浅谈医疗设备的供水问题

长期以来医疗设备的供水问题一直没有得到人们的重视,使一些医疗设备由于供水水质的关系提早进入维修期和报废阶段,给医院增加了开支。有些治疗设备由于水质的关系甚至影响到治疗的效果,对医疗设备的供水水质应该引起高度重视,做好医疗设备的供水工作。     

鼻饲母乳早产儿30例体会

近年来,早产儿成活率逐渐提高,从而使代谢营养及支持治疗成为研究的重要课题。本文采用鼻饲母乳的方法对30例早产儿进行营养支持,取得满意疗效,现报告如下。     

睾丸支持细胞紧密连接的动力学调控

在睾丸精子发生的过程中,处于细线期和细线前期的精母细胞必须从生精上皮的基底室进入近腔室,这样形态上发育完全的精子才能在精子释放时进入到生精小管的内腔。显然,构成血-睾屏障的支持细胞间紧密连接的开放和关闭受到一系列信号分子的调节。已经发现的对该过程起调控作用的信号分子包括：转化生长因子β3(TGFβ3)、闭锁蛋白、PKA、PKC等。现就该领域研究的新进展以及可用于研究紧密连接动力学的一些模型进行综述。     

关于《多维球面模型应用于草原监测数据分析的探讨》一文中几个问题的讨论

植　声　在结论与讨论部分 ,“使用向量的前提假定是组成草原的变量之间线性无关。”无论从种间竞争还是互惠共生的角度来看 ,种间都不可能是无关的 ,就拿生物量来说 ,各个种的生物量之间负相关的可能性很大。白图格吉扎布　变量独立的假定是多维球面模型的基础。它引发很多争论。我们在使用股票市场数据的文章中曾对此展开了比较充分的讨论 (白图格吉扎布等 ,2 0 0 1 )。“多维球面模型的重要前提假定是变量独立。一般认为 ,在低维空间里无解的股市监测问题 ,在高维空间里可能有解。而建立多变量空间的前提条件是变量之间独立。变量独立 ,…     

国产中频大功率X线机的研制

本文简述中频Ｘ线机的原理,介绍国产中频大功率Ｘ线机的系统电路,主要技术指标及特点。     

用离散增量结合支持向量机方法预测蛋白质亚细胞定位

对未知蛋白的功能注释是蛋白质组学的主要目标。一个关键的注释是蛋白质亚细胞定位的预测。本文应用离散增量结合支持向量机(ID_SVM)的方法,对阳性革兰氏细菌蛋白的5类亚细胞定位点进行预测。在独立检验下,其总体预测成功率为89.66%。结果发现ID_SVM算法对预测的成功率有很大改进。     

基于SVM 的药物靶点预测方法及其应用

目的:基于已知药物靶点和潜在药物靶点蛋白的一级结构相似性,结合SVM技术研究新的有效的药物靶点预测方法。方法:构造训练样本集,提取蛋白质序列的一级结构特征,进行数据预处理,选择最优核函数,优化参数并进行特征选择,训练最优预测模型,检验模型的预测效果。以G蛋白偶联受体家族的蛋白质为预测集,应用建立的最优分类模型对其进行潜在药物靶点挖掘。结果:基于SVM所建立的最优分类模型预测的平均准确率为81.03%。应用最优分类器对构造的G蛋白预测集进行预测,结果发现预测排位在前20的蛋白质中有多个与疾病相关。特别的,其中有两个G蛋白在治疗靶点数据库(TTD)中显示已作为临床试验的药物靶点。结论:基于SVM和蛋白质序列特征的药物靶点预测方法是有效的,应用该方法预测出的潜在药物靶点能够为发现新的药靶提供参考。     

基于小波特征分析的手指动作识别研究

目的:本文利用表面肌电(sEMG)信号来研究多种手指组合动作的识别问题。方法:在对采集的四个通道sEMG信号进行降噪预处理的基础上,采用移动加窗处理方法来提取关于手指运动状态的信号活动段,再分析各个信号活动段的小波系数统计特征,进而利用多类支持向量机(SVM)分类算法来实现手指组合动作的识别。结果:动作识别率最高达到100%。结论:所采用方法能够有效地识别多种手势动作,并为后续基于肌电信号的实时人机接口系统的研究奠定了理论基础。     

基于支持向量机的民航飞行人员人格选拔分类器的探讨

目的:探究将统计学习方法应用于心理测验所得的大量数据进行学习分析的可行性,并基于探究结果对飞行职业的人格特征进行进一步探索,为飞行人员的选拔及评估提供新的思路。方法:从某航空公司随机抽取1020名男性被试,其中飞行人员510名,非飞行人员510名,采用卡特尔16项人格测试对其进行测验,施测后对得到的16项因子分采用支持向量机就随机划分的训练组和测试组进行学习,分析学习结果。结果:挑选出4项因子作为分类的特征因子,基于线性支持向量机构建的分类器在交叉验证下的平均正确率为64%。结论:采用SVM构建的分类器具有一定的可靠性和有效性。     

奇异数据筛选法在玉米籽粒蛋白质近红外光谱检测中的应用

相对于传统生化测定方法,基于近红外光谱(Near infrared spectroscopy,NIRS)玉米籽粒蛋白质含量检测是一种快速、非破坏、且适用于多组分同时检测的新方法。但在建模过程中,由于奇异数据(异常值)的存在会影响近红外光谱模型的预测精度和稳定性,我们采用奇异数据筛选法剔除了玉米籽粒近红外光谱中的奇异数据并建立了玉米籽粒蛋白质含量的偏最小二乘支持向量机(Least squares support vector machine,LS-SVM)模型。本文分别采用杠杆值法(Leverage)、半数重采样法(Resampling by Half-Mean,RHM)和蒙特卡洛采样法(Monte-Carlo Sampling,MCS)剔除了玉米籽粒蛋白质光谱数据中的奇异数据并对模型结果进行比较。在剔除奇异数据的基础上,采用偏最小二乘回归法(Partial least squares regression,PLSR)提取主成分,并基于小生境蚁群算法(Niche ant colony algorithm,NACA)优化偏最小二乘支持向量机(LS-SVM)模型参数(γ和σ2),建立基于LS-SVM的玉米籽粒蛋白质定量分析模型。结果表明,采用3种奇异数据筛选法剔除奇异数据后所建LS-SVM模型的预测结果都优于采用原光谱数据所建模型,相比较而言,蒙特卡洛采样法为基于近红外光谱检测玉米籽粒蛋白质的最佳奇异数据筛选法。