基于模式识别的人体肺癌电阻抗检测方法研究
基于生物电阻抗的人体状态监测方法研究
基于生物电阻抗的人体状态监测方法研究近年来，人们越来越意识到身体健康的重要性。
然而，如何进行准确的健康监测仍然是人们关注的焦点。
基于生物电阻抗的人体状态监测方法，因其无创、简便、可靠等特点，受到了越来越多的关注。
本文以此为主题，探讨其研究进展、优缺点以及未来应用前景。
一、生物电阻抗及其在人体状态监测中的应用生物电阻抗是指人体组织对电流的阻碍程度。
很多器官和肌肉都含有不同程度的电阻性物质，因此通过测量电流通过人体的程度就能了解人体状态的一些信息，如体水分、体脂肪、肌肉量等。
利用生物电阻抗技术进行身体状态监测的方法有很多种，例如单频阻抗法、多频阻抗法、阻抗成像等。
其中，最常用的是多频阻抗法。
这种方法通过在不同频率下测量电阻抗，并且通过数学模型计算分析人体组织的情况。
二、基于生物电阻抗的人体状态监测方法的研究进展基于生物电阻抗的人体状态监测方法已经得到了广泛的应用。
例如，智能手环、智能体脂秤和医疗设备等都采用了它。
此外，近年来，研究者还提出了一些创新的应用方案，如人体水合状态监测、运动状态监测、脑功能状态监测等。
在这些应用中，人体水合状态监测被认为是最有前景的。
水合状态是指人体内水分的平衡程度。
水合状态良好的人体代谢能力更高，身体机能更健康。
采用基于生物电阻抗的方法可以非侵入式地实时地检测人体水分变化，为个性化的水合状态管理提供了新途径。
三、基于生物电阻抗的人体状态监测方法的优缺点基于生物电阻抗的人体状态监测方法具有以下优点：1.非侵入式：相比传统的测量方法，生物电阻抗的方法不需要穿刺、抽血或者作出切口，不会对人体造成任何伤害。
2.简便易行：测量过程简单，测量器具也非常方便携带。
3.精确度高：通过生物电阻抗的方法测量的数据可以快速、准确地获取。
除了这些优点，基于生物电阻抗的人体状态监测方法也存在一些缺点，主要包括：1.测量误差比较大：由于人体内部物质的复杂性，生物电阻抗测量容易受到多种因素的影响，因此测量误差相比其他测量方法稍大。
基于人工智能的肺癌诊断技术研究
基于人工智能的肺癌诊断技术研究第一章引言肺癌是目前全球范围内的主要死因之一。
每年都有大量的人因患肺癌而失去生命。
为了提早发现和治疗肺癌，科学家们一直在研究各种各样的肺癌诊断技术。
在过去的几十年中，人工智能技术的发展为肺癌诊断提供了新的方法和工具。
本文将介绍基于人工智能的肺癌诊断技术的研究现状以及未来的发展方向。
第二章肺癌的诊断方法在介绍基于人工智能的肺癌诊断技术之前，我们先来了解一下传统的肺癌诊断方法。
目前，常用的肺癌诊断方法包括胸部X光摄影、CT扫描和病理学检查。
这些方法虽然在一定程度上可以帮助医生判断肺部是否存在异常情况，但是在早期诊断和准确诊断方面仍存在一定的局限性。
第三章基于人工智能的肺癌诊断技术基于人工智能的肺癌诊断技术包括机器学习和深度学习。
机器学习是一种数据驱动的方法，通过分析和学习大量的肺部影像数据，建立模型来实现肺癌的诊断。
深度学习是机器学习的一种特殊形式，通过构建深层神经网络，实现对肺部影像数据的高级特征提取和诊断判断。
这些技术可以通过对病人的肺部影像数据进行分析，提供准确的肺癌诊断结果，帮助医生做出更好的治疗决策。
第四章基于机器学习的肺癌诊断技术研究现状目前，许多研究人员利用机器学习技术进行肺癌诊断的研究。
其中一个常见的方法是基于特征提取和分类器构建的机器学习方法。
研究人员通过分析肺部影像数据中的各种特征，如大小、形状、纹理等，提取出区分肺癌和非肺癌的特征，并使用分类器进行识别和分类。
另外，还有一些研究者通过结合多个机器学习模型，建立集成模型，提高肺癌诊断的准确性。
第五章基于深度学习的肺癌诊断技术研究现状近年来，随着深度学习技术的快速发展，越来越多的研究者开始利用深度学习进行肺癌诊断的研究。
深度学习技术可以通过构建深层神经网络，实现对肺部影像数据的高级特征提取和诊断判断。
研究人员通过将大量的肺部影像数据输入到深度学习模型中进行训练，使模型能够从中学习到肺癌的特征，并在未知数据上进行准确的诊断。
人体胸部电阻抗成像建模方法研究
人体胸部电阻抗成像建模方法研究肺损伤是一种常见的胸部外科疾病,其内外致病因素有严重感染、创伤、休克、吸入有害气体、中毒等。
轻者会发生肺水肿、肺不张等症状,延长患者术后监护及住院时间,重者则导致急性呼吸窘迫综合症(Acute respiratory distress syndrome,ARDS)乃至急性呼吸衰竭,其病死率高达50%～70%。
肺部疾病严重威胁着人类健康。
因此,对肺部功能状态的实时监测具有重要意义。
胸部电阻抗成像(Electrical impedance tomography,EIT)技术是一种无损功能成像技术,具有无创、安全、实时成像等优点,对肺损伤早期诊断和治疗具有重要意义。
目前,国内外对于胸部电阻抗成像的研究多基于圆形、椭圆形、或用近似人体胸部形状建立统一模型。
但是由于胸部轮廓具有特异性,用统一模型会引入测量误差进而引入成像误差。
此外,目前胸部肺损伤电阻抗成像多采用二维图像重建,对轻度肺损伤的检测精度有限。
针对上述问题,本课题围绕肺损伤电阻抗成像展开研究,构建基于人体胸部真实结构的电阻抗成像模型,实现肺损伤三维成像,并对肺损伤评价指标进行优化,主要完成的工作如下:1.针对胸部轮廓特异性问题,基于人体CT图片提取人体几何结构先验信息,优化胸部EIT二维正问题模型,基于边界先验信息提出一种图像剖分方法。
仿真结果表明:该方法能有效降低传统模型成像方法与人体真实胸部结构的成像误差,改善成像质量。
在此基础上,采用广义最小残差算法(Generalized Minimal Residual Algorithm,GMRES)进行成像,提高成像质量。
2.基于CT扫描序列构建人体胸部EIT成像三维正问题模型,并对多层电极激励测量模式进行优化。
通过仿真实验对不同激励模式的成像结果进行对比分析,最终得到最优激励。
3.构建不同程度肺损伤模型,基于GMRES算法实现人体胸部三维电阻抗成像,并提出一种基于三维图像的肺损伤评价指标计算方法,通过仿真实验对新方法的肺损伤评价指标计算结果与基于二维图像的肺损伤评价指标计算方法的结果进行对比,证明新方法可以有效提高肺损伤评价的精度。
如何用人工智能诊断肺癌
如何用人工智能诊断肺癌随着机器学习和人工智能领域的不断发展，这些新兴技术已经开始在医疗行业中得到了广泛的应用。
肺癌是全球最常见的癌症之一，目前在肺癌的早期诊断上，科学家们利用计算机模型和深度学习等技术，开始尝试利用人工智能的力量来提高肺癌的检测和诊断准确性。
本文将探讨如何利用人工智能技术来诊断肺癌，并讨论其未来发展前景。
一、人工智能——一种新型的医学诊断工具人工智能是一种将机器智能应用于医学领域的新型工具，利用大数据、计算机视觉、自然语言处理等多种技术手段可以对大量的医疗数据进行分析，从而快速准确地诊断疾病。
在肺癌检测与诊断领域中，人工智能能够轻松处理大量的影像数据，并且快速高效地准确诊断肺癌。
二、肺癌的诊断目前，传统的肺癌诊断主要依赖医生的经验和医学影像学技术，例如CT（computed tomography）扫描，然后通过对影像数据的观察来判断病变恶性程度。
然而，即使是有经验的医师，由于诊断时涉及多个方面的因素，如光线强度、声波、关键特征等，其诊断准确度也是有限的。
三、利用人工智能诊断肺癌的优点由于人工智能机器学习的能力，其准确性和效率在许多情况下都优于传统的医学影像诊断技术。
使用人工智能技术诊断肺癌有以下三个主要的优点：1.提高准确性：人工智能技术能够处理更多的体征数据和影像数据，从而可以提高检测的准确性。
2.提高效率：肺癌的病变形态多种多样，具有一定的复杂性，在这种情况下传统的影像检测和诊断是非常费时费力的。
通过利用人工智能技术，可以快速准确地诊断大量影像数据。
3.协助医生：使用人工智能技术可以向医生提供信息，从而协助他们制定准确的诊断。
四、目前人工智能在肺癌诊断领域的应用目前，肺癌的检测和诊断领域正经历着利用人工智能技术的重大变革。
科学家们正在利用计算机模型、深度学习等技术，探索利用人工智能技术进行肺癌诊断的方法。
利用人工智能诊断肺癌的应用主要有以下几种方法：1. 使用计算机模型：这种方法包括构建肺癌模型和基于机器学习的肺癌分类器模型。
基于人工智能的肺癌诊断系统研究
基于人工智能的肺癌诊断系统研究随着人工智能技术的不断发展和应用，它已经被广泛应用于医疗领域。
肺癌作为全球范围内最常见的恶性肿瘤之一，其早期诊断与治疗是目前医学界特别关注的一个领域。
而基于人工智能的肺癌诊断系统正是一种创新和高效的方法。
一、人工智能技术在肺癌诊断中的应用在肺癌早期诊断方面，传统的方法主要是通过影像学的方式，例如放射学检查和CT等手段。
但是这些方法需要有人为的干预，诊断的准确率也难以得到保障。
而基于人工智能技术的肺癌诊断系统不仅可以消除人为因素的干扰，同时也可以提高检测准确率。
该系统主要是通过深度学习和神经网络的方法，对大量的医学数据进行训练和分析，从而建立诊断模型。
尤其是在肺癌的影像学检查中，基于人工智能的诊断系统已经取得了很多进展。
它不仅可以通过对CT影像进行分析来检测肿瘤，还可以自动识别和分析影像中的病灶，提高肺癌诊断的准确性和效率。
此外，它还能够在许多其他的医学影像检查中进行应用，例如X光检查、MRI等，不仅可以诊断肺癌，还可以诊断许多其他的疾病。
二、基于人工智能的肺癌诊断系统的研究进展目前，很多国内外的机构和科研团队都在开展基于人工智能的肺癌诊断系统的研究。
例如，美国国家癌症研究所（NCI）近年来就研发了一款基于人工智能的肺癌诊断系统，该系统可以自动识别、测量和分析CT影像中的病灶，从而辅助医生进行肺癌的早期诊断和治疗。
此外，许多全球知名的科技公司，如IBM和微软也在致力于基于人工智能的肺癌诊断系统的研发。
对于基于人工智能的肺癌诊断系统的研究，主要面临着以下几个方面的问题：一是如何建立高效可靠的诊断模型，该模型需要同时考虑到不同人群、不同医疗环境和不同肺癌类型的影响；二是如何解决数据采集和隐私保护的问题，该问题主要与医学数据的开放性、安全性以及隐私保护等方面相关；三是如何加强与医疗机构和临床医生的合作与沟通，将研究成果应用于实践中。
三、人工智能技术在肺癌诊断领域的应用前景总的来说，人工智能技术在肺癌诊断领域的应用前景非常广阔。
基于模式识别方法的肺癌分型比较
基于模式识别方法的肺癌分型比较作者：刘露,马俊雷,李云,董永庆,刘宛予来源：《现代电子技术》2010年第10期摘要:根据不同特征对分型准确率的影响,使用Logistic回归分析进行特征选择及优选实验研究,并采用神经网络和支持向量机方法对常见的周围型肺癌进行分型比较。
通过实验,说明了神经网络和支持向量机在肺癌分型的应用方法,比较了两种模式识别方法在肺癌分型中的运用情况,验证了支持向量机在小样本情况下比神经网络具有更强的泛化能力。
关键词:肺癌分型; 支持向量机; 神经网络; Logistic回归中图分类号:TP391 文献标识码:A文章编号:1004-373X(2010)10-0083-03Comparision of Lung Cancer Grouping Based on Pattern RecognitionLIU Lu1,2, MA Jun-lei1, LI Yun3, DONG Yong-qing4, LIU Wan-yu2(1. School of Automation, Harbin University of Science and Technology, Harbin 150080, China;2. HIT-INSA Sino-French United Biomedicine Image Research Centre,Harbin Institute of Technology, Harbin 150001, China;3. Beijing Filiale of China Combined Network Communication Ltd., Beijing 100052, China;4. Changbai Wireless KTLA of Jilin Province, Changbai 134400, China)Abstract: Taking account ofthe influence of different features on the grouping accuracy, the charactesistic selection and optimal experiment were performed by adopting the logistic regression analysis method, and the grouping comparison of the common peripheral lung cancer was carried out by methods of neural network and support vector machine. During the experiments, the application of both the neural network and the support vector Machine methods was adopted, and also the two methods in the application of lung cancer grouping were compared. The experimental results prove that under condition of small sample, the support vector machine method has a stronger generalizability than the neural network method.Keywords: lung cancer grouping; support vector machine; neural network; Logistic regression0 引言近年来,随着计算机软、硬件基础的提升以及人工智能技术的发展,统计方法和模式识别方法在医学研究领域得到了广泛的应用。
一种用于肺癌筛查的模式识别方法[发明专利]
![一种用于肺癌筛查的模式识别方法[发明专利]](https://img.taocdn.com/s3/m/35c636e67cd184254a3535bc.png)
专利名称：一种用于肺癌筛查的模式识别方法专利类型：发明专利
发明人：陈可,皮喜田,刘洪英,李旺
申请号：CN201711426204.1
申请日：20171225
公开号：CN108038512A
公开日：
20180515
专利内容由知识产权出版社提供
摘要：本发明涉及的一种模式识别方法，主要用于早期肺癌筛查的电子鼻的数据处理、对原始数据进行分类识别。
模式识别系统主要包括：S1数据预处理、S2特征提取并进行S3分类训练和S4分类识别，其对传感器阵列采集的数据进行处理。
S1对原始的数据将进行数据解析、基线处理、滤波和数据标准化；S2采用拉布拉斯特征映射(LE)降维方法对预处理后的特征矩阵降维以提取主要特征；数据预处理和特征提取完成后，S3是使用Fuzzy k‑NN分类算法分类方法对数据进行训练并获得判别函数，S4是基于判别函数对原始数据进行识别并判断样本是否患有肺癌。
申请人：重庆大学
地址：400044 重庆市沙坪坝区沙正街174号
国籍：CN
更多信息请下载全文后查看。
基于机器学习的肺癌检测与诊断方法研究
基于机器学习的肺癌检测与诊断方法研究肺癌是全球范围内最常见的癌症之一，也是导致许多人死亡的主要原因之一。
早期的肺癌往往没有明显的症状，使得诊断和治疗变得困难。
为了提高肺癌的检测和诊断效率，近年来，基于机器学习的肺癌检测与诊断方法逐渐成为研究的焦点。
机器学习是一种人工智能技术，通过数据和算法让计算机系统从经验中学习并自动改进性能。
在肺癌检测和诊断中，机器学习可以通过对医学影像数据的分析和处理，帮助医生发现潜在的异常病灶，并提供精确的诊断结果。
首先，基于机器学习的肺癌检测与诊断方法需要大量的医学影像数据作为训练集。
医学影像数据包括X光片、CT扫描和磁共振成像等，这些数据能够提供详细的视觉信息，有助于发现肺癌的特征。
收集大量的医学影像数据并进行标注是十分重要的，因为标注后的数据可以用于监督学习算法的训练。
随着技术的进步，医疗机构和研究机构可以通过合作，共享医学影像数据，提高肺癌检测与诊断方法的准确性。
其次，基于机器学习的肺癌检测与诊断方法可以采用各种分类算法来训练模型。
常用的分类算法包括支持向量机（SVM）、人工神经网络（ANN）和决策树等。
这些算法可以根据医学影像数据中的特征进行分类，例如肿瘤的大小、形状和密度等。
通过训练模型，机器学习可以在未标注的医学影像数据中识别出潜在的肺癌病灶，并提供准确的诊断结果。
此外，还可以通过特征选择算法来选择最重要的特征，提高模型的准确性和可解释性。
另外，基于机器学习的肺癌检测与诊断方法还可以结合深度学习技术，例如卷积神经网络（CNN）。
深度学习是一种特殊的机器学习方法，通过构建多层神经网络模型来学习和提取数据的高级特征。
对于肺癌检测和诊断，深度学习可以通过卷积层和池化层来自动学习医学影像数据中的特征，并根据这些特征进行分类，从而实现高效准确的肺癌诊断。
此外，基于机器学习的肺癌检测与诊断方法还可以结合其他辅助信息，如临床数据和基因组学数据。
临床数据包括患者的年龄、性别、病史等信息，可以帮助机器学习算法更好地理解肺癌的发病机制。
基于人工智能的肺癌诊断研究
基于人工智能的肺癌诊断研究肺癌是一种常见的恶性疾病，其早期诊断对治疗效果和患者生存率有着至关重要的影响。
然而，传统的影像学检测方法存在缺陷，部分影像学检测结果可能会出现误诊、漏诊的情况，这给肺癌的早期诊断带来了一定的困难。
为了解决这些问题，人工智能技术崭露头角，越来越受到医生和研究人员的关注。
人工智能技术的出现，为医学化繁为简，创造更加可靠、便捷的诊断工具带来了新的希望。
人工智能可以根据大量的医学数据进行模型训练，并快速准确地对患者进行分类、分级、诊断和预测，尤其是在肺癌的早期筛查和诊断领域，其表现尤为突出。
腔镜辅助下针刺活检是目前肺癌确诊的主要手段之一。
通过这个技术，医生可以对肺部异常组织进行检查，并确定是否患有肺癌。
但是，由于人的视力、经验等因素的限制，医生人工诊断存在漏诊或误诊的风险。
基于人工智能的肺癌诊断技术可以依据医学影像(如CT、MRI等)的信息进行肺癌预测，并输出预测结果，以帮助医生做出更准确的诊断。
基于人工智能的肺癌诊断技术核心就是算法，其主要的数据来源是医学影像数据集，医学影像数量、质量、种类以及搭建算法时所采用的深度学习框架对于算法的准确性和可靠性起到至关重要的作用。
在国内外许多研究团队的努力下，基于人工智能的肺癌诊断算法越来越成熟。
对于对于一些大型医疗图像公司，不断收集医学影像数据，将这些数据被用于设计和改进算法，以满足临床实际需求。
目前，全球许多医疗单位已经开始引入基于人工智能的肺癌诊断技术，完全可以把这项技术在肺癌筛查上得到广泛使用。
与传统的肺癌诊断方法相比，基于人工智能技术的诊断具有如下优点：1.识别准确性高基于人工智能技术的肺癌诊断有很高的准确性。
一方面，人工智能技术可以快速、自动、准确地对大量医学数据进行处理和分析; 另一方面，该技术具有高度的可重现性，即在不同的医学影像数据集上也能获得高度准确的识别结果。
2.无需依靠医生经验传统的肺癌诊断方法需要大量的医生经验来辅助诊断，但是人工智能技术可以摆脱医生经验的局限，不会因为医生经验不足或认知偏差等原因出现漏诊或误诊的情况。
基于多模态医学图像识别的肺癌早期诊断技术
基于多模态医学图像识别的肺癌早期诊断技术肺癌是威胁人类健康的严重疾病之一，由于其悄无声息、难以察觉的特性，常常到了晚期才被发现，治疗效果大打折扣。
因此，肺癌的早期诊断变得尤为重要。
近来，基于多模态医学图像识别技术，在肺癌早期诊断上取得重要进展，被广泛应用于临床实践中。
多模态医学图像识别技术是指将不同种类的医学影像数据整合在一起，如CT影像、PET影像、MRI影像、超声影像等，通过多维度、多细节的信息识别，提高疾病检测的准确性和可靠性。
这种技术在肺癌早期诊断中的应用，可以提高病变识别的灵敏度和特异性，减少漏诊和误诊的发生。
在肺癌早期诊断方面，CT影像是最常用的一种影像。
通过对肺部CT图像的解剖结构、肿块形态、血管、淋巴结等多维度特征进行分析，可以识别出肺癌病灶。
但是，由于早期肺癌病变非常小且难以确定，CT影像识别的准确率并不高。
这时候就需要结合其他的医学图像，如PET影像等。
PET影像能够对病灶进行代谢活性评估，并能够从代谢水平上补充CT影像的不足，提高疾病诊断的准确性。
除了以上两种影像外，MRI影像和超声影像也有一定的应用。
MRI影像在肺癌早期诊断中的价值在于其对病灶所发的信号强度、信号类型、各组织间的对比度等特征进行的分析。
超声影像则可通过声波对肺部磨玻璃样阴影等少量病灶进行检测。
为实现多模态医学图像识别技术的应用，计算机视觉、模式识别等技术被广泛应用于肺癌早期诊断领域中。
其中，深度学习是一种最流行的模式识别算法。
深度学习最重要的特点就是可以从大量的数据中自动学习特征，这种特征学习能力有助于提高模型的诊断准确度和鲁棒性，从而减少人们在疾病诊断上的主观因素和误判。
多模态医学图像识别技术的应用，在临床实践中得到广泛的应用。
“肺癌精准辅助诊断平台”是由中国医学科学院肿瘤医院高级技师团队研发的一款多模态医学图像综合分析诊断软件。
该软件整合了CT、PET、MRI等影像学图像，通过机器学习和深度学习等技术，进行病变识别和判定，准确率较高，可以辅助医生进行早期肺癌诊断。
基于人工智能技术的肺癌诊断研究
基于人工智能技术的肺癌诊断研究近年来，肺癌已成为全球首位死因之一。
为了提高肺癌的早期诊断率和治疗效果，基于人工智能技术的肺癌诊断研究吸引了越来越多的关注。
本篇文章将会着重讨论在人工智能技术的支持下，肺癌诊断领域面临的挑战、取得的成果和未来的展望。
一、人工智能技术在肺癌诊断中的应用人工智能技术可以帮助医生更精准地识别肺部CT扫描和影像学，从而提高肺癌的早期诊断和临床治疗的效果。
尤其是对于那些高难度、高危险及往年CT 独立医学生识别效果较差的早期肺癌影像，人工智能技术则具有更大的优势和应用前景。
目前，人工智能技术的应用主要包括以下几种：1、深度学习深度学习是人工智能技术的一种分支，主要用于机器学习和图像识别。
它可以从大量的图像数据中学习，自动提取特征，从而实现对肺癌影像学的分类、识别和分析。
深度学习的应用不仅可以提高肺癌的诊断精度，还可以为医生提供更准确的诊断信息。
2、图像处理图像处理技术被广泛应用于肺部CT影像的分割、匹配和目标检测等方面。
肺部CT 影像的高分辨率和复杂性使得图像处理的方法不仅能够提高影像学的评判结果，还能有效降低医学影像诊断的不确定性和假阳性率。
3、机器学习机器学习可以通过大数据分析和算法优化，从而实现对肺癌影像学特征的自动化分析和诊断判断。
通过机器学习，我们可以快速准确地提取肺癌细胞的特征，进而发现早期肺癌。
机器学习还可以匹配肺癌的基因组学数据，为肺癌患者提供更加个性化的治疗方案。
二、基于人工智能技术的肺癌诊断面临的挑战虽然基于人工智能技术的肺癌诊断取得了很大的进展，但是还有许多面临的挑战。
1、缺乏大规模标注良好的数据在用于机器学习的训练数据的选择与处理方面，存在一些技术难题和课题。
而这个问题是由于缺乏大规模标注良好的数据而引起的。
2、技术可靠性有待提高在新的肺造影技术和新的影像学特征分析方法方面，目前人工智能技术技术还存在一些不可靠的缺点，例如检测和疾病滤波方面需要更好的参数选择和优化方案。
模式识别技术在肺部疾病诊断中的应用研究
模式识别技术在肺部疾病诊断中的应用研究近年来，随着计算机技术和人工智能技术的不断发展，模式识别技术在很多领域得到了广泛应用，尤其是在医学领域中，其应用越来越成熟。
肺部疾病是常见的一类疾病，如何利用模式识别技术辅助医生进行诊断，已经成为了一个热门的研究方向，本文将对模式识别技术在肺部疾病诊断中的应用进行深入探讨。
一、背景介绍肺部疾病包括肺结核、肺癌、肺气肿等多种类型，其中肺癌是最常见的恶性肿瘤之一。
然而，由于肺部疾病的发病原因很多，临床表现和影像学表现也互相影响，因此其确诊率和鉴别诊断率较低，传统诊断方法难以满足临床需求。
为此，人们开始尝试利用计算机技术来辅助医生进行肺部疾病的诊断，以提高诊断准确性和效率。
其中，模式识别技术成为了一种热门的应用方法，被广泛用于分析和分类肺部影像学信息，辅助医生进行诊断。
二、模式识别技术在肺部疾病中的应用1. 基于图像的特征提取和分类图像分析是模式识别技术在肺部疾病中的一个重要应用方向。
在诊断中，医生需要对大量的肺部影像进行观察和判断，而模式识别技术可以基于这些肺部影像找到有用的特征并进行分类。
常见的特征提取方法有灰度共生矩阵(GLCM)、人工神经网络(ANN)等。
其中，GLCM是基于灰度级的特征提取方法，可以提取图像的纹理、对比度等特征。
而ANN则利用人工神经网络来建立模型，在训练集上对具有代表性的特征模式进行学习和分类，并在测试集上进行准确率的评估。
2. 基于机器学习的分类诊断机器学习是一种特殊的模式识别技术，它可以通过对已知数据的学习，从中获取规律和结构，并用于新数据的预测和诊断。
在肺部疾病的诊断中，机器学习算法可以通过对具有代表性的数据集进行学习和分类，进而对新的肺部影像进行诊断。
常见的机器学习算法包括支持向量机(SVM)、决策树、随机森林等。
其中，SVM是一种比较常用的分类算法，它可以通过寻找最佳边界来将数据分为两类，从而实现肺部影像的分类诊断。
而决策树和随机森林等算法则更加侧重于找到特征之间的关联性和规律性。
肺癌早期诊断的人工智能技术解析
肺癌早期诊断的人工智能技术解析肺癌是世界上最常见的恶性肿瘤之一，其发病率以及死亡率均居高不下。
肺癌早期往往无明显症状，因此难以被及时发现，给肺癌的治疗带来了很大的挑战。
而如今，人工智能技术正在快速发展，并在肺癌早期诊断领域逐渐崭露头角。
本文将对肺癌早期诊断的人工智能技术进行解析。
一、医学影像分析医学影像分析是目前应用最广泛的人工智能技术之一，其可以有效地帮助医生识别肿瘤病变以及评估其位置、大小和形状等信息。
在肺癌早期诊断中，医学影像分析技术可以通过对肺部X线、CT、磁共振等影像进行自动识别和分析，从而帮助医生提高诊断的准确性和速度。
比如，一些研究表明，AI技术在肺癌诊断中的准确率已经超过了医生的诊断水平。
随着技术的不断发展，医学影像分析技术将会越来越成熟，为早期肺癌的诊断提供更加积极的支持。
二、基于生物标志物的早期诊断基于生物标志物的早期诊断是一种利用体内的化学或生物学指标来检测肿瘤的方法。
不同的肿瘤类型可能会表现出不同的生物标志物，这些标志物可以通过血液、尿液等体液来检测。
而人工智能技术可以通过大数据分析，找到这些生物标志物之间的关系，并预测其与肺癌风险的相关性。
因此，基于生物标志物的早期诊断方法还能够为肺癌患者提供更准确的风险评估，从而帮助医生更加精准地制定治疗计划。
三、基于模式识别的肺癌风险预测基于模式识别的肺癌风险预测是一种利用机器学习的方法来预测肺癌的发病风险。
这种技术可以对大量的生物标志物数据进行分析，根据个体的生理特征、基因变异等因素来预测肺癌的风险，从而帮助人们更早地发现肺癌的存在。
同时，这种技术还可以为医生制定更加精准的检查计划和治疗方案提供支持。
四、基于智能硬件的早期诊断基于智能硬件的早期诊断是一种可以通过便携式设备进行的肺癌早期诊断方法。
例如，一些基于飞利浦等大型医疗设备公司的智能硬件，可以通过对呼吸音等信息进行采集和分析，从而判断肺部病变情况。
这种技术的优点是方便携带、易于操作、诊断速度快等，为早期肺癌的诊断提供了新的选择，但其可靠性和准确率值得进一步验证和提高。
基于人工智能的肺癌筛查系统的设计与实现
基于人工智能的肺癌筛查系统的设计与实现一、引言近年来，肺癌患者数量不断增加，成为威胁人类健康的重要疾病。
肺癌的早期诊断与筛查对于患者的治疗与预后具有极其重要的意义。
的迅猛发展为肺癌筛查提供了新的思路和技术手段。
本课题旨在设计和实现基于的肺癌筛查系统，通过分析现状，发现存在的问题，并提出对策建议，以期提高肺癌的早期诊断率和治疗效果。
二、现状分析1.肺癌筛查的方法目前，常用的肺癌筛查方法包括X线胸片、CT检查、痰液细胞学检查、肺癌标志物检测等。
然而，这些方法在早期诊断方面存在一定的局限性，需要更加精确和高效的筛查手段。
2.在肺癌筛查中的应用技术在医疗领域得到广泛应用，尤其在肺癌筛查中展现出巨大的潜力。
其中，基于机器学习的肺癌诊断和分型模型、基于深度学习的医学影像分析等成为研究热点。
系统通过对大量图像和数据的学习和分析，可以提高肺癌的早期诊断准确率和有效性。
三、存在问题1.数据的获取与利用当前，医疗系统中存在大量的临床数据和影像，然而这些数据往往分散、不完整、缺乏标准化，导致模型的训练和应用受限。
2.算法模型的性能和可解释性虽然已有很多算法模型用于肺癌筛查，但其性能和可解释性仍然存在一定的局限。
一方面，一些模型在数量庞大的数据集上表现出良好的准确率，但在实际应用中存在一定的风险。
另一方面，一些模型的可解释性不够好，导致医生难以理解和接受诊断结果。
四、对策建议1.数据集的构建与优化为了解决数据的获取与利用问题，应建立起完善的医疗数据库和数据共享平台，提高临床数据的质量和数据标准化程度，并通过数据挖掘和数据清洗技术开展深入研究，优化数据集的构建和应用。
2.算法模型的优化和改进针对算法模型的性能和可解释性问题，应进一步优化和改进算法模型。
一方面，应加强对模型的训练和验证，确保模型在真实临床环境中的效果；另一方面，应提高模型的可解释性，使医生能够理解和接受诊断结果，提高系统的应用价值。
3.合理安排系统与医生的结合系统不能替代医生的临床判断和决策，应合理安排系统与医生的结合，发挥二者的优势。
基于人体结构先验信息的胸部电阻抗成像方法
基于人体结构先验信息的胸部电阻抗成像方法王琦;陈晓静;汪剑鸣;李秀艳;段晓杰;王化祥【摘要】电阻抗成像 (EIT) 技术对于人体胸腔病理变化及肺部检测具有重要的临床价值.由于胸部轮廓具有特异性, 传统模型成像方法误差较大.提出一种基于人体结构先验信息的胸部电阻抗成像方法, 通过对CT图片进行图像处理来提取胸部及肺部轮廓, 为正问题和逆问题提供图像边界的先验信息, 同时基于边界先验信息提出一种有效的图像逆问题剖分方法, 使重建图像形状更接近真实情况, 改善成像效果.为进行有效性验证, 从某医院CT数据库中选取30张肺部健康的人体CT图像, 对于所提出的方法与两种传统模型成像方法 (基于椭圆形模型和基于圆形模型的成像方法), 分别就其肺部区域比例 (LRR) 与真实值以及所产生的相对误差进行统计学对比分析.结果表明, 所提出方法的LRR与真实值之间无显著性差异, 其相对误差(3.71％±1.77％) 显著小于基于椭圆形模型 (10.29％±3.30％) 和基于圆形模型(12.74％±2.87％) 这两种成像方法 (P<0.05), 能有效提高成像质量.%Electrical impedance tomography (EIT) technique has important clinical values in human thoracic pathological changes and lung detection. Due to the specificity of the chest contour, the reconstructed images based on traditional model imaging methods often have large errors. In this paper, we proposed a chest electrical impedance tomography method based on prior information of human body structure. The contours of the chest and lungs were extracted through the image processing of CT images, which provided prior information for forward and inverse problems of EIT. At the same time, an efficient subdivision method for inverse problem was proposed, which makes the shapes of reconstructed images closer to thereal one. As a result, the quality of reconstruction was improved. In order to verify the effectiveness of the method, thirty samples of lung CT images for healthy human were selected from a hospital CT database. For the proposed method and two traditional methods, namely elliptical model imaging method and circular model imaging method, the statistical analysis of the lung region ratio (LRR) for the three methods were conducted. The results showed that there was no significant difference between the real LRR and the computed LRR based on the proposed method. The relative errors between the computed LRR based on proposed method and the real one was 3.71％±1.77％, which was much smaller than the elliptical model imaging method (10.29％±3.30％) and the circular model imaging method (12.74％±2.87％). The statistical significance was P<0.05. In conclusion, the proposed method could effectively improve the imaging quality.【期刊名称】《中国生物医学工程学报》【年(卷),期】2019(038)001【总页数】9页(P35-43)【关键词】电阻抗成像;先验信息模型;不规则边界剖分;肺部区域比例【作者】王琦;陈晓静;汪剑鸣;李秀艳;段晓杰;王化祥【作者单位】天津工业大学电子与信息工程学院,天津 300387;天津市光电检测技术与系统重点实验室,天津 300387;天津工业大学电子与信息工程学院,天津300387;天津市光电检测技术与系统重点实验室,天津 300387;天津工业大学电子与信息工程学院,天津 300387;天津市光电检测技术与系统重点实验室,天津300387;天津工业大学电子与信息工程学院,天津 300387;天津市光电检测技术与系统重点实验室,天津 300387;天津工业大学电子与信息工程学院,天津 300387;天津市光电检测技术与系统重点实验室,天津 300387;天津大学电气与自动化工程学院,天津 300072【正文语种】中文【中图分类】R318引言电阻抗成像(electrical impedance tomography,EIT)是临床使用的一种新的成像工具，它的基本原理是：通过配置于人体体表的一组电极阵列，施加一定频率的低伏交变安全电流；再通过扫描电极测量电压数据，提取与人体生理、病理状态相关组织或器官的电阻抗信息；经数据采集单元并行处理后，送至重构计算机；运用求解被测物场电磁问题的图像重建算法，重建被测组织和器官的二维/三维图像[1-2]。
人体阻抗模型和阻抗测量的研究的开题报告
人体阻抗模型和阻抗测量的研究的开题报告一、选题背景阻抗测量是一种非侵入性的生物电学技术，可以通过测量电流和电压来判断人体组织的阻抗值，从而获得关于身体内部组织状态的信息。
阻抗测量已广泛应用于医学、运动、心理学等领域，例如心脏健康监测、肌肉功能评估、脑电图采集等。
为了理解和优化阻抗测量的过程，需要建立一个适当的人体阻抗模型，该模型可以模拟人体各种组织类型的阻抗特征，从而使阻抗测量的结果更加准确和可靠。
同时，也需要研究阻抗测量的信号处理和数据分析方法，以提高测量的灵敏度和精度。
二、研究内容本研究的主要内容包括：1.人体阻抗模型的建立：分析人体各种组织类型的电学特性，建立能够准确模拟其阻抗特征的数学模型。
2.阻抗测量技术的研究：探究不同阻抗测量方法的优缺点，研究各种因素对测量结果的影响，包括电极位置、电流频率和强度等，并提出改进方法。
3.阻抗测量信号处理和数据分析方法的研究：研究如何通过阻抗测量得到信号，处理和分析数据，从中提取更加有用和准确的信息。
三、研究意义本研究的意义主要体现在以下几个方面：1.优化阻抗测量技术，提高测量结果的准确性和可靠性，为相关领域的医学研究和应用提供更加可靠的基础数据。
2.建立准确的人体阻抗模型，为生物电学领域的研究提供基础，并有助于理解人体内部组织的电生理特性。
3.研究阻抗测量信号的处理和分析方法，有助于更加深入地分析和理解相关数据，并提取更加有用的信息。
四、拟定研究方案1.收集相关文献和资料，深入了解人体各种组织类型的电学特性。
2.建立适当的数学模型，模拟人体各种组织类型的阻抗特征。
3.探究阻抗测量技术中各种因素的影响，并提出改进方法。
4.研究阻抗测量信号的处理和分析方法，提取有用的信息。
5.编写研究论文，撰写相关学术文章，进行学术交流和讨论。
五、预期成果本研究的预期成果包括：1.建立准确的人体阻抗模型，为生物电学领域的研究提供基础。
2.优化阻抗测量技术，提高测量结果的准确性和可靠性。
人体肺功能生物电阻抗成像技术
为精确求解正问题 ,对均匀剖分网格所生成的 一组解中 ,选择后验误差较大的单元进行再细分 。
算机 ,运用求解被测物场电磁逆问题的图像重建算 法 ,在屏幕上再现被测组织或器官的断层二维Π三维 分布图像[1 - 3] 。
目前 ,EIT 技术用于呼吸系统的基础临床研究 主要包括两方面 :一方面是肺部充盈障碍 ,如肺气阻 的检测研究 ;另一方面是肺血管床病变 ,如肺气肿和 肺动脉高血压的 EIT 诊断的可行性研究[4] 。由于肺 组织膨胀和收缩时阻抗变化大 ,肺吸入空气量同阻
收稿日期 : 2008201220 , 修回日期 : 2008206220 。 基金项目 : (国家自然科学基金重点项目 (50337020) ;国家科技支撑计划 (2006BAI03A00) 。 3 通讯作者 。 E2mail : hxwang @tju. edu. cn
664
中 国 生 物 医 学 工 程 学 报
Abstract: A new image reconstructed algorithm was presented for the medical electrical impedance tomography (EIT) . First the adaptive multi2grid algorithm was employed by which the sequence of computational grids was successively refined through the posterior error and the adaptive grids refinement , the lung ventilation was imaged considering the field as circle. Then the sensitivity matrix was solved by commercial simulation software COMSOL considering the structure and resistivity of lung , the prior information was adopted to reconstruct the lung conductivity distribution. On the lung ventilation imaging system , two steps were available to reconstruct the functional respiration process image in real2time. The images indicated that a higher accuracy solution of the forward equation and the higher spatial resolution of images could be achieved.
肺部电阻抗三维成像方法研究开题报告
肺部电阻抗三维成像方法研究开题报告一、选题背景及研究意义肺是人体最重要的呼吸器官之一，肺功能的研究对于了解呼吸系统疾病的发生机制和治疗方法有着重要的意义。
传统的肺功能检测方法主要包括肺活量测定、呼吸道阻力测定、肺血流测定等，这些方法虽然可获取一些信息，但仍有许多问题待解决，如不能反映肺组织微观结构变化、无法区分肺组织和气道、易受干扰等。
因此，迫切需要一种能够全方位、无创、高精度、高时空分辨率地评估肺功能的新方法。
肺部电阻抗成像（Electrical Impedance Tomography, EIT）因为非侵入性、实时性、低辐射等优点而备受关注。
其基本原理是通过在肺部施加低强度的交流电，并测量肺部不同位置电阻抗的改变，从而构建出肺部的三维电阻抗成像。
该成像技术在近年来得到了迅速的发展，但目前还存在许多问题，其中最主要的是三维成像精度低、如何提高成像分辨率等方面的问题。
为了解决这一问题，本论文拟对肺部电阻抗三维成像方法进行研究，并探讨如何提高肺部电阻抗成像的准确性和分辨率。
二、研究目的和内容本论文的研究目的是通过对肺部电阻抗成像技术的分析和研究，提高其成像的准确性和分辨率。
其具体研究内容如下：1. 总结肺部电阻抗成像的基本原理及其优势和不足。
2. 分析现有电极分布方式对肺部电阻抗成像的影响，并提出改进方案。
3. 利用有限元方法建立肺部电阻抗成像的数学模型，分析肺部组织的电特性。
4. 设计合理的数据采集方案，提高肺部电阻抗成像的灵敏度和分辨率。
5. 建立肺部电阻抗成像的算法，实现三维成像。
6. 利用实验验证研究成果，评估成像效果和成像质量，并与其他成像技术进行比较分析。
三、研究方法本论文的研究方法主要采用理论计算、模拟分析和实验验证相结合的方式，其中具体细节如下：1. 理论计算：通过文献调研和理论计算，总结肺部电阻抗成像的基本原理及其优势和不足。
2. 模拟分析：采用有限元方法建立肺部电阻抗成像的数学模型，分析肺部组织的电特性，并设计合理的数据采集方案，提高肺部电阻抗成像的灵敏度和分辨率。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
Ｉ ｍｐ ｅ ｄ ａ ｎ ｃ ｅ Ｄｅ ｔ ｅ ｃ ｔ ｉ ｏ ｎ ｏ ｆ Ｈｕ ｍａ ｎ Ｌｕ ｎ ｇ Ｃａ ｎ ｃ ｅ ｒ Ｂａ ｓ ｅ ｄ ｏ ｎ
Ｐａ ｔ ｔ ｅ ｒ ｎ Ｒｅ ｃ ｏ ｇ ｎｉ ｔ ｉ ｏ ｎ
Ｃ ＨＥ Ｎ Ｘｉ ａ ｏ ｙ ａ ｎ ，Ｚ Ｈ ＡＯ Ｑｉ ｕ ｈ ｏ ｎ ｇ
２ ０ １ ４ 年 ４ 月
ＤＯ Ｉ ： １ ０ ． １ ３ ３ ６ ４ ８ ． ｉ ｓ ｓ ｎ ． １ ６ ７ ２ — ６ ５ １ ０ ． ２ ０ １ ４ ． ０ ２ ． ０ １ １
基 于模式识别 的人体肺癌 电阻抗检测方法研究
陈ቤተ መጻሕፍቲ ባይዱ艳 ，赵秋红
（ 天津科技大学电子信息与 自动化学院 ，天津 ３ ０ ０ ２ ２ ２ ）
（ Ｃ ｏ ｌ ｌ ｅ ｇ ｅ ｏ ｆ Ｅ ｌ ｅ ｃ ｔ ｒ ｏ ｎ ｉ ｃ Ｉ ｎ ｆ ｏ ｒ ｍａ ｔ ｉ ｏ ｎ ａ ｎ ｄ Ａｕ ｔ ｏ ｍａ ｔ ｉ ｏ ｎ ， Ｔ ｉ ａ ｎ ｊ ｉ ｎ Ｕｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ｏ ｆ Ｓ ｃ ｉ ｅ ｎ ｃ ｅ＆ Ｔ ｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｙ ， Ｔ ｉ ａ ｎ ｊ ｉ ｎ ３ ０ ０ ２ ２ ２ ， Ｃ ｈ ｉ ｎ ａ ）
Ａｂ ｓ ｔ ｒ ａ ｃ ｔ ：Ａｃ ｃ ｏ ｒ ｄ ｉ ｎ ｇ ｔ ｏ ｔ ｈ ｅ ｉ ｍｐ ｅ ｄ ａ ｎ ｃ ｅ ｓ ｐ ｅ ｃ ｔ ｒ ｕ ｍ ｔ ｈ ｅ ｏ ｒ ｙ ａ ｎ ｄ ｐ ａ ｔ ｔ ｅ ｒ ｎ ｒ ｅ ｃ ｏ ｇ ｎ ｉ ｔ ｉ ｏ ｎ ｔ ｈ ｅ ｏ ｙ， ｒ ｔ ｈ ｅ ｉ ｍｐ ｅ ｄ ｎｃ ａ ｅ ｏ ｆ ｔ ｈ ｅ ｍａ ｌ ｉ ｇ ｎ ａ ｎ ｔ
ｍｅ ａ ｓ ｕ ｒ ｉ ｎ ｇ ｔ ｈ ｅ ｉ ｍｐ ｅ ｄ ａ ｎ ｃ ｅ ｓ ， ｔ ｈ ｅ ｉ ｍｐ ｅ ｄ ａ ｎ ｃ ｅ ｖ ａ ｌ ｕ ｅ ｓ ｗｅ ｒ ｅ ｏ ｂ ｔ ａ ｉ ｎ ｅ ｄ ｕ ｎ ｄ ｅ ｒ １ ０ ０ Ｈｚ 一 １ ０ ０ Ｍ Ｈｚ ｅ ｘ ｃ ｉ ｔ ａ ｔ ｉ ｏ ｎ ｃ ｕ ｒ ｒ ｅ ｎ ｔ ｓ ． Ｆ ｉ ｔ ｔ ｅ ｄ ｂ ｙ ｔ ｈ ｅ
ｔ ｉ ｓ ｓ ｕ ｅ ｎｄ ａ ｔ ｈ ｅ ｎ ｏ ｎ — ｔ ｕ ｍｏ ｒ ｔ ｉ ｓ ｓ ｕ ｅ ｗｅ ｒ ｅ ｍｅ ａ ｓ ｕ ｒ ｅ ｄ ｆ ｏ ｒ ｉ ｄ ｅ ｎ ｔ ｉ ｉ ｆ ｃ ａ ｔ ｉ ｏ ｎ ｏ ｆ ｌ ｕ ｎ ｇ ｃ ａ ｎ ｃ ｅ ｒ ． Ｗｉ ｔ ｈ ｔ ｈ ｅ Ａｇ ｉ ｌ ｅ ｎ ｔ ４ ２ ９ ４ Ａ ｉ ｍｐ ｅ ｄ ａ ｎ ｃ ｅ ａ ｎ ａ ｌ ｙ ｚ ｅ ｒ
可行性 与可靠性 ， 为肿瘤早期 筛查提供有效检测方 法． 关键词 ：模式识别 ；肺癌 ；阻抗测量 ；Ｌ ＭＳ Ｅ算法 ；Ｆ ｉ ｓ ｈ ｅ ｒ 算法
中图分 类号 ：Ｒ ３ ６ ３ ； Ｔ Ｐ ２ ７ ４ ． ３ 文献标 志码 ：Ａ 文章编 号 ：１ ６ ７ ２ ． ６ ５ １ ０ （ ２ ０ １ ４ ） ０ ２ ． ０ ０ ５ ０ ． ０ ４
经 最小二乘算 法拟合 ， 得到频谱特征参数． 将测量样本分成训练集与测试集 ， 设计 Ｌ ＭＳ Ｅ及 Ｆ ｉ ｓ ｈ ｅ ｒ两种线性分类器 ； 分
类器经训 练后获得判 别函数 ， 利 用分 类器对测试集进行分类 实验． 研 究结果表 明， Ｌ ＭＳ Ｅ 以及 Ｆ ｉ ｓ ｈ ｅ ｒ算 法对测试样本 均能进 行有效识别 ， 并且识别结果与病理切 片分析 结果吻合 ， 验证 了基 于模 式识另 ｌ 】 的方法对肺癌 阻抗检测进行辨识 的
摘
要 ：根 据 阻抗频谱理论及模 式识别理论 ， 对手术 中切 除的恶性肿瘤组 织及 非肿瘤组织进行 阻抗测量并进行肺 癌
辨识． 利用 Ａ ｇ ｉ ｌ ｅ ｎ ｔ ４ ２ ９ ４ Ａ 阻抗分析仪测量手术 中切除样本的 阻抗值 ， 获得 １ ０ ０ Ｈｚ ～１ ０ ０ ＭＨｚ频率激励下的阻抗频谱 ，
ｌ ｅ ａ ｓ ｔ ｓ ｑ ｕ ａ ｒ ｅ ｓ ， ｈｅ ｔ ｐ ａ ｒ ａ ｍｅ ｔ ｅ ｒ ｓ ｉ ｎ Ｃｏ ｌ ｅ — Ｃｏ ｌ ｅ ｅ ｑ ｕ ａ ｔ ｉ ｏ ｎ ｗｅ ｒ ｅ ｃ ａ ｌ ｃ ｕ ｌ ａ ｔ ｅ ｄ ． Ａｌ ｌ ｈｅ ｔ ｍｅ ａ ｓ ｕ ｒ ｅ ｄ ｄ ａ ｔ ａ ｗｅ ｒ ｅ ｄ ｉ ｖ ｉ ｄ ｅ ｄ ｉ ｎ ｔ ｏ ａ ｔ ｒ ａ ｉ ｎ ｉ ｎ ｇ ｓ ｅ ｔ ａ ｎ ｄ ａ ｔ ｅ ｓ ｔ ｉ ｎ ｇ ｓ ｅ ｔ ． Ｔ ｗｏ ｄ ｉ ｆ ｆ ｅ ｒ ｅ ｎ ｔ ｌ ｉ ｎ ｅ ａ ｒ ｃ ｌ ａ ｓ ｓ ｉ ｉｅ ｆ ｒ ｓ ｂ ａ ｓ ｅ ｄ ｏ ｎ ＬＭ Ｓ Ｅ ａ ｎ ｄ Ｆ ｉ ｓ ｈ ｅ ｒ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ ｗｅ ｒ ｅ ｄ ｅ ｓ ｉ ｇ ｎ ｅ ｄ ． Ａｆ ｔ ｅ ｒ ｔ ｒ ａ ｉ ｎ ｉ ｎ ｇ， ｔ ｈ ｅ ｃ ｌ ａ ｓ － ｓ ｉ ｉｃ ｆ ａ ｔ ｉ ｏ ｎ ｆ ｕ ｎ ｃ ｔ ｉ ｏ ｎ ｓ ｗｅ ｒ ｅ ｏ ｂ ｔ ａ ｉ ｎ ｅ ｄ ｔ ｏ ｄ ｉ ｓ ｔ ｉ ｎ ｇ ｕ ｉ ｓ ｈ ｔ ｈ ｅ ｔ ｅ ｓ ｔ ｉ ｎ ｇ ｓ ｅ ｔ ． Ｔ ｈ ｅ ｒ ｅ ｓ ｅ ａ ｒ ｃ ｈ ｒ ｅ ｓ ｕ ｌ ｔ ｓ ｉ ｎ ｄ ｉ ｃ ａ ｔ ｅ ｄ ｔ ｈ ａ ｔ Ｌ ＭＳ Ｅ ａ ｎ ｄ Ｆ ｉ ｓ ｈ ｅ ｒ ａ ｌ ｇ ｏ － ｒ ｉ ｔ ｈ ｍｓ ｃ ａ ｎ ｃ ｌ ａ ｓ ｓ ｉ ｆ ｙ ｔ ｈ ｅ ｍａ ｌ ｉ ｇ ｎ ａ ｎ ｔ ｔ ｉ ｓ ｓ ｕ ｅ ａ ｎ ｄ ｎ ｏ ｎ — ｔ ｕ ｍｏ ｒ ｔ ｉ ｓ ｓ ｕ ｅ ｅ ｆ ｆ ｅ ｃ ｔ ｉ ｖ ｅ ｌ ｙ， ｗｈ ｉ ｃ ｈ ｉ ｓ ａ ｌ ｓ ｏ ｃ ｏ ｎ ｓ ｉ ｓ ｔ ｅ ｎ ｔ ｗｉ ｔ ｈ ｔ ｈ ｅ ｐ ａ ｔ ｈ ｏ ｌ ｏ ｇ ｉ ｃ ａ ｌ ｒ ｅ － ｓ ｕ ｌ ｔ ｓ ． Ｉ ｔ ｉ ｓ ｖ ｅ ｒ ｉ ｉｅ ｆ ｄ ｔ ｈ ａ ｔ ｈｅ ｔ ｍｅ ｔ ｈ ｏ ｄ ｉ ｓ ｆ ｅ ａ ｓ ｉ ｂ ｌ ｅ ｎｄ ａ ｒ ｅ ｌ ｉ ａ ｂ ｌ ｅ ｉ ｎ ｉ ｄ ｅ ｎ ｔ ｉ ｆ ｙ ｉ ｎ ｇ ｔ ｈ ｅ ｎ ａ ｔ ｕ ｒ ｅ ｏ ｆ ｔ ｈ ｅ ｔ ｉ ｓ ｓ ｕ ｅ ， ａ ｎ ｄ ｉ ｔ ｃ ａ ｎ ｐ ｒ ｏ ｖ ｉ ｄ ｅ ａ ｎ ｅ ｆ ｆ ｅ ｃ —
第２ ９ 卷
第２ 期
天 津科技大学学报
Ｊ ｏ ｕ ｒ ｎ ａ ｌ ｏ ｆ Ｔｉ ａ ｎ ｊ ｉ ｎ Ｕｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ｏ ｆ Ｓ ｃ ｉ ｅ ｎ ｃ ｅ＆ Ｔ ｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｙ
、 ， ０ １ ． ２ ９ Ｎｏ ． ２
Ａｐｒ ． ２０１ ４