存活组,血清白蛋白显著低于存活组(P0.05)。多因素Logistic回归分析显示:年龄、合并糖尿病、MODS、VAP、机械通气时间、气管切开时间、血清白蛋白是ICU长期机械通气患者撤机死亡的影响因素(P0.05)。结论:患者治疗期间发生脏器功能不全或器官功能衰竭、机械通气时间较长、气管切开时间较长、营养状态较差是长期机械通气患者撤机困难的主要原因,年龄、合并糖尿病、MODS、VAP、机械通气时间、气管切开时间、血清白蛋白是ICU长期机械通气患者撤机死亡的影响因素。     

用支持向量机预测人类基因5′/3′选择性剪切位点

选择性剪切是调解基因表达的重要机制。识别选择性剪切位点是后基因组时代的一个重要工作。本文从最新的EBI人类基因选择性剪切数据库中,选取5′/3′选择性剪切位点作为正集,选取在剪切位点附近的假剪切位点作为负集,并把所有的选择性剪切位点和假剪切位点随机分成训练集和测试集。本文选用的预测选择性剪切位点的方法是基于位置权重矩阵和离散增量的支持向量机方法。此方法仅基于训练集,以不同位点的单碱基概率和序列片断的三联体频数作为信息参数,利用位置权重矩阵和离散增量算法结合支持向量机,得到了选择性供体位点和受体位点的分类器,并用此分类器对测试集中的选择性供体位点和受体位点进行预测。对独立测试集中的选择性供体位点和选择性受体位点的预测成功率分别为88．74%和90．86%,特异性分别为85．62%和81．19%。本文预测选择性剪切位点的方法成功率高于其它选择性剪切位点预测方法预测成功率,此预测方法进一步提高了对选择性剪切位点的理论预测能力。     

基于支持向量机的蛋白质同源寡聚体分类研究

基于支持向量机和贝叶斯方法,从蛋白质一级序列出发对蛋白质同源二聚体、同源三聚体、同源四聚体、同源六聚体进行分类研究,结果表明：基于支持向量机, 采用“一对多”和“一对一”策略, 其分类总精度分别为77.36%和93.43%, 分别比基于贝叶斯协方差判别法的分类总精度50.64%提高26.72和42.79个百分点.从而说明支持向量机可用于蛋白质同源寡聚体分类,且是一种非常有效的方法.对于多类蛋白质同源寡聚体分类,基于相同的机器学习方法（如支持向量机）,采用“一对一”策略比“一对多”效果好.同时亦表明蛋白质同源寡聚体一级序列包含四级结构信息.