关键词： 健康体检   数据质量   数据处理   子宫肌瘤   流行病学  

摘要： 目的:随着社会经济的不断发展,疾病谱和居民健康需求的转变,我国的健康体检数据积累越来越多,但健康体检数据的科研化进程缓慢,数据质量问题是阻碍其进程的重要原因,本研究以子宫肌瘤（Uterine Fibroids,UFs）为例,探索如何对健康体检数据的数据质量进行评价及针对质量问题如何进行适当高效的数据处理;并在此基础上揭示我国女性人群中的子宫肌瘤相关影像学改变的发病率、患病率及其分布特征,并分析子宫肌瘤相关影像学改变发病人群和患病人群的相关危险因素。通过评价展示地市级医院健康体检数据的数据质量现况,为进一步利用健康体检数据进行科学研究提供参考,为优化健康体检数据管理提供思路,并为合理估计我国女性人群不同年龄水平子宫肌瘤发病和患病现况提供数据支撑。方法:通过查阅国内外数据质量评价的相关文献,结合健康体检数据的实际特征,确定本研究中数据质量评价维度和指标。针对某地市级医院2017年10月～2022年12月全部女性体检人群的体检数据,按照已确定的质量评价的维度和指标开展评价,并基于SAS软件给出解决某些质量问题的数据处理方法,并编制宏代码,以期实现数据的高效处理;在数据质量评价和数据处理的基础上,通过专家意见法筛选出子宫肌瘤相关的影像学改变,并将具有任一子宫肌瘤相关影像学改变条目的体检对象定义为病例,进一步计算发病密度、年龄别发病率、患病率、年龄别患病率等。通过单因素logistic回归分析筛选相关因素后(关键变量:身体质量指数（Body Mass Index,BMI）、收缩压、舒张压、血脂和血糖水平),进行多变量逐步logistic回归分析,以估计相对危险度（OR）及其95%置信区间（95%CI）。SAS PROC MIANALYZE用于合并回归分析的结果,并提供回归模型的最终参数估计。为确定子宫肌瘤相关影像学改变的相关因素与年龄之间的差异,对年龄进行了分层分析（≤40岁和>40岁）。连续变量以平均值±标准差表示,分类变量以病例数及其百分比表示。方差分析、t检验和Wilcoxon秩和检验用于检验病例组和对照组之间的差异。所有的统计分析均使用SAS（9.4版,Cary,NC）进行。统计学意义设定为P<0.05,双侧检验。结果:结合质量评价文献,考虑健康体检数据定量的质量评价维度和指标的可行性,本研究确定了健康体检数据的质量评价维度和指标,即“完整性”“代表性”“合理性”“一致性”“时效性”5个评价维度共计10个评价指标。2017年10月至2022年12月共计导出健康体检记录193692条,其中女性的健康体检记录84838条（43.80%）,根据子宫肌瘤疾病频率计算及影响因素分析需求,从导出的健康体检数据库中筛选出相关变量137个。定量评价结果显示,与第七次全国人口普查的女性人口年龄构成比较,二者15岁及以上的人群年龄分布没有统计学差异（X2=8.91,P>0.5）,健康体检数据的女性人群年龄构成分布比较合理,不存在堆积现象（MI=7.18）;健康体检数据的实验室检测指标未见异常值,如血糖、血脂等未见异常值;在健康体检必选项目（基本项目）中,除体检号、姓名、性别、年龄不存在缺失,其他检查指标下的缺失率较大,身份证号缺失率为17.28%（14746/84838）,身高缺失37.31%,体重缺失37.39%,身体质量指数BMI的缺失率为37.76%,血脂检测相关指标的缺失率最小为36.25%,最大为37.04%,腹部彩超的缺失率为42.70%;在健康体检非必选项目中,经阴道超声检查的未检查率为77.04%,机体激素水平和维生素D水平未检查率高达98%。且长期连续进行健康体检的人群较少,其中只有一次体检数据记录的人数为55969,有两次及以上体检记录的人次数为14718,定期体检率为26.30%（14718/55969）,有三次及以上体检记录的人次数为5951,定期体检率为10.63%（8767/55969）。经过人工测量后录入系统的检测值存在一定程度的异常值,收缩压的异常值发生率为1.05%（559/53082）,舒张压的异常值发生率为0.11%（56/51595）。在一致性方面,也可见到同一体检指标重复出现,导出的数据格式不一致等现象（37.68%,52/138）,由人工录入的身份证号位数有误、与实际记载年龄和性别存在差异等。针对健康体检数据已有的质量问题可以通过一定的数据处理的方式进行修正和改善,如重复指标可以进行导出后合并、对异常值进行纸质档案核查后修订或直接进行删选、导出格式不一致的指标可以通过统计软件进行核查后修改等,本次研究基于SAS软件提出了针对部分问题的处理办法及详细代码。用地市级医院连续3年的健康体检数据,通过专家函询的方式筛选出与子宫肌瘤最相关的影像学改变条目17个。结果显示,在中国一般人群中,子宫肌瘤的相关影像学改变的

关键词： 微电网系统   数据处理   光伏发电预测   液态空气储能   经济优化调度  

摘要： 为解决能源短缺和环境污染问题,可再生能源和微电网技术得到了大力发展。液态空气储能(Liquid Air Energy Storage,LAES)这类大规模储能设备的投入使用使得光伏发电这类可再生能源可以大规模接入微电网系统。为了保持微电网的经济化运行,本文采用模型预测控制(Model Predictive Control,MPC)算法作为微电网调度方法。然而现有预测模型无法对于新投入使用的可再生能源设备实现可靠的预测,影响基于MPC调度方法的可靠性。因此,如何对含有新建光伏设备的含LAES微电网建立可靠的预测模型并实现可靠经济调度是当前研究的重点。针对上述问题,本文主要的研究内容如下:首先,对光伏发电历史数据中异常数据影响预测模型训练效果的问题展开研究,提出了基于耦合信息分析的改进Hampel滤波器算法。通过分析数据的变化特性对Hampel滤波器的判定公式进行改进。利用不同数据之间具有耦合线性关系的信息,对异常数据判定结果进行修正,解决Hampel滤波器无法分辨异常数据和正常波动数据的缺点。通过四种不同类型测试数据进行测试。结果表明,本文提出的改进Hampel滤波器能够实现更准确的数据处理。然后,针对历史数据不足条件下的预测问题。提出采用树突网络作为预测算法。该网络能通过提取数据之间相关信息的方式挖掘历史数据中的信息,完成更有效的训练和预测。此外,为了进一步提高预测模型的预测能力,提出了基于梯度提升策略改进的梯度提升树突网络模型。实验结果表明,树突网络能够较少历史数据的情况下实现更准确预测效果,而改进后的梯度提升树突网络能够进一步提高预测能力,预测效果优于基准预测模型。最后,基于上述提出的预测模型,建立了基于MPC的含LAES微电网经济优化调度模型。MPC以运行成本最小为目标函数,设定光伏出力优先的运行策略。通过实验首先验证了本文采用LAES作为微电网的储能设备能够有效储存并调度多余光伏发电能量,实现光伏出力的有效利用,从而降低微电网系统的运行成本。之后在改进光伏预测模型的条件下进行MPC的求解,通过对比不采用本文提出的预测模型时的成本差异,验证了在微电网经济优化调度中采用改进预测模型能够有效降低微电网运行成本。图30幅,表12个,参考文献92篇

关键词： 核磁共振测井   横向弛豫时间谱   CEEMDAN方法   差分进化算法   变T2截止值   孔隙结构   储层评价  

摘要： 核磁共振测井(NMR)是当今储层评价重要的测井手段之一,其优势在于能够直接获取储层流体信息,这解决了石油勘探与开发过程中的诸多问题。在岩性比较复杂的地区,核磁共振测井是少数有效的测井技术之一,尤其是在孔隙结构方面,它几乎成为了唯一的研究手段,因此对核磁共振测井的研究一直以来都具有十分重要的意义。本文对回波数据降噪方法、反演方法、变横向弛豫时间(T2)截止值及孔隙结构展开研究,从理论和应用两方面对其做出了评价。首先回波数据的降噪主要采用了改进的经验模态分解法(CEEMDAN)进行处理。其次,回波数据的反演根据最优化思想建立了T2谱最优化反演模型,采用了差分进化算法(DE)求解得到T2谱。然后探讨了岩心T2截止值与T2谱形态之间的关系确定了T2截止值在T2谱上的变化规律从而得到了变T2截止值,并进一步计算出了束缚水含量、泥质含量、渗透率;同时在确定了岩心毛管压力与T2之间幂函数转换关系的基础上,建立了计算最佳转换参数的最优化模型,实现了连续定量化的孔隙结构评价。最后,将本文方法应用于实际测井进行解释评价。研究表明,CEEMDAN降噪效果较好,解决了经验模态分解法的混叠模态问题,提升了回波信号的信噪比(SNR),保留了大量的信息,有效地恢复了真实信号;差分进化算法对SNR≥20的回波信号反演,效果较好,对于SNR<20的回波信号,该算法反演的T2谱长弛豫部分较为准确,短弛豫部分较差,但回波数据的降噪处理解决了这一问题;通过数学形态法确定的T2截止值和构建的伪毛管压力曲线分别计算的束缚流体、泥质含量、渗透率和微观孔隙结构参数与岩心资料对比,计算结果较为准确。通过上述研究实现了一套核磁共振测井数据处理解释方法,根据X7区X1井、X2井和X3井核磁共振测井资料处理得到的束缚流体、孔隙度、渗透率、平均孔喉半径、半径均值、中值压力等参数具有较高的准确性,说明了该方法具有一定的实用价值。

关键词： 手势识别   多传感器   数据处理   数据手套  

摘要： 手势识别技术作为人机交互的一种方式,具有可解释性强、易于学习掌握等特点,能够帮助人们通过手势与计算机系统进行信息交互,广泛应用于勘探科考、虚拟现实以及手语交流等众多领域。现阶段手势识别技术大部分基于视觉,该方式对环境和算力的依赖性大,因此近年来基于自主传感器的手势识别技术受到关注,这类技术通过可穿戴的传感器直接采集手势物理信息,克服了环境依赖性。本文研究一种融合多源传感信息的手势识别系统,实现了高精度、高可靠的手势数据处理与识别。主要研究内容如下: (1)对多传感器获得的原始数据进行矫正、滤波、融合等预处理。针对各类传感器自身存在的测量误差,对弯曲传感器进行灵敏度调整,对惯性传感器进行零点漂移校正;针对弯曲传感器噪声和用户差异性误差问题,采用了一种基于最小熵的均值滤波方法处理形变信号,针对惯性传感器频率响应差和数据漂移问题,采用了一种级联互补滤波方法处理惯性信号。 (2)在剖析静态手势与动态手势数据特征的基础上,分别构建了基于改进K最近邻算法的静态手势分类器和基于长短期记忆网络的动态手势分类器,并基于数据分割进行连续手势识别研究,静态、动态手势识别准确率分别为97.73%和93.18%。 (3)根据待识别手势集的物理特征设计了一套基于多传感器的手势信息采集设备,外形为可穿戴数据手套;设计了一套上位机显控系统,用于手势数据自动化采集及实时手势识别;采集了手势数据集,基于该数据集进行系统性能验证实验,实验结果显示静态和动态的识别延迟分别为0.1 s和0.5 s,预处理后的数据较未处理的数据识别精度提升7.72%,长短期记忆网络算法较传统机械学习算法识别率提升5.45%～9.09%。 本文研究了基于多源传感信息的手势识别技术,设计的手势识别系统具有较好的实时性、鲁棒性、准确性,具有相应的理论依据和实验支撑,通过进一步完善可成为当前人机交互技术的一个参考方案。

关键词： 天文视宁度预测   数据处理   深度学习   时间卷积网络   长短期记忆网络   注意力机制   随机卷积核变换  

摘要： 在使用大型光学望远镜时，天文视宁度预测是一个重要且具有挑战性的工作，它可以为天文观测者优化望远镜观测策略，帮助观测者合理安排观测任务。传统的视宁度预测方法主要是使用气象模型来捕获大气湍流模式，然后通过数据分析进行视宁度预测。但这种预测方法对于局部天气变化的适应能力较弱，因此可能会出现误差较大的情况。近年来,数据驱动的方法在预测领域得到了广泛应用和发展，本文利用深度学习框架，以一台中国大型天文望远镜的观测数据为基础，系统展开了天文视宁度的数据分析和预测模型构建工作。本文的主要工作如下:　　首先，本文对收集到的天文视宁度数据进行了分析和预处理。原始数据包含了视宁度值、温度、天气状况等信息，使用统计方法对这些特征进行分析。由于原始数据在时间轴上是连续的，为了更方便分析和使用，需要对部分数据进行离散化重采样。同时，在数据预处理部分，需要对原始数据进行数据清洗、时间轴对齐、去量纲化等处理，以确保数据的准确性和一致性。最后，本文对处理好的数据进行了多维度分析，包括特征的分布情况、相关性分析、数据可视化等。这些分析结果可以为后续模型的参数设置和结构设计提供参考，并且也有助于更好地理解视宁度预测相关数据的含义和规律。　　其次，本文提出了一种基于混合卷积神经网络的视宁度预测方法。该方法将时间卷积网络、长短期记忆网络和注意力机制模块三个模块相结合，实现对视宁度的准确预测。具体来说，该方法首先通过使用卷积神经网络模块对输入数据进行编码处理，提取出输入序列的特征表示。接着，使用循环神经网络模块进行时间信息提取，提取出序列的时间信息。然后，使用注意力机制模块对序列中的重要信息进行提纯。最终，通过一个全连接神经网络得到预测结果。在实验阶段，本文使用收集到的天文视宁度数据进行了测试，并与多个基线方法进行了对比。结果表明，该方法达到了最先进的预测精度。　　最后，本文提出了一种基于随机卷积核变换的视宁度预测方法。该方法通过大量随机初始化的卷积核对时间序列进行变换，并使用变换后的特征训练一个简单的线性预测器来进行预测。相对于传统的神经网络方法，该方法不需要计算梯度，因此计算成本相对较低。本方法对卷积核的基本参数进行了改进，并加入了两种数据差分机制，以专门应对数据中出现的大量同类型特征的情况。经过实验验证，该方法在运行速度方面远远超过了基于混合卷积神经网络的视宁度预测方法，同时其预测精度仅次于基于混合卷积神经网络的方法。这意味着该方法在计算成本和预测精度之间取得了良好的平衡，可以更有效地应用于视宁度预测等相关领域。

关键词： 爆炸冲击波   FPGA   光纤传输   千兆以太网   数据处理  

摘要： 冲击波超压测试是爆轰物理试验的重要测试项目,在爆炸场恶劣的测试环境中更好的获取冲击波超压信号以及对实测信号进行后续处理,对还原出更真实的爆炸现场及弹药毁伤评估十分重要。爆炸现场往往伴随着高温、高压、高速产物、强电磁脉冲等物理现象。传统冲击波超压测试采用存储式的测试方法,无法进行实时状态监测和数据传输。光纤传输技术拥有不受电磁干扰、支持远距离传输的特性。本文设计了一种基于光纤传输的冲击波超压测试系统,并对冲击波超压数据处理方法进行了研究。1、首先分析了传统冲击波存储测试系统的设计方法及关键技术,基于冲击波存储测试技术数据存储实现方法复杂性高、拓展性差,无法实现测试数据实时传输与状态检测,设计了基于光纤传输的冲击波测试系统。系统使用FPGA作为主控芯片,采用高速串行收发技术实现光纤传输功能,解决了爆炸测试中强电磁脉冲干扰和传输距离不足对实时数据传输技术应用的限制;使用DDR3动态随机存储芯片,简化了冲击波数据存储逻辑的实现方法,提高了系统存储带宽;使用以太网传输技术,将上位机近端光纤信号转换为以太网帧格式发送至上位机;改变了Flash存储策略,简化了数据备份实现方法。本文对基于光纤传输的冲击波测试系统整体设计、硬件设计及具体模块的逻辑实现展开了详细介绍,并对关键系统模块和整体功能进行了验证,证明了设计的正确性。2、针对实测冲击波数据中包含大量环境噪声的特点,提出了基于经验小波变换和奇异值分解的联合信号降噪方法。根据理论公式建立了冲击波压力-时间含噪模型,通过与贝塞尔低通滤波、EEMD分解降噪、小波分解降噪方法在含噪模型进行对比,结果显示联合降噪方法SNR和RMSE评价指标上表现最佳,很好的还原出原始冲击波信号。并通过实测数据验证了联合降噪方法的有效性。对某次试验数据进行降噪处理,提取出实测数据准确的爆炸冲击波参数进行毁伤评估,得到此次试验冲击波对不同爆心距离处建筑物和人员的毁伤评估结果。

关键词： 储层岩性识别   深度学习   通道注意力机制   数据处理   网络融合  

摘要： 充分挖掘储层岩性的信息,在地质勘探开发中发挥着至关重要的作用。我国正处在非常规油气资源开发的重要阶段,对储层岩性识别的要求更为精细化,测井数据是挖掘储层岩性信息的重要数据来源之一,测井数据种类众多且处理测井数据的方式越来越多样化,从最初的人工到现在的智能化识别测井数据,岩性信息的深度挖掘技术在不断进步。本文针对测井数据特征提取问题,深入研究了深度学习网络模型与储层岩性特征的关系,提出了一种适用于储层岩性识别的深度学习网络模型特征注意力融合网络模型,主要工作从以下三个方面展开:首先,针对实地矿场测井数据的问题,对测井数据进行预处理。主要对原始测井数据进行深度校正和平滑滤波处理,经过预处理的测井数据更加准确、平滑,而且消除了原始数据问题带来的误差,进行测井数据敏感性分析实验,对选取的测井数据进行敏感性验证分析,分析发现不同的测井数据对不同的岩石具有不同的敏感性,可通过多条测井数据对储层岩性进行综合识别。其次,研究对比了VGG16、Goog Le Net和U-Net三种经典的深度学习网络模型在储层岩性识别中的效果,通过对比三种网络模型的模型训练产生的准确率、召回率以及混淆矩阵,U-Net的准确率范围为71%～78%,平均准确率为74.86%,召回率范围为73%～76%,平均召回率为74.81%,分析得出U-Net模型在储层岩性识别时准确率和召回率更高且波动范围更小,其整体的识别能力更佳。最后,提出一种基于U-Net模型的储层岩性识别模型—FAF-Unet模型。模型选用U-Net为基础网络,主要针对U-Net模型缺陷进行改进:在下采样过程中添加残差块来减少“退化”现象,提高了网络模型对关键信息的提取,将特征提取的高级通道信息与低级特征结合,增加部分低级特征通道的权重,由此提出特征注意力融合模块(Feature Attention Fusion Block)。FAF-Unet是一种融合残差块和通道注意力机制的网络模型,能够充分挖掘岩石沉积序列和特征通道之间的信息,能够有效提高储层岩性分类性能。

关键词： 负荷预测   逐次变分模态分解   时间卷积神经网络   序列到序列   注意力机制  

摘要： 电力负荷预测是电力管理的一个重要工具,通过准确预测电力需求并对供应进行相应的管理,可以更好地维持电力供需平衡,降低管理和运营成本,保障电力系统安全稳定运行。然而,现有的电力负荷预测方法对数据的处理不完善,同时也缺少对先进预测模型的进一步优化。因此,本文从数据处理和序列到序列(Seq2Seq)模型的优化两方面研究如何提高电力负荷预测的准确性,并通过更加精准的负荷预测来加强电力管理,实现电网的经济平稳运行。首先,为了剔除电力负荷的冗余特征,采用随机森林进行特征提取,并通过加权灰色关系投影算法对节假日数据进行处理,从而使节假日数据具有一般性,然后选用Seq2Seq模型并使用卷积神经网络(CNN)、注意力机制(Attention)、双向长短期记忆神经网络(Bi-LSTM)和贝叶斯优化(BO)算法对其改进后进行负荷预测。其中BiLSTM作为Seq2Seq的编码器和解码器,CNN用来提取输入数据的特征,Attention用来提高解码器输入重点信息的关注度,BO算法用来优化模型参数。研究结果表明:该数据处理方案和模型改进方案可以有效提高电力负荷预测的准确性。其次,针对数据的不平稳性和非线性,采用自适应噪声完备集合经验模式分解(CEEMDAN)进行数据分解,并通过极端梯度提升(XGBoost)进行特征提取从而进一步提高特征提取的准确性。然后,通过进一步的改进的Seq2Seq模型进行负荷预测,即在原有改进方案基础上将Bi-LSTM换成TCN来提高Seq2Seq模型的预测性能。研究结果表明:通过使用时间卷积神经网络(TCN)来改进Seq2Seq模型可以提高模型的预测精确性。最后,考虑到CEEMDAN在进行分解时分解序列多,计算复杂高的问题,采用逐次变分模态分解(SVMD)对其进行了替换,并在原有Seq2Seq模型的改进方案上做了进一步优化,通过将CNN替换成TCN和Attention来提高模型输入数据特征提取的准确性和关注重点信息的能力。研究结果表明:这些改进最终可以有效提高模型的预测能力和预测准确性。综上可知,本文根据案例分析证实了使用特征提取、节假日数据处理和数据分解进行数据处理的有效性,并且使用TCN、Attention和BO算法对Seq2Seq模型进行优化可以获得更好的预测结果。

关键词： 电子病历   危重病早期预测   数据处理   机器学习   ICU患者  

摘要： 电子病历的积累为基于机器学习算法的辅助医疗诊断提供了数据支持，进而提高了临床诊断的准确性。在ICU病房中，患者面临着极高的危重病发病风险。ICU患者具有病情发展快、死亡风险高等特点。因此，对ICU患者危重病发病风险的实时检测、早期识别和及时干预可以提高患者生存率，改善患者生理结局，具有重要的临床意义。目前在临床上，仍使用基于患者的各项检查数据生成的风险评分系统来辅助诊断，但其诊断流程复杂，耗时长，不能达到提前预警的效果。为此，本文旨在提出基于机器学习的危重病早期预测模型，从而实现更精准、有效的早期识别。本文以脓毒症预测为例，基于电子病历数据针对患者危重病早期预测问题展开研究。针对电子病历中的数据不均衡问题，提出了基于遗传算法的危重病早期预测模型;针对现有危重病早期预测模型忽略误警率和漏报率权衡、忽略患者之间的异质性等问题，提出了基于双目标优化的患者危重病早期预测模型，并对模型结果进行可解释分析。具体研究内容如下：　　第一，为解决由于电子病历数据不均衡对危重病早期预测模型性能的影响，本文提出了一种基于遗传算法的数据不均衡处理算法（ADataImbalanceProcessingAlgorithmBasedonGeneticAlgorithm，DIGA）。该方法通过K-means聚类算法将未发病患者多数类样本根据生理指标相似性聚成多个簇，并基于遗传算法选择能够实现最佳预测性能的子簇，将发病患者数据与未发病患者最优子簇合并为训练集训练分类器，最后在患者测试集上进行模型的评估。为验证DIGA的有效性，本文基于ICU中脓毒症的相关数据进行了实验，选择了流行的数据不均衡处理算法进行对比实验，实验结果体现该算法的优越性。　　第二，为充分考虑患者之间的个性化差异以及评价指标误警率和漏报率之间的权衡，本文提出了一种基于双目标优化的动态集成选择算法（ADynamicEnsembleSelectionAlgorithmBasedonBi-Objectives，DES-BO）用于患者危重病早期预测。该算法利用基于元学习的动态集成学习方法生成异质集成模型，并使用遗传算法优化集成模型的基模型参数，实现动态预测的同时降低了模型的误警率与漏报率。为验证提出的DES-BO算法的优越性，选择主流的分类器进行对比实验，实验结果表明了该算法的有效性。最后，基于知识蒸馏的思想，将复杂动态集成模型中的知识迁移到可解释的机器学习模型中，使用SHAP框架对模型结果进行可解释分析。分析结果表明吸入氧浓度（FiO2）、收缩压（SBP）等指标的波动和异常表明患者有很大的概率在4小时后患有脓毒症。