葡京娱乐场-富盈娱乐场开户_百家乐试玩_sz全讯网网址xb112 (中国)·官方网站

本發(fā)明公開了少通道腦機(jī)接口EEG信號的特征提取方法，尤其涉及用于腦機(jī)接口的信號處理方法，屬于認(rèn)知神經(jīng)科學(xué)、信息處理相交叉的技術(shù)領(lǐng)域。本發(fā)明通過基于sin波輔助信號的多變量經(jīng)驗(yàn)?zāi)Ｊ椒纸鈱⑸偻ǖ繣EG信號擴(kuò)容至多通道，通過將多通道合成信號映射在多維球體上以獲取投影極限值瞬時時刻及其對應(yīng)的通道信號，由投影極限瞬時時刻及其對應(yīng)的通道信號確定多通道合成信號局域均值，以多通道合成信號及其局域均值的差值為固有模態(tài)函數(shù)，經(jīng)過多次迭代計算獲得多個固有模態(tài)函數(shù)。本發(fā)明提出的基于sin波輔助信號的多變量經(jīng)驗(yàn)?zāi)Ｊ椒纸庥行Э?

本發(fā)明提供一種頸動脈圖像的多維多種特征提取方法，具體為：（1）依據(jù)頸動脈的醫(yī)學(xué)三維超聲體數(shù)據(jù)構(gòu)建感興趣區(qū)域二維序列圖像和感興趣區(qū)域三維圖像；（2）對二維序列圖像提取二維特征，對三維圖像提取三維特征，所述二維特征包括二維紋理特征、二維形態(tài)特征和二維彈性特征，所述三維特征包括三維紋理特征；（3）驗(yàn)證各種特征是否對圖像分類具有貢獻(xiàn)，保留具有貢獻(xiàn)的特征；以假發(fā)現(xiàn)率最小為目標(biāo)，在具有貢獻(xiàn)的特征中搜索得到全局最優(yōu)特征組合。本發(fā)明針對圖像進(jìn)行了多個維度多類特征的提取，囊括了紋理、形態(tài)、彈性三大類特征，特征數(shù)目多，

本發(fā)明公開了一種局部特征的分布式并行提取方法，包括：利 用圖像爬蟲軟件下載圖像到云環(huán)境中的各個計算節(jié)點(diǎn)，并建立圖像數(shù) 據(jù)庫，圖像數(shù)據(jù)庫中存儲了每張圖像的 ID 與計算節(jié)點(diǎn)的 ID 之間的映 射關(guān)系，并行地獲取每個計算節(jié)點(diǎn)上存儲的每張圖像的像素值，并建 立圖像的 ID 與其像素大小之間的映射關(guān)系，根據(jù)云環(huán)境中每個計算節(jié) 點(diǎn)存儲的每張圖像像素大小，獲得云環(huán)境中每個計算節(jié)點(diǎn)上總像素值， 根據(jù)云環(huán)境里每個計算節(jié)點(diǎn)總像素值、計

2020年2月24日，重慶大學(xué)附屬三峽醫(yī)院劉雷課題組在預(yù)印本網(wǎng)站medRxiv上發(fā)表了研究成果，題為“Clinical characteristics of 51 patients discharged from hospitalwith COVID-19 in Chongqing，China”，對重慶市51例新冠肺炎出院患者的臨床特征進(jìn)行了分析。     為了總結(jié)非武漢地區(qū)新冠肺炎的流行病學(xué)和臨床特征，并探討有效的治療方法，研究組對重慶大學(xué)附屬三峽醫(yī)院收治的51例確診為新冠肺炎的住院患者進(jìn)行了一項(xiàng)回顧性單中心病例系列研究。   這51例患者于2020年1月20日至2月3日住院，除1例死亡外，其余50例于2020年1月29日至2月11日出院。 研究組收集和分析了51例新冠肺炎患者的流行病學(xué)、人口統(tǒng)計學(xué)、臨床表現(xiàn)、實(shí)驗(yàn)室檢查、影像學(xué)和治療數(shù)據(jù)，對入院和出院時的血常規(guī)和生化指標(biāo)的變化進(jìn)行比較，同時還比較了重癥患者和非重癥患者的臨床特征。 51例住院的新冠肺炎患者中，中位年齡為45歲，男性32例（62.7%）。 43例（84.3%）患者曾到過湖北，其中4例（7.7%）在病發(fā)前有明確接觸史，4例（7.7%）無明確接觸史。 常見癥狀包括發(fā)燒（84.3%）、咳嗽（74.5%）和疲勞（43.1%），一些患者有明顯的呼吸困難。 26名患者發(fā)生淋巴細(xì)胞減少（51.0%），32名患者的C反應(yīng)蛋白（CRP）水平升高（62.7%）。 CT典型影像學(xué)表現(xiàn)為磨玻璃影（80.4%），部分患者肺炎局部實(shí)變（33.3%）。 大多數(shù)患者接受了中藥湯劑治療（54.9%），所有患者均接受霧化吸入重組人干擾素a-1注射，洛匹那韋和利托那韋片口服進(jìn)行抗病毒治療（100%）。 大多數(shù)患者服用地衣芽孢桿菌膠囊來調(diào)整腸道菌群（86.3%）。 10例（19.6%）患者接受了短期（3-5天）糖皮質(zhì)激素治療。 與44例非重癥患者相比，7例（13.7%）重癥患者的年齡更大，糖尿病比例更高，大多數(shù)需要抗生素治療和營養(yǎng)飲食，更有可能出現(xiàn)呼吸困難，其中大多數(shù)需要無創(chuàng)機(jī)械通氣。 除1例患者死亡外，其余50例均按標(biāo)準(zhǔn)出院，一般臨床癥狀基本消失，淋巴細(xì)胞明顯增多，CRP明顯下降。 中位住院時間為12天。   總之，對于新冠肺炎，目前尚無特殊藥物可治療，除吸氧和抗病毒治療外，中藥辯證治療、腸道菌群調(diào)節(jié)、營養(yǎng)支持治療等綜合治療均可臨床獲益。 這項(xiàng)研究存在一些局限： 1）樣本量很小，特別是重癥患者； 2）大多數(shù)出院患者是非重癥患者，重癥和危重患者通常并發(fā)癥更多，住院時間更長； 3）重慶有四個新冠肺炎治療中心，目前還未進(jìn)行相關(guān)的比較分析。

本發(fā)明公開了一種用于提取半導(dǎo)體納米結(jié)構(gòu)特征尺寸的方法，包括待提取參數(shù)取值范圍的劃分，子光譜數(shù)據(jù)庫的建立，支持向量機(jī)分類器訓(xùn)練光譜的生成，支持向量機(jī)分類器的生成、測量光譜的映射和在子光譜數(shù)據(jù)庫中進(jìn)行的最相似光譜搜索。與現(xiàn)有方法相比，本發(fā)明方法通過額外增加一個可以離線進(jìn)行的支持向量機(jī)分類器訓(xùn)練環(huán)節(jié)，實(shí)現(xiàn)了將測量光譜映射到一個小范圍的子數(shù)據(jù)庫中。與在整個大數(shù)據(jù)庫中進(jìn)行最相似光譜檢索相比，在子數(shù)據(jù)庫中展開的檢索所消耗的時間大大減少。并且，通過增加每個分類器中包含的類數(shù)，可以得到更小的子數(shù)據(jù)庫，從而進(jìn)一步加速參數(shù)的提取。該方法實(shí)現(xiàn)了參數(shù)的提取速度可預(yù)期與可控。

本發(fā)明公開了一種基于不變量特征匹配的車輛測速方法，其包括步驟：（1）確定兩幅初始圖像中車輛大致區(qū)域圖像；（2）提取兩幅車輛大致區(qū)域圖像的特征點(diǎn)，獲得兩組不變量特征點(diǎn)的集合；（3）在兩組特征點(diǎn)集合中進(jìn)行特征匹配，得到兩幅車輛大致區(qū)域圖像的匹配特征點(diǎn)集合；（4）計算每一對匹配特征點(diǎn)在車輛縱向方向上的相對距離；（5）對所有匹配特征點(diǎn)進(jìn)行聚類，聚類中心處的相對距離即為車輛在圖像中的移動距離；（6）將圖像距離轉(zhuǎn)化為車輛實(shí)際的行駛距離，除以獲取兩幀圖像的時間差得到車輛速度。本發(fā)明解決了運(yùn)動物體在圖像中的精確定位

人臉識別由于具有直接，友好，方便的特點(diǎn)，使用者無任何心理障礙，易于為用戶所接受，從而得到了廣泛的研究與應(yīng)用。除此之外，我們還能夠?qū)θ四樧R別的結(jié)果作進(jìn)一步的分析，得到有關(guān)人的性別，表情，年齡等諸多額外的豐富信息，擴(kuò)展了人臉識別的應(yīng)用前景。人臉中痣的檢測可以作為人臉識別的輔助方法，具有重大的應(yīng)用價值。目前該問題已經(jīng)得到了很多人的重視，但是從不同的人臉中提取痣特征是一個比較困難的工作。困難主要體現(xiàn)在，人臉成像時的光照不一致，有的光照比較強(qiáng)烈，有的比較暗淡，另外臉上的眼角，嘴角，皺紋和鼻孔等組織對痣檢測的干擾很強(qiáng)烈。本成果很好的結(jié)果了人臉痣檢測問題，對于人臉識別能夠起到很好的輔助作用。本發(fā)明解決了人臉識別過程中的人臉痣檢測問題。人臉的痣檢測對于提高人臉識別的速度和減小搜索人臉庫的規(guī)模具有很大的優(yōu)勢。本文提出了一種基于痣的顯著特征的檢測方法，結(jié)果表明了這種方法的優(yōu)越性。具有很大的潛在的應(yīng)用。

本發(fā)明公開了一種結(jié)合語義特征的 ERVQ 索引，包括以下步驟：準(zhǔn)備訓(xùn)練索引的圖片集 P1 和待索引圖片集 P2，對 P1 提取低層特征(SIFT、SURF 等)，使用殘差量化索引(RVQ)訓(xùn)練方法訓(xùn)練得到一個 L層的 RVQ 碼書 Codebook1，使用 ERVQ 優(yōu)化方法調(diào)整 Codebook1 生成碼書 Codebook2，將碼書 Codebook2 多層質(zhì)心一一組合構(gòu)建索引字典，將索引字典每個索引項(xiàng)上根據(jù)語義劃分成多個倒排鏈表結(jié)構(gòu)，對 P2 提取低層特征和語義特征，根據(jù)低層特征找到索引項(xiàng)，根

本發(fā)明公開了一種基于簽到特征的用戶位置分類模型，其應(yīng)用 在針對性的廣告推薦、智能導(dǎo)航、智慧交通等基于位置的服務(wù)中，該 模型包括：針對用戶當(dāng)前的“簽到”場所，查詢其是否已在用戶的歷 史“簽到”位置集里面；如果不在，則分別基于社交網(wǎng)絡(luò)全局用戶知 識域、用戶好友知識域、用戶個人知識域提取用戶的“簽到”特征； 應(yīng)用已訓(xùn)練的 SVM 分類模型對用戶當(dāng)前的“簽到”場所進(jìn)行分類，預(yù) 測該位置是否為用戶將來頻繁“簽到”的場所。本發(fā)明