机械工程学报

姓名
邮箱
手机号码
标题
留言内容
验证码

何凯悦, 杨翠微

2020, 37(3): 487-495, 501. doi: 10.7507/1001-5515.201910005

[摘要](258) [HTML全文](195)

摘要:
心房颤动（简称：房颤）是临床上最常见的心律失常，可引起血流动力学改变、心力衰竭、脑卒中等并发症，严重影响着人类的生命健康。作为一种自身促进性疾病，房颤的治疗难度会随着病情恶化逐渐增加，早期预测和干预是遏止病情恶化的关键。基于此，本文通过控制乙酰胆碱静脉注射剂量，改变了 5 只杂交犬的心房易颤性，并尝试通过分析不同状态窦性心律下心房心外膜的电活动特性来评估心房易颤性。本文主要从心房激动间期变异性、心房最早激动点转移、心房激动时延变化、左右心房失步四个方面提出 4 项指标来研究心房的激动规律，并利用二元逻辑回归分析，将多项指标转化为房颤诱发成功概率，从而对窦性信号进行分类。分类的敏感性、特异性和准确率分别达到 85.7%、95.8% 和 91.7%。实验结果表明，本文方法具有评估心房易颤性的能力，对房颤的提前预测和干预具有重要的临床意义。

基于综合 DNA 序列特征的支持向量机方法识别核小体定位

崔颖, 徐泽龙, 李建中

2020, 37(3): 496-501. doi: 10.7507/1001-5515.201911064

[摘要](412) [HTML全文](123)

摘要:
本文基于 Z 曲线（z-curve）理论和位置权重矩阵（PWM）提出一种构建核小体 DNA 序列的模型。该模型将核小体 DNA 序列集转换成三维空间坐标，通过计算该序列集的位置权重矩阵获得相似性权重得分，将两者整合得到综合序列特征模型（CSeqFM），并分别计算候选核小体序列和连接序列到模型 CSeqFM 的欧氏距离作为特征集，投入到支持向量机（SVM）中训练和检验，通过十折交叉验证进行性能评估。结果显示，酵母核小体定位的敏感性、特异性、准确率和 Matthews 相关系数（MCC）分别为 97.1%、96.9%、94.2% 和 0.89，受试者操作特征（receiver operating characteristic，ROC）曲线下面积（area under curve，AUC）达到 0.980 1。与其他相关 Z 曲线方法比较，CSeqFM 方法在各项评估指标中均表现出优势，具有更好的识别效果。同时，将 CSeqFM 方法推广到线虫、人类和果蝇的核小体定位识别中，AUC 均高于 0.90，与 iNuc-STNC 和 iNuc-PseKNC 方法比较，CSeqFM 方法也表现出较好的稳定性和有效性，进一步表明该方法具有较好的可靠性和识别效能。

基于稳态视觉诱发电位的脑控轮椅室内模拟训练系统

王金海, 王康宁, 陈小刚, 王慧泉, 徐圣普, 刘明

2020, 37(3): 502-511. doi: 10.7507/1001-5515.201906025

[摘要](1193) [HTML全文](192)

摘要:
脑控轮椅（BCW）是脑-机接口技术的重要应用之一，目前研究表明，模拟控制训练对 BCW 应用具有重要意义。为了在保证安全的情况下提高使用者的 BCW 控制能力，达到促进 BCW 应用的目的，本文基于稳态视觉诱发电位搭建了 BCW 室内模拟训练系统。该系统包括视觉刺激范式设计与实现、脑电信号采集与处理、室内模拟环境建模、路径规划和模拟轮椅控制等。为测试该系统性能，本研究设计了三种室内路径控制任务，共招募 10 名受试者进行为期 5 d 的训练试验。比较训练试验前后结果发现，受试者完成任务一、任务二和任务三时，所用平均命令个数分别下降 29.5%、21.4%、25.4%（P < 0.001），整体所用命令个数平均下降 25.4%（ P < 0.001）。试验结果表明，通过本文搭建的室内模拟训练系统对受试者进行训练，能够在一定程度上提高受试者对 BCW 控制的熟练度和操控效率，证明了本文系统的实用性，为促进 BCW 室内应用提供了一个有效的辅助方法。

基于深度主动学习的白带白细胞智能检测方法研究

鞠孟汐, 李欣蔚, 李章勇

2020, 37(3): 519-526. doi: 10.7507/1001-5515.201909040

[摘要](496) [HTML全文](222)

摘要:
白带显微图像中白细胞的数量可以提示阴道炎症的严重程度。目前对白带中白细胞的检测主要依靠医学专家们的人工镜检，这种人工检查耗时、昂贵且容易出错。近年来，有研究提出基于深度学习技术对白带白细胞实现智能检测，但是这类方法通常需要人工标注大量的样本作为训练集，标注代价高。因此，本研究提出运用深度主动学习算法来实现对白带显微图像中白细胞的智能检测。在主动学习框架下，首先以少量的标注样本作为基础训练集，采用更快的卷积神经网络（Faster R-CNN）训练检测模型，再自动挑选最有价值的样本进行人工标注，从而迭代更新训练集和相应的检测模型，使模型的性能不断提高。实验结果表明，深度主动学习技术能在较少的人工标注样本下获得较高的检测精度，对白细胞检测的平均精度达到了 90.6%，可以满足临床常规检查要求。

留言板

新技术与新方法