基于BiGRU深度神经网络的心肌梗死检测

针对目前智能医疗诊断领域的研究现状,结合心电信号的时序性和多导联关联性特点,为降低心肌梗死疾病的误诊率,提出一种基于双向门控循环单元神经网络(Bidirectional Gated Recurrent Unit,BiGRU)和多导联心电图(electrocardiogram,ECG)信号的深度神经网络学习算法。对原始心电信号进行去噪处理,分割成心拍序列;将心拍序列送入深度神经网络训练模型学习分类;采用Physikalisch-Technische Bundesanstalt(PTB)心电数据库验证多导联BiGRU算法。算法对心梗检测的灵敏度为99.93%、特异性为99.72%、准确率为99.89%。实验结果表明,该算法的检测效果明显优于其他文献的检测算法,对提高心肌梗死的正确诊断率具有重要意义。     

基于GA-ELM混合模型的急性心肌梗死定位算法研究

针对心肌梗死疾病的快速准确定位,提出一种结合基因算法和极限学习机(GA-ELM)的新定位算法。对多导联心电图(electrocardiogram, ECG)进行去噪预处理;分别定位出每个R波峰的位置,并将心电信号分割成相互独立的心搏序列,作为混合模型的输入;采用(Physikalisch-Technische Bundesanstalt,PTB)心肌梗死数据库验证所提算法的有效性。利用十折交叉验证法评测算法定位的精度,实验结果表明,GA-ELM混合模型对心肌梗死定位的准确率达到98.42%,性能优于其他文献的算法,对医护工作者确定心肌梗死部位具有重要的临床意义。     

钻进提速配套工艺在彩58井的应用

彩58是一口预探井,设计井深3900m,实际井深为4000m,主探层位是石炭系巴塔玛依内山组、兼探二叠系。白垩系、侏罗系地层压力系数低,石炭系火山岩局部孔、洞、裂缝较发育,钻井过程中易发生漏失,石炭系厚,地层坚硬、可钻性差,钻进速度难以提高。为此,在钻进过程中提前制定详细的事故复杂预防措施,应用螺杆钻具和脉冲接头,三开使用欠平衡来提高钻进速度;根据地层特征优选牙轮钻头和PDC钻头;机械钻速大幅提高,缩短了钻井周期,为今后此类井型的钻井提速起到了一定的借鉴作用。     

基于单心搏活动特征与BiLSTM-Attention模型的心律失常检测

为了更准确地检测心律失常,提出基于单心搏活动特征与BiLSTM-Attention模型的心律失常检测方法。采用MIT-BIH心律失常数据库对算法进行验证,用双正交小波变换去除噪声干扰;通过二进样条小波变换的模极大极小值对检测R波峰值位置,并提取QRS波群数据及RR间期;使用BiLSTM-Attention分类模型进行心搏识别。实验结果表明,N、S、V和F类心搏的灵敏度分别为99.76%、94.74%、97.53%、83.93%,阳性预测值分别为99.76%、94.03%、97.53%、87.04%,F1综合指标达到了99.40%,证明了该算法的有效性。     

台63井推覆体钻井技术

台63井属准噶尔盆地南缘冲断带阜康断裂带台11井南段北斜,该井上盘推覆体厚达3155m,地层倾角大、各向异性突出、可钻性差,极易发生井斜,破碎带易垮塌。为此,在钻进过程中应用塔式钟摆、偏轴接头、Power—V旋转早向系统进行防斜;根据地层特征优选牙轮钻头和PDC钻头;制定详细的事故复杂预防措施。使该井井斜得到有效控制,机械钻速大幅提高,为后续钻进作业奠定定了良好的基础。对北三台地区山前构造高陡地层安全高速钻进具有较强的指导意义。     

基于云计算的智能健康监测系统设计与实现

设计一种基于云计算的智能健康监测系统,实现人体多体征参数的检测、监护和健康干预,为慢性病防治和不良生活习惯纠正提供了积极有效的解决途径。系统由智能监测设备、应用终端和云平台三部分组成。通过监测心电、血氧、血压、血常规等体征参数,判断受检者的健康状况,当发生异常可及时预警。该系统监测参数多、实时性能高,可实现数据的远程传输、处理和展示,有助于建立健康监测新模式。     

基于多特征融合的心搏类型识别研究

心律失常是一种常见的心电活动异常,严重的可能危及人的生命.为了能准确诊断心律失常,提出了一种新的方法,用于心律失常诊断中对心搏的识别分类.首先对原始心电信号进行去噪预处理,并根据R峰位置获得心搏段.然后提取235单心搏特征点、R波幅值、P R间期、QT间期、ST段和RR间期作为特征参数,并对比分析不同特征组合下分类的性...     

基于几何形态群组特征的R波检测算法

针对R波检测问题,提出了基于几何形态群组特征的R波检测算法。算法首先用滤波器组对心电信号进行预处理,然后通过整体与局部兼顾的信号处理方式计算几何形态特征值,并使用群组中三个几何形态特征值检测R波,最后采用MIT-BIH标准心律失常数据库验证算法。实验结果表明,算法对R波检测的错检率为1.07%,灵敏度为99.38%,精确率为99.61%,准确率为98.99%。     

基于加权时变泊松模型的出租车载客点推荐模型

针对出租车空载率高、司机寻客难的问题,提出泊松-卡尔曼组合预测模型（PKCPM）。首先,采用加权非齐次泊松模型,针对出租车历史数据进行建模,得到目标时刻的估计值;其次,基于当天的实时数据,将临近时刻乘客需求的平均值作为目标时刻预测值;最后,将预测值和估计值作为卡尔曼滤波模型的输入参数,实现对目标时刻出租车乘客需求的预测,同时引入误差反向传播机制,减小下一次预测误差。基于郑州市出租车轨迹数据集,对组合模型与非齐次泊松模型（NHPM）、加权非齐次泊松模型（WNHPM）、支持向量机（SVM）等三种模型进行对比,实验结果显示PKCPM的误差比WNHPM、SVM分别降低了8.85个百分点、14.9个百分点。该模型能对不同时段内、不同空间网格的乘客需求进行预测,为出租车寻找乘客提供可靠的依据。