摘要：背景:枕颈部后路融合能够解除脊髓压迫并能让失稳枕颈部重新早期获得稳定。解剖型设计的Cobra系统对失稳的枕颈区提供坚强的内固定,结合Halo-vest外固定,具有固定,复位,利于植骨融合的作用。目的:观察Cobra枕颈内固定系统结合Halo-vest在治疗颅颈交界区畸形枕颈融合术中的应用,并评价其临床疗效。方法:对34例颅颈交界区畸形患者行术前术中牵引复位固定,固定后依患者耐受情况决定保留或去除Halo-vest等针对性治疗。根据JOA评分对患者神经功能恢复进行评估;根据尹庆水等制定的方法计算神经功能改善率。内固定后3,6,12,24个月摄颈椎正侧位X射线平片、CT及三维重建,以判断内固定和植骨融合情况,对部分患者同时行MRI检查以明确颈脊髓减压情况。结果与结论:34例患者均获随访,随访时间7～29个月。内固定后未出现脊髓症状加重病例。内固定前JOA评分平均8.2分,内固定后平均14.8分;脊髓功能平均改善率为75%;1例并发脑梗死死亡。内固定后6个月复查,2例患者植骨块部分吸收骨不连,2例患者枕骨板螺钉出现松动,1例螺钉脱出,1例切口不愈合。10例患者术后继续Halo-vest外固定,并于内固定后三四个月拆除;其余患者佩戴颈托至植骨完全愈合。提示Cobra枕颈内固定具有良好的生物力学稳定性,配合Halo-vest便于术中固定和复位,适用于颅颈交界区畸形的治疗。

摘要：虚假数据注入攻击(FDIA)因其高隐蔽性和破坏性,对电网的安全稳定运行构成严重威胁。攻击样本与正常样本的不平衡特性会影响模型的攻击检测精度,同时多类型FDIA的出现使得现有算法在识别攻击种类上具有局限性。针对上述问题,文中提出基于过采样和级联机器学习的电网多类型FDIA识别方法。首先,探究了电网耦合交互过程中的FDIA攻击路径,分析了多类型攻击行为;然后,通过聚类、过滤和线性插值过程生成攻击伪样本,设计基于K均值合成少数类过采样技术(K-means-Smote)的量测数据平衡算法;最后,结合细粒度特征扫描和多个分类器的集成学习策略,构建基于改进级联机器学习的多类型FDIA识别模型。仿真实验表明,所提识别方法可有效辨识多种FDIA类型,且辨识精度高、误报率较低、性能稳定,在小样本下性能仍然出色。

摘要：以新工科背景下物联网与大数据的交叉融合为切入点,提出物联网大数据应用创新实践课程的建设方案,从课程建设思路、课程架构、教学内容、考核方案方面阐述该方案的具体实施过程,最后说明教学实践效果。