基于竖缝式鱼道的鱼类上溯试验研究

为分析影响鱼类上溯的影响因素，基于竖缝式鱼道对19～27 cm体长范围内的鲫鱼开展连续上溯试验。通过物理模型和数值模拟相结合的方法，对鲫鱼上溯过程的位置与数值模拟得到池室内部的流速场和紊动能叠加分析，得到鲫鱼上溯所喜好的流速范围。试验结果表明，体长为19～27 cm的鲫鱼上溯所喜好的池室流速范围为0.091～0.524 m/s,试验中水流的紊动能最大值为0.035 6 m²/s²,小于0.050 m²/s²,属于低紊动能区，适合鱼类上溯，鱼类在上溯过程中会寻找流速和紊动能低的地方进行上溯。研究成果可为其他鱼类上溯提供参考。     

安徽地区汉族心血管疾病患者SLCO1B1与ApoE基因多态性分布及其在他汀类药物临床个体化应用中的意义

目的：探讨脂质及药物代谢相关基因SLCO1B1和ApoE的基因多态性在安徽地区汉族心血管疾病患者中的分布，以评估他汀类药物个体化用药的效益/风险比。方法：利用PCR-荧光探针法技术检测2019年1月至2020年8月合肥市第二人民医院736例心血管疾病患者外周血基因组中SLCO1B1基因的rs2306283（388A>G）和rs4149056（521T>C）位点和ApoE基因的rs429358（388T>C）和rs7412（526C>T）位点的基因多态性分布特点，并与已报道的中国其他地区汉族心血管疾病患者的数据进行比较，分析不同地区间的基因型分布差异。结果：检测到安徽地区汉族心血管疾病患者中SLCO1B1基因型有6种，分别为*1a/*1a型（6.11%）、*1a/*1b型（29.08%）、*1b/*1b型（44.57%）、*1a/*15型（4.08%）、*1b/*15型（15.49%）、*15/*15型（0.68%），未检测到*1a/*5型、*5/*5型和*5/*15型；ApoE基因有6种表型，分别为E2/E2型（0.41%）、E2/E3型（11.96%）、E2/E4型（1.09%）、E3/E3型（67.66%）、E3/E4型（17.93%）、E4/E4型（0.95%）。两种基因的基因多态性频率分布满足Hardy-Weinberg遗传平衡，具有群体代表性。本研究人群中携带SLCO1B1正常肌病风险型的比例最高，约占79.76%；SLCO1B1中度肌病风险型和高度肌病风险型的人群比例较低，分别为19.57%和0.68%。ApoE大众类基因型比例最高，约占68.75%；ApoE保护类基因型及风险类基因型的人群比例分别为12.37%和18.88%。不同性别间SLCO1B1和ApoE基因表型患者差异无统计学意义。与华南地区心血管疾病患者相比，安徽地区ApoE基因多态性分布差异有统计学意义（P<0.05）。结论：安徽地区736例心血管疾病患者SLCO1B1和ApoE基因型分别以他汀药物剂量耐受性较高的正常肌病风险型和对他汀药物敏感的大众类基因型为主，服用他汀类药物诱发肌病的风险较低，降脂疗效较好；且两种基因的多态性分布均不受性别的影响，但ApoE基因多态性分布特征可能在地域上存在差异。因此，检测SLCO1B1和APOE基因多态性对于临床评估效益/风险比有重要的指导意义。     

0?1膨胀负二项回归模型在COVID?19疫情分析中的应用

在公共卫生等应用领域，经常会同时出现零观测值、一观测值较多的情况. 为更好地拟合这类数据，采用0?1膨胀负二项分布及其回归模型进行分析. 在数据扩充基础上，结合Pólya?Gamma潜变量对模型参数进行贝叶斯推断. 最后，对我国湖北省2019冠状病毒病(COVID?19)死亡数据集进行分析. 研究表明，0?1膨胀负二项回归模型能够达到更好的拟合效果.     

6-DOF双臂机器人轨迹规划与动力学仿真

以6-DOF双臂机器人为研究对象,利用MATLAB建立D-H模型,对运动轨迹分别进行七次多项式插值和5次B样条插值,最后通过Adams建立机械臂虚拟样机,对其进行动力学仿真。仿真结果表明B样条曲线插值法对运动轨迹插值有较好地适应性,为机械臂运动控制问题研究提供了必要的理论基础。     

基于增强动态稠密轨迹特征的布料材质识别

为了克服基于视频的布料材质识别中由于忽略了动态因素的影响导致材质识别准确率低的难点,利用布料仿真视频库,提出一种基于增强动态稠密轨迹特征的布料材质识别方法以有效识别布料的材质属性信息.首先利用材质合成方法构造64种不同材质的布料仿真视频数据库;然后利用构造的布料动态视频库,通过迁移预训练的VGG网络增强布料动态视频的各帧特征信息,并消除部分非动态特征;其次利用动态稠密轨迹特征描述布料视频的动态特征,以充分捕捉不同布料材质视频的动态信息;最后通过Fisher向量编码生成布料动态信息的特征数据库,并训练SVM分类器建立布料材质视频动态信息到材质属性参数的映射.利用构建的布料仿真视频库作为数据集进行实验的结果表明,该方法对64种不同布料材质视频的材质种类识别准确率达到73.83%.