摘要：目的探讨肝硬化患者并发显性肝性脑病(OHE)的危险因素。方法回顾性研究设计,以住院肝硬化合并OHE患者为病例组,选取同期住院的肝硬化未发生OHE患者为对照组,比较两组患者临床资料以及实验室资料,分析影响OHE发生的危险因素。应用SPSS软件统计分析,采用t检验或秩和检验比较计量资料,χ^(2)检验或Fisher确切概率法比较计数资料。采用logistic回归进行多因素分析。结果2017年8月至2018年12月期间住院诊断为肝硬化患者共500例,共40例发生OHE,作为病例组,并随机选取40例同期住院的肝硬化未发生OHE患者为对照组。病例组和对照组性别构成和年龄均可比。两组患者的肝硬化病因构成方面,均以病毒性肝炎(其中主要为乙型病毒性肝炎)为主,病例组和对照组分别为52.5%和57.5%。其余病因包括酒精性肝病、自身免疫性肝病等。在血生物化学指标方面,两组的血肌酐水平可比,但是病例组中血清总胆红素水平更高(34.30μmol/L对比18.65μmol/L,Z=-3.185,P<0.05)、血钠水平更低(137.00 mmol/L对比140.08 mmol/L,Z=-2.348,P<0.05)、凝血酶原时间更长(14.60 s对比12.20 s,Z=-5.078,P<0.05),国际标准化比值更低(1.33对比1.07,Z=-5.632,P<0.05),血白蛋白水平更低(30.6 g/L对比35.6 g/L,t=3.386,P<0.05)。在并发症方面,病例组的合并消化道出血比例更高(30.0%对比10.0%,χ^(2)=5.000,P<0.05)、合并腹水比例更高(87.5%对比30.0%,χ^(2)=27.286,P<0.05)、继发感染比例更高(32.5%对比10.0%,χ^(2)=7.813,P<0.05)。在病情严重程度评级方面,病例组的Child-Pugh C级所占比例更高(62.5%对比10.0%,χ^(2)=26.593,P<0.05)。在结局方面,病例组病死3例,对照组无一例病死。多因素分析发现肝硬化患者Child-Pugh分级为C(OR=12.696),合并腹水(OR=10.655)是发生OHE独立危险因素。结论单中心回顾性临床研究显示,肝硬化并发OHE者病情更重,并发症更多。为及时诊治肝硬化OHE,应更多关注合并腹水及Child-Pugh C级者。

摘要：为解决油页岩在开采利用中有机物对地下水的污染问题,试验采用驯化培养的石油降解菌,对地下水中的有机污染物进行生物降解。在低温（10℃）、120r/min条件下,通过室内试验,确定菌群降解地下水中有机污染物的最佳pH为7,接种量为5mL（8×106个/mL）,初始浓度为200mg/L,辅助氮源为氯化铵（0.05%）,辅助磷源为磷酸二氢铵（0.05%）。在此最佳条件下,反应6天后总石油烃质量浓度为33.94mg/L,菌群对总石油烃及COD的降解率分别为83.03%及67.58%。通过对降解过程的动力学研究分析可知,总石油烃初始浓度为20mg/L时的降解符合一级动力学方程,50~300mg/L时的降解符合零级动力学方程。

摘要：现有的瞬变电磁解释与反演方法主要对电阻率参数进行解释,较难给出准确的地质构造信息.为了能够较多获得地质构造信息,可将瞬变电磁扩散场信号转换为虚拟波场信号,提高瞬变电磁法的分辨率.本文采用精细积分法,实现了瞬变电磁扩散场到虚拟波场的转换.将一个高度病态的线性方程组转换成求积分的过程,大大降低了解决病态问题的难度.积分步长以2的指数增加,在保证精度的前提下,具有极高的计算效率;设置合理的终止迭代条件,进一步提高本文方法的适用性.对典型地电模型的计算,表明本文方法具有较高的精度;减小两个波峰之间的距离,证明了本文方法具有较好的分辨能力;对含有噪声信号的扩散场进行波场反变换,证明了本文方法具有较好的抗噪性.最后计算三维模型和实测数据的虚拟波场,可以很好地反映出三维地质体的界面信息,证明本文方法稳定、可靠,可以对地下地质目标体的界面进行有效识别.本文方法相比预条件正则化共轭梯度法(PRCG),在计算效率方面提升了4倍左右;本文方法的相对误差在5%以内,而PRCG的最大相对误差可达40%~50%,精度最高可提升10倍;在分辨率与稳定性方面,也表现出较好的效果.

摘要：基于多传感器人工嗅觉系统的苹果种类识别方法是将自行研发的便携式硬件和上位机算法相结合,目的是将市面上常见的外形相似的‘花牛’和‘阿克苏’苹果进行无损种类识别,降低检测成本。实施方法是根据实际情况选择传感器并设计电路对待测样本气味信息进行响应,下位机将采集到的信号传输至上位机的机器学习算法中进行模型训练。通过线性判别分析算法(Linear Discriminant Analysis,LDA)、逻辑回归算法(Logistic Regression,LR)、邻近算法(K-NearestNeighbor,KNN)、前馈神经网络算法(Back Propagation,BP)分类模型对气味信息数据进行计算并作出分类。最终得到LDA、LR、KNN、BP算法识别的准确率分别为86.83%、85.33%、91.26%、85.00%,通过stacking框架将以上4种算法模型进行融合,融合后算法识别的准确率最高为97.14%。与传统单预测模型相比,基于多模型融合的苹果识别方法精确度更高。研究结果表明,基于多传感器人工嗅觉系统可以直接通过气味对其种类进行识别,为苹果的无损分类做出有效的判断,可为受主观因素影响的的感官评价提供客观的理论依据。