Q-factor limits for far-field detection of whispering gallery modes in active microspheres
基于平滑非线性能量算子划分的尖峰相关特征癫痫发作自动检测算法
第１４卷㊀第３期Ｖｏｌ．１４Ｎｏ．３㊀㊀智㊀能㊀计㊀算㊀机㊀与㊀应㊀用ＩｎｔｅｌｌｉｇｅｎｔＣｏｍｐｕｔｅｒａｎｄＡｐｐｌｉｃａｔｉｏｎｓ㊀㊀２０２４年３月㊀Ｍａｒ．２０２４㊀㊀㊀㊀㊀㊀文章编号：２０９５－２１６３（２０２４）０３－０１２８－０５中图分类号：ＴＰ１８，ＴＰ３９９文献标志码：Ａ基于平滑非线性能量算子划分的尖峰相关特征癫痫发作自动检测算法何雪兰，吴㊀江，蒋路茸（浙江理工大学信息科学与工程学院，杭州３１００１８）摘㊀要：针对癫痫发作自动检测算法多集中于时域㊁频域等传统特征，无法全面表征癫痫脑电信号的信息等问题，本文结合癫痫脑电图中异常波振幅和频率提高的现象，提出一种基于平滑非线性能量算子划分的尖峰相关特征癫痫发作自动检测算法㊂该算法使用传统的时域㊁频域特征，结合尖峰相关性特征对脑电信号进行刻画，使用有监督的机器学习分类器，测试癫痫发作自动检测的有效性和可靠性㊂本文将提出的方法在开源数据集ＣＨＢＭＩＴ上进行了评估，获得了９６．５２％的准确率㊁９５．６５％的敏感性和９７．０９％的特异性㊂实验结果表明，基于平滑非线性能量算子划分的尖峰相关特征，能够作为癫痫脑电信息的补充，提高癫痫发作检测的性能㊂关键词：癫痫发作检测；机器学习；尖峰相关性；平滑非线性能量算子Ａｕｔｏｍａｔｉｃｓｅｉｚｕｒｅｄｅｔｅｃｔｉｏｎａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎｓｐｉｋｅ－ｒｅｌａｔｅｄｆｅａｔｕｒｅｓｏｆｓｍｏｏｔｈｅｄｎｏｎｌｉｎｅａｒｅｎｅｒｇｙｏｐｅｒａｔｏｒｄｉｖｉｓｉｏｎＨＥＸｕｅｌａｎ，ＷＵＪｉａｎｇ，ＪＩＡＮＧＬｕｒｏｎｇ（ＳｃｈｏｏｌｏｆＩｎｆｏｒｍａｔｉｏｎＳｃｉｅｎｃｅａｎｄＥｎｇｉｎｅｅｒｉｎｇ，ＺｈｅｊｉａｎｇＳｃｉ－ＴｅｃｈＵｎｉｖｅｒｓｉｔｙ，Ｈａｎｇｚｈｏｕ３１００１８，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｍｏｓｔｃｕｒｒｅｎｔｓｅｉｚｕｒｅａｕｔｏｍａｔｉｃｄｅｔｅｃｔｉｏｎａｌｇｏｒｉｔｈｍｓｆｏｃｕｓｏｎｔｒａｄｉｔｉｏｎａｌｆｅａｔｕｒｅｓｓｕｃｈａｓｔｉｍｅｄｏｍａｉｎａｎｄｆｒｅｑｕｅｎｃｙｄｏｍａｉｎ，ｗｈｉｃｈｃａｎｎｏｔｆｕｌｌｙｃｈａｒａｃｔｅｒｉｚｅｔｈｅｉｎｆｏｒｍａｔｉｏｎｏｆｅｐｉｌｅｐｔｉｃＥＥＧｓｉｇｎａｌｓ．Ｔｈｉｓｐａｐｅｒｐｒｏｐｏｓｅｓａｎａｕｔｏｍａｔｉｃｓｅｉｚｕｒｅｄｅｔｅｃｔｉｏｎａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎｓｐｉｋｅｃｏｒｒｅｌａｔｉｏｎｆｅａｔｕｒｅｓｄｉｖｉｄｅｄｂｙａｓｍｏｏｔｈｎｏｎｌｉｎｅａｒｅｎｅｒｇｙｏｐｅｒａｔｏｒ，ｔａｋｉｎｇｉｎｔｏａｃｃｏｕｎｔｔｈｅｐｈｅｎｏｍｅｎｏｎｔｈａｔｔｈｅａｍｐｌｉｔｕｄｅａｎｄｆｒｅｑｕｅｎｃｙｏｆａｂｎｏｒｍａｌｗａｖｅｓｉｎｅｐｉｌｅｐｔｉｃＥＥＧｗｉｌｌｉｎｃｒｅａｓｅ．Ｔｈｅａｌｇｏｒｉｔｈｍｕｓｅｓｔｒａｄｉｔｉｏｎａｌｔｉｍｅ－ｄｏｍａｉｎａｎｄｆｒｅｑｕｅｎｃｙ－ｄｏｍａｉｎｆｅａｔｕｒｅｓ，ｃｏｍｂｉｎｅｄｗｉｔｈｓｐｉｋｅｃｏｒｒｅｌａｔｉｏｎｆｅａｔｕｒｅｓｔｏｃｈａｒａｃｔｅｒｉｚｅｔｈｅＥＥＧｓｉｇｎａｌ，ａｎｄｕｓｅｓｓｕｐｅｒｖｉｓｅｄｍａｃｈｉｎｅｌｅａｒｎｉｎｇｃｌａｓｓｉｆｉｅｒｓｔｏｔｅｓｔｉｔｓｅｆｆｅｃｔｉｖｅｎｅｓｓａｎｄｒｅｌｉａｂｉｌｉｔｙｆｏｒａｕｔｏｍａｔｉｃｓｅｉｚｕｒｅｄｅｔｅｃｔｉｏｎ．ＴｈｅｒｅｓｅａｒｃｈｅｖａｌｕａｔｅｓｔｈｅｐｒｏｐｏｓｅｄｍｅｔｈｏｄｏｎｔｈｅｏｐｅｎｓｏｕｒｃｅｄａｔａｓｅｔＣＨＢＭＩＴａｎｄｏｂｔａｉｎｓ９６．５２％ｏｎａｃｃｕｒａｃｙ，９５．６５％ｏｎｓｅｎｓｉｔｉｖｉｔｙａｎｄ９７．０９％ｏｎｓｐｅｃｉｆｉｃｉｔｙ．Ｔｈｅｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｐｒｏｐｏｓｅｄｓｐｉｋｅ－ｒｅｌａｔｅｄｆｅａｔｕｒｅｓｂａｓｅｄｏｎｔｈｅｓｍｏｏｔｈｅｄｎｏｎｌｉｎｅａｒｅｎｅｒｇｙｏｐｅｒａｔｏｒｓｅｇｍｅｎｔａｔｉｏｎｃａｎｂｅｕｓｅｄａｓａｃｏｍｐｌｅｍｅｎｔｔｏｔｈｅｅｐｉｌｅｐｔｉｃＥＥＧｉｎｆｏｒｍａｔｉｏｎｔｏｉｍｐｒｏｖｅｔｈｅｐｅｒｆｏｒｍａｎｃｅｏｆｓｅｉｚｕｒｅｄｅｔｅｃｔｉｏｎ．Ｋｅｙｗｏｒｄｓ：ｓｅｉｚｕｒｅｄｅｔｅｃｔｉｏｎ；ｍａｃｈｉｎｅｌｅａｒｎｉｎｇ；ｓｐｉｋｅｃｏｒｒｅｌａｔｉｏｎ；ｓｍｏｏｔｈｅｄｎｏｎｌｉｎｅａｒｅｎｅｒｇｙｏｐｅｒａｔｏｒ基金项目：浙江省基础公益项目（ＬＧＦ１９Ｆ０１０００８）；北京邮电大学泛网无线通信教育部重点实验室（ＢＵＰＴ）（ＫＦＫＴ－２０１８１０１）；浙江省重点研发计（２０２２Ｃ０３１３６）；国家自然科学基金（６１６０２４１７）㊂作者简介：何雪兰（１９９９－），女，硕士研究生，主要研究方向：癫痫检测；吴㊀江（１９７８－），男，博士，高级工程师，主要研究方向：无线通信技术，工业物联网㊂通讯作者：蒋路茸（１９８２－），男，博士，教授，主要研究方向：生理电信号处理㊁复杂网络和无线传感器网络㊂Ｅｍａｉｌ：ｊｉａｎｇｌｕｒｏｎｇ＠ｚｓｔｕ．ｅｄｕ．ｃｎ收稿日期：２０２３－０３－１５０㊀引㊀言癫痫是一种神经系统疾病，由大脑神经元异常放电引起［１］，常常表现为突发性㊁反复性和复发性等特点㊂癫痫发作的临床症状复杂多样，如阵发性痉挛㊁意识丧失㊁认知功能障碍等［２］㊂这些发作事件对患者的认知水平及正常生活都产生了明显影响㊂因此，癫痫的诊断和治疗对于预防癫痫发作和改善生活质量至关重要㊂头皮脑电图是一种用于临床记录脑活动的无创信号采集方法［３］，用于记录大脑活动时的电波变化㊂头皮脑电图包含丰富的生理㊁心理和病理信息，是评估癫痫和其他脑部疾病的有效工具［４］㊂在脑电图的记录中，癫痫发作和癫痫样放电（如棘波㊁尖波和棘慢波复合体）是癫痫的重要生物标志物［５］，并被广泛应用于临床评价㊂目前，临床上基于脑电图的识别与分析是医生进行癫痫检测的黄金标准，但对海量的临床脑电数据进行人工筛查，不仅给医生带来沉重的负担，还存在较强的主观性㊁判断标准不统一等问题［６－７］，影响分析的效率和准确性㊂因此，设计一种自动的癫痫发作检测方法是亟待解决的问题㊂为了克服传统诊断方法的局限性㊁提高医疗效率，伴随着机器学习的快速发展，癫痫发作的自动检测已成为行业内关注的重点㊂研究者们根据头皮脑电图的时域㊁频域或非线性特征建立了特征工程方法［８－１０］，并通过具有一个或多个特征的分类器检测癫痫发作㊂Ｍｕｒｓａｌｉｎ等学者［１１］从时域㊁频域和基于熵的特征中选择突出特征，使用随机森林分类器学习选定特征集合的特性，获得了更好的分类结果㊂杨舒涵等学者［１２］使用时域和非线性特征对脑电信号进行表征，结合ＸＧＢｏｏｓｔ分类器，实现了癫痫的自动检测㊂Ｚａｒｅｉ等学者［１３］使用离散小波变换ＤＷＴ和正交匹配追踪（ＯｒｔｈｏｇｏｎａｌＭａｔｃｈｉｎｇＰｕｒｓｕｉｔ，ＯＭＰ）提取ＥＥＧ中不同的系数，计算非线性特征和统计特征，使用ＳＶＭ进行分类，获得了较好的检测性能㊂吴端波等学者［１４］使用ａＥＥＧ尖峰和ｃＥＥＧ棘波提取的方法计算棘波率，使用阈值法对癫痫进行发作检测㊂上述模型虽然都能取得较好的分类结果，但是也存在以下问题：（１）多数研究在特征提取阶段仅从时域㊁频域或时频域中表征脑电信号信息，这些特征所涵盖的信息量并不足以全面描述一段ＥＥＧ信号㊂（２）在癫痫发作的自动检测中，强调周期性的信号转换对于有效㊁可靠地区分癫痫发作的重复特征至关重要，而互相关是时域上广泛用于表示信号周期性的方法㊂针对上述问题，本文提出一种基于平滑非线性能量算子划分的尖峰相关（ＳｐｉｋｅＣｏｒｒｅｌａｔｉｏｎ，ＳＣ）特征的癫痫发作自动检测算法㊂ＳＣ是关于自适应提取的脑电图尖峰信号段之间时间延迟的最大互相关㊂使用平滑非线性能量算子衡量癫痫脑电信号中出现的异常波，将脑电信号在癫痫发作期和非发作期的尖峰相关特征作为度量患者大脑活动的一个重要补充㊂本文提出的算法主要使用巴特沃斯滤波器对脑电信号进行滤波，去除外部伪迹的干扰，然后从传统特征角度出发，提取时域㊁频域特征，再结合提出的尖峰相关特征，进一步表征癫痫发作时的异常信息㊂最后结合有监督的机器学习分类模型，实现癫痫发作的自动检测㊂１㊀方法癫痫发作自动检测整体流程设计如图１所示，其中包含预处理㊁特征提取和分类等３个模块㊂脑电信号通道筛选滤波数据分割归一化预处理特征提取传统特征:时域、频域尖峰相关特征分类癫痫发作/非发作图１㊀癫痫发作自动检测流程图Ｆｉｇ．１㊀Ｆｌｏｗｃｈａｒｔｏｆｓｅｉｚｕｒｅｄｅｔｅｃｔｉｏｎ１．１㊀脑电信号预处理头皮脑电数据通过放置在头皮固定位置的电极采集得到㊂由于外置电极，这种采集方式很容易受到外部干扰，导致采集到的数据被噪声污染㊂此外，由于受试者在采集过程中生理活动产生的内部伪迹（如：眨眼㊁心脏跳动等）［１５］，也会对数据产生干扰，影响分类结果㊂因此，针对内部伪迹，本文首先对采集到的脑电信号进行通道筛选，剔除受眼部运动干扰严重的２个电极ＦＴ１和ＦＴ２；同时，由于左侧耳电磁极易受到心电伪迹的干扰，因此也剔除了靠近耳部的２个电极ＦＴ９和ＦＴ１０㊂所以，在通道筛选阶段，共选择了脑电图中２０个通道信号㊂㊀㊀滤波是一种常见的去除脑电信号外部伪迹的方法，本文采用１ ４８Ｈｚ的带通巴特沃斯滤波器进行滤波，抑制其他频率范围的信号［１６］㊂根据数据集中标注的癫痫发作开始和结束时间，为了保证波形的完整性，设置重叠率为５０％的滑动窗口，将脑电信号分割成４ｓ的数据片段，最后对所有片段进行归一化处理㊂由于通道筛选和滤波后的脑电信号幅值的浮动一般是在可接受范围内，最大最小标准化能够较大程度地还原真实ＥＥＧ信号波形㊂因此，本文采用最大最小标准化对原始ＥＥＧ信号进行归一化操作，推得的公式为：Ｘｍｉｎ－ｍａｘ＝Ｘ－Ｘ－ｍａｘＸ()－ｍｉｎＸ()（１）１．２㊀特征提取原始脑电信号数据量庞大，且不具有代表性，而特征提取方法可以提炼出能够表征癫痫发作特征的数据，用于模型的建立㊂因此，本文主要使用传统时域㊁频域特征和基于平滑非线性能量算子的尖峰相关性特征，对脑电数据进行特征提取㊂１．２．１㊀传统特征提取研究主要从时域和频域两个角度对脑电信号进行传统特征提取㊂本文主要提取时域上每个通道的最大值㊁最小值㊁平均值㊁峰度（Ｋｕｒｔｏｓｉｓ）㊁偏斜度９２１第３期何雪兰，等：基于平滑非线性能量算子划分的尖峰相关特征癫痫发作自动检测算法（Ｓｋｎｅｗｎｅｓｓ）和线长（ＬｉｎｅＬｅｎｇｔｈ）；频域上主要提取每个信号频域分量的振幅㊂其中，峰度㊁偏斜度和线长的数学定义分别见式（２） （４）：Ｋｕｒｔｏｓｉｓ＝Ｅ［（ｘ－ｍｅａｎ（ｘ））４］｛Ｅ［（ｘ－ｍｅａｎ（ｘ））２］｝２（２）Ｓｋｎｅｗｎｅｓｓ＝Ｅ［（ｘ－ｍｅａｎ（ｘ）ｓｔｄ（ｘ））３］（３）ＬｉｎｅＬｅｎｇｔｈ＝１ｎðｎｉ＝１ａｂｓｘｉ＋１－ｘｉ()（４）㊀㊀其中，ｘ表示脑电信号片段；Ｅ表示对括号中数值求期望；ｘｉ表示采样点ｉ的值；ｎ表示片段ｘ中采样点数㊂１．２．２㊀尖峰相关特征提取根据癫痫发作时脑电信号异常波的振幅和频率发生改变的特异性现象，本文提出将尖峰相关特征作为表征癫痫发作时异常特征的补充㊂非线性能量算子（ＮＬＥＯ）是一种对信号进行能量度量的方法［１７］，能够跟踪信号的瞬时能量㊂对于离散信号ｘｎ，其非线性能量算子表达如式（５）所示：φ［ｘ（ｎ）］＝ｘ（ｎ－ｌ）ｘ（ｎ－ｐ）－ｘ（ｎ－ｑ）ｘ（ｎ－ｓ）（５）㊀㊀通常，当癫痫脑电信号中出现异常放电时，脑电波的振幅和频率会有所提高，可以更好地突出异常波在平稳状态下的放电波形，但非线性能量对脑电信号中可能存在的噪音信号也具有很高的敏感度㊂为了进一步提高ＮＬＥＯ对非平稳信号的表征能力和抗干扰能力，文献［１８］提出了一种ＮＬＥＯ的改进方法，即平滑非线性能量算子（ＳＮＬＥＯ），将计算所得的能量与一个窗函数进行卷积运算，在一定程度上减小低波幅噪音信号对输出结果的影响㊂ＳＮＬＥＯ计算见式（６）：φ［ｘ（ｎ）］＝ｗ（ｎ）∗φ［ｘ（ｎ）］（６）㊀㊀其中，ｗ是一个矩形的窗函数， ∗ 表示卷积操作㊂在非线性能量算子的计算中，本文使用的参数值为ｌ＝１，ｐ＝２，ｑ＝０和ｓ＝３，并采用７个点的窗函数进行卷积计算㊂获得ＳＮＬＥＯ后，需要设定一个合适的阈值，尽可能多地筛选出可能是尖峰的样本，同时最小化漏检率㊂本文使用自适应阈值，对ＳＮＬＥＯ进行尖峰筛选识别㊂本文采用影响检测尖峰数量没有大范围变化的阈值作为最优阈值㊂最优阈值的搜索范围为ＳＮＬＥＯ的１０％ ９０％［１９］，相邻２个峰值的中间被确定为一个尖峰的起始点或结束点㊂由于数据在划分过程中导致波形的不连续问题，本文将检测到的第一个和最后一个尖峰丢弃，以确保每个片段具有完整的尖峰形态㊂如果检测出尖峰，则将每个划分好的尖峰与后续５个尖峰片段相关联㊂本文使用尖峰相关性（ＳｐｉｋｅＣｏｒｒｅｌａｔｉｏｎ，ＳＣ）来定义该矩阵，并将ＳＣ的平均值和标准差作为癫痫发作检测的特征㊂ＳＣ计算见式（７ ８）：ＳＣｉ，ｊ＝ｍａｘｍＲｘｉｘｊ（ｍ）（７）Ｒｘｉｘｊ（ｍ；ｉ，ｊ）＝Ｅ［ｘｉ（ｎ）ｘｊ（ｎ＋ｍ）］σｘｉσｘｊ（８）㊀㊀其中，ｘｉ㊁ｘｊ是脑电ＥＥＧ信号的片段，这里ｉ＝［２， ，Ｓ－６］，ｊ＝［ｉ＋１， ，ｉ＋５］；Ｓ表示在一个片段中检测到的峰值数；σ表示脑电图片段的标准差㊂估计ＳＣ特征的处理过程如图２所示㊂将一个片段的第一个和最后一个丢弃，而后根据得到的尖峰计算其与后面５个尖峰的相关性㊂根据图２（ａ）中样例计算出的尖峰相关矩阵如图３所示㊂10050-501234时间/s(a)癫痫发作片段样例EEG/μV400200SNLEO/μV23224168尖峰数/个1234时间/s(b)片段(a)对应的S N L E Ot h(c)基于（b)确定的自适应阈值t h阈值104.87710050-50EEG/μV1234时间/s(d)划分好的尖峰片段(“*”表示丢弃的片段)12345678910t h图２㊀使用自适应阈值的ＳＮＬＥＯ计算尖峰相关性示意图Ｆｉｇ．２㊀ＳｃｈｅｍａｔｉｃｄｉａｇｒａｍｏｆＳＮＬＥＯｃａｌｃｕｌａｔｉｏｎｏｆｓｐｉｋｅｃｏｒｒｅｌａｔｉｏｎｓｕｓｉｎｇａｄａｐｔｉｖｅｔｈｒｅｓｈｏｌｄ1234567892345678910图３㊀尖峰片段得到的最大相关矩阵Ｆｉｇ．３㊀Ｍａｘｉｍｕｍｃｏｒｒｅｌａｔｉｏｎｍａｔｒｉｘｏｂｔａｉｎｅｄｆｒｏｍｓｐｉｋｅｆｒａｇｍｅｎｔｓ０３１智㊀能㊀计㊀算㊀机㊀与㊀应㊀用㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第１４卷㊀㊀㊀此外，计算了ＳＮＬＥＯ的平均值㊁标准差和平均最大ＳＮＬＥＯ值ｓｐｉｋｉｎｅｓｓ㊂其中，ｓｐｉｋｉｎｅｓｓ被定义为ＳＮＬＥＯ中峰值的最大值除以ＳＮＬＥＯ的平均值［２０］，以及检测到的峰值数量（ｓｎｕｍ）㊁平均持续时间（ｓｗｉｄｔｈ）和平均峰值间间隔（ｓｇａｐ）㊂基于ＳＮＬＥＯ划分的尖峰相关特征的具体描述见表１㊂表１㊀尖峰相关特征的描述Ｔａｂｌｅ１㊀Ｄｅｓｃｒｉｐｔｉｏｎｏｆｓｐｉｋｅ－ｒｅｌａｔｅｄｃｈａｒａｃｔｅｒｉｓｔｉｃｓ特征描述ｍｅａｎ（ＳＣ）尖峰相关性矩阵的平均值ｓｔｄ（ＳＣ）尖峰相关性矩阵的标准差ｍｅａｎ（ＳＮＬＥＯ）ＳＮＬＥＯ的平均值ｓｔｄ（ＳＮＬＥＯ）ＳＮＬＥＯ的标准差ｓｐｉｋｉｎｅｓｓ平均最大ＳＮＬＥＯ值ｓｎｕｍ峰值数量ｓｗｉｄｔｈ平均持续时间ｓｇａｐ平均峰值间间距１．３㊀分类模型使用传统机器学习分类器ＲＦ和ＳＶＭ来评估本文提出的方法，这些分类器经常被用于癫痫发作的自动检测㊂２㊀实验２．１㊀数据集本研究采用公开的头皮脑电数据集ＣＨＢ－ＭＩＴ㊂该数据集共记录了美国波士顿儿童医院的２３名癫痫患者的头皮脑电数据，每个患者的数据都是由多个．ｅｄｆ文件组成，采样频率２５６Ｈｚ，共含有１５７次癫痫发作㊂大多数文件包含有２３个ＥＥＧ通道信号，并采用国际标准１０－２０系统使用的ＥＥＧ电极位置命名这些通道记录㊂由于癫痫发作时间远小于发作间期的时间，为了保证数据集正负样本的均衡性，本文采用欠采样的方式在发作间期随机采样和癫痫发作样本数量相当的负样本㊂２．２㊀评价指标为了验证本文方法的有效性，采用准确率（Ａｃｃ）㊁敏感性（Ｓｅｎ）㊁特异性（Ｓｐｅ）㊁Ｆ１值和ＡＵＣ等指标进行实验评估㊂计算方法见式（９） 式（１１）：Ａｃｃ＝ＴＰ＋ＴＮＴＰ＋ＴＮ＋ＦＰ＋ＦＮ（９）Ｓｅｎ＝ＴＰＴＰ＋ＦＮ（１０）Ｓｐｅ＝ＴＮＴＮ＋ＦＰ（１１）㊀㊀其中，ＴＰ㊁ＦＰ㊁ＦＮ和ＴＮ分别为真阳性㊁假阳性㊁假阴性和真阴性㊂本文产生的所有实验结果都是在配置为Ｉｎｔｅｌ（Ｒ）Ｃｏｒｅ（ＴＭ）ｉ７－９７００ＣＰＵ＠３．００ＧＨｚ，１６ＧＢＲＡＭ的计算机上实现的㊂实验模型使用Ｐｙｔｈｏｎ３．７和Ｓｃｉｋｉｔ－ｌｅａｒｎ构建㊂２．３㊀结果分析本文先对提取的传统时域㊁频域特征分别使用ＲＦ和ＳＶＭ分类模型进行测试，所得实验结果见表２㊂由表２可知，ＳＶＭ分类模型表现最佳㊂表２㊀基于传统特征的实验结果Ｔａｂｌｅ２㊀Ｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｂａｓｅｄｏｎｔｒａｄｉｔｉｏｎａｌｃｈａｒａｃｔｅｒｉｓｔｉｃｓ特征分类器ＡｃｃＳｅｎＳｐｅ传统特征ＲＦ０．８６２１０．７５３３０．９３３９ＳＶＭ０．９５９００．９３８５０．９７３６㊀㊀在确定分类模型ＳＶＭ的基础上，将传统特征和尖峰相关特征结合，探讨尖峰相关特征对癫痫脑电信号的表征能力㊂添加前后对比结果见表３㊂表３㊀尖峰相关特征对比的分类结果Ｔａｂｌｅ３㊀Ｃｌａｓｓｉｆｉｃａｔｉｏｎｒｅｓｕｌｔｓｏｆｓｐｉｋｅ－ｒｅｌａｔｅｄｆｅａｔｕｒｅｃｏｍｐａｒｉｓｏｎ分类器特征ＡｃｃＳｅｎＳｐｅＳＶＭ传统特征０．９５９００．９３８５０．９７３６传统特征＋尖峰相关特征０．９６５２０．９５６５０．９７０９㊀㊀由表３可知，尖峰相关特征能够对癫痫脑电信号信息进行表征㊂加入尖峰相关特征后，检测结果在Ａｃｃ上提升了０．６２％，在Ｓｅｎ上提升了１．８％，在Ｓｐｅ上有所降低㊂在实际的临床应用中，正确识别发作样本比正确识别非发作样本更重要，因此Ｓｅｎ指标更能准确衡量方法的优劣㊂本文提出的方法虽然在Ｓｐｅ上略有降低，但Ｓｅｎ指标上有一定程度的提升㊂３㊀结束语本文提出了一种基于平滑非线性能量算子划分的尖峰相关特征的癫痫发作自动检测算法㊂该算法使用传统的时域㊁频域特征，结合尖峰相关性特征对脑电信号进行刻画，使用ＲＦ和ＳＶＭ分类器来测试癫痫发作自动检测的有效性和可靠性㊂将所提方法在开源数据集ＣＨＢ－ＭＩＴ上进行了评估，ＳＶＭ分类器获得了更好的结果，其准确率㊁敏感性和特异性分别为９６．５２％，９５．６５％和９７．０９％㊂此外，研究开展的特征消融实验结果表明，提出的基于平滑非线性能１３１第３期何雪兰，等：基于平滑非线性能量算子划分的尖峰相关特征癫痫发作自动检测算法量算子划分的尖峰相关特征，能够作为癫痫脑电信息的补充，进一步提高癫痫发作检测的性能㊂参考文献［１］ＰＡＴＥＬＤＣ，ＴＥＷＡＲＩＢＰ，ＣＨＡＵＮＳＡＬＩＬ，ｅｔａｌ．Ｎｅｕｒｏｎ–ｇｌｉａｉｎｔｅｒａｃｔｉｏｎｓｉｎｔｈｅｐａｔｈｏｐｈｙｓｉｏｌｏｇｙｏｆｅｐｉｌｅｐｓｙ［Ｊ］．ＮａｔｕｒｅＲｅｖｉｅｗｓＮｅｕｒｏｓｃｉｅｎｃｅ，２０１９，２０（５）：２８２－２９７．［２］ＳＰＥＣＣＨＩＯＮ，ＷＩＲＲＥＬＬＥＣ，ＳＣＨＥＦＦＥＲＩＥ，ｅｔａｌ．ＩｎｔｅｒｎａｔｉｏｎａｌＬｅａｇｕｅＡｇａｉｎｓｔＥｐｉｌｅｐｓｙｃｌａｓｓｉｆｉｃａｔｉｏｎａｎｄｄｅｆｉｎｉｔｉｏｎｏｆｅｐｉｌｅｐｓｙｓｙｎｄｒｏｍｅｓｗｉｔｈｏｎｓｅｔｉｎｃｈｉｌｄｈｏｏｄ：ＰｏｓｉｔｉｏｎｐａｐｅｒｂｙｔｈｅＩＬＡＥＴａｓｋＦｏｒｃｅｏｎＮｏｓｏｌｏｇｙａｎｄＤｅｆｉｎｉｔｉｏｎｓ［Ｊ］．Ｅｐｉｌｅｐｓｉａ，２０２２，６３（６）：１３９８－１４４２．［３］ＳＣＨＡＤＡ，ＳＣＨＩＮＤＬＥＲＫ，ＳＣＨＥＬＴＥＲＢ，ｅｔａｌ．Ａｐｐｌｉｃａｔｉｏｎｏｆａｍｕｌｔｉｖａｒｉａｔｅｓｅｉｚｕｒｅｄｅｔｅｃｔｉｏｎａｎｄｐｒｅｄｉｃｔｉｏｎｍｅｔｈｏｄｔｏｎｏｎ－ｉｎｖａｓｉｖｅａｎｄｉｎｔｒａｃｒａｎｉａｌｌｏｎｇ－ｔｅｒｍＥＥＧｒｅｃｏｒｄｉｎｇｓ［Ｊ］．ＣｌｉｎｉｃａｌＮｅｕｒｏｐｈｙｓｉｏｌｏｇｙ，２００８，１１９（１）：１９７－２１１．［４］ＢＥＮＢＡＤＩＳＳＲ，ＢＥＮＩＣＺＫＹＳ，ＢＥＲＴＲＡＭＥ，ｅｔａｌ．ＴｈｅｒｏｌｅｏｆＥＥＧｉｎｐａｔｉｅｎｔｓｗｉｔｈｓｕｓｐｅｃｔｅｄｅｐｉｌｅｐｓｙ［Ｊ］．ＥｐｉｌｅｐｔｉｃＤｉｓｏｒｄｅｒｓ，２０２０，２２（２）：１４３－１５５．［５］王学峰．癫癎的脑电图：传统观点㊁新认识和新领域［Ｊ］．中华神经科杂志，２００４，３７（３）：７－９．［６］刘晓燕，黄珍妮，秦炯．不同类型小儿癫痫持续状态的临床及脑电图分析［Ｊ］．中华神经科杂志，２０００，３３（２）：７３－７３．［７］ＭＡＴＵＲＡＮＡＭＩ，ＭＥＩＳＥＬＣ，ＤＥＬＬＫ，ｅｔａｌ．Ｃｒｉｔｉｃａｌｓｌｏｗｉｎｇｄｏｗｎａｓａｂｉｏｍａｒｋｅｒｆｏｒｓｅｉｚｕｒｅｓｕｓｃｅｐｔｉｂｉｌｉｔｙ［Ｊ］．ＮａｔｕｒｅＣｏｍｍｕｎｉｃａｔｉｏｎｓ，２０２０，１１（１）：２１７２．［８］彭睿旻，江军，匡光涛，等．基于ＥＥＧ的癫痫自动检测：综述与展望［Ｊ］．自动化学报，２０２２，４８（２）：３３５－３５０．［９］ＨＯＳＳＥＩＮＩＭＰ，ＨＯＳＳＥＩＮＩＡ，ＡＨＩＫ．ＡｒｅｖｉｅｗｏｎｍａｃｈｉｎｅｌｅａｒｎｉｎｇｆｏｒＥＥＧｓｉｇｎａｌｐｒｏｃｅｓｓｉｎｇｉｎｂｉｏｅｎｇｉｎｅｅｒｉｎｇ［Ｊ］．ＩＥＥＥＲｅｖｉｅｗｓｉｎＢｉｏｍｅｄｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ，２０２０，１４：２０４－２１８．［１０］ＡＣＨＡＲＹＡＵＲ，ＨＡＧＩＷＡＲＡＹ，ＤＥＳＨＰＡＮＤＥＳＮ，ｅｔａｌ．ＣｈａｒａｃｔｅｒｉｚａｔｉｏｎｏｆｆｏｃａｌＥＥＧｓｉｇｎａｌｓ：Ａｒｅｖｉｅｗ［Ｊ］．ＦｕｔｕｒｅＧｅｎｅｒａｔｉｏｎＣｏｍｐｕｔｅｒＳｙｓｔｅｍｓ，２０１９，９１：２９０－２９９．［１１］ＭＵＲＳＡＬＩＮＭ，ＺＨＡＮＧＹ，ＣＨＥＮＹ，ｅｔａｌ．Ａｕｔｏｍａｔｅｄｅｐｉｌｅｐｔｉｃｓｅｉｚｕｒｅｄｅｔｅｃｔｉｏｎｕｓｉｎｇｉｍｐｒｏｖｅｄｃｏｒｒｅｌａｔｉｏｎ－ｂａｓｅｄｆｅａｔｕｒｅｓｅｌｅｃｔｉｏｎｗｉｔｈｒａｎｄｏｍｆｏｒｅｓｔｃｌａｓｓｉｆｉｅｒ［Ｊ］．Ｎｅｕｒｏｃｏｍｐｕｔｉｎｇ，２０１７，２４１：２０４－２１４．［１２］杨舒涵，李博，周丰丰．基于机器学习的跨患者癫痫自动检测算法［Ｊ］．吉林大学学报（理学版），２０２１，５９（１）：１０１－１０６．［１３］ＺＡＲＥＩＡ，ＡＳＬＢＭ．Ａｕｔｏｍａｔｉｃｓｅｉｚｕｒｅｄｅｔｅｃｔｉｏｎｕｓｉｎｇｏｒｔｈｏｇｏｎａｌｍａｔｃｈｉｎｇｐｕｒｓｕｉｔ，ｄｉｓｃｒｅｔｅｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍ，ａｎｄｅｎｔｒｏｐｙｂａｓｅｄｆｅａｔｕｒｅｓｏｆＥＥＧｓｉｇｎａｌｓ［Ｊ］．ＣｏｍｐｕｔｅｒｓｉｎＢｉｏｌｏｇｙａｎｄＭｅｄｉｃｉｎｅ，２０２１，１３１：１０４２５０．［１４］吴端坡，王紫萌，董芳，等．基于ａＥＥＧ尖峰和ｃＥＥＧ棘波提取的癫痫发作检测算法［Ｊ］．实验技术与管理，２０２０，３７（１２）：５７－６２．［１５］骆睿鹏，冯铭科，黄鑫，等．脑电信号预处理方法研究综述［Ｊ］．电子科技，２０２３，３６（４）：３６－４３．［１６］ＯＣＢＡＧＡＢＩＲＨＴ，ＡＢＯＡＬＡＹＯＮＫＡＩ，ＦＡＥＺＩＰＯＵＲＭ．ＥｆｆｉｃｉｅｎｔＥＥＧａｎａｌｙｓｉｓｆｏｒｓｅｉｚｕｒｅｍｏｎｉｔｏｒｉｎｇｉｎｅｐｉｌｅｐｔｉｃｐａｔｉｅｎｔｓ［Ｃ］／／２０１３ＩＥＥＥＬｏｎｇＩｓｌａｎｄＳｙｓｔｅｍｓ，ＡｐｐｌｉｃａｔｉｏｎｓａｎｄＴｅｃｈｎｏｌｏｇｙＣｏｎｆｅｒｅｎｃｅ（ＬＩＳＡＴ）．Ｆａｒｍｉｎｇｄａｔｅ，ＵＳＡ：ＩＥＥＥ，２０１３：１－６．［１７］ＢＯＯＮＹＡＫＩＴＡＮＯＮＴＰ，ＬＥＫ－ＵＴＨＡＩＡ，ＣＨＯＭＴＨＯＫ，ｅｔａｌ．ＡｒｅｖｉｅｗｏｆｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎａｎｄｐｅｒｆｏｒｍａｎｃｅｅｖａｌｕａｔｉｏｎｉｎｅｐｉｌｅｐｔｉｃｓｅｉｚｕｒｅｄｅｔｅｃｔｉｏｎｕｓｉｎｇＥＥＧ［Ｊ］．ＢｉｏｍｅｄｉｃａｌＳｉｇｎａｌＰｒｏｃｅｓｓｉｎｇａｎｄＣｏｎｔｒｏｌ，２０２０，５７：１０１７０２．［１８］ＭＵＫＨＯＰＡＤＨＹＡＹＳ，ＲＡＹＧＣ．Ａｎｅｗｉｎｔｅｒｐｒｅｔａｔｉｏｎｏｆｎｏｎｌｉｎｅａｒｅｎｅｒｇｙｏｐｅｒａｔｏｒａｎｄｉｔｓｅｆｆｉｃａｃｙｉｎｓｐｉｋｅｄｅｔｅｃｔｉｏｎ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＢｉｏｍｅｄｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ，１９９８，４５（２）：１８０－１８７．［１９］ＴＡＰＡＮＩＫＴ，ＶＡＮＨＡＴＡＬＯＳ，ＳＴＥＶＥＮＳＯＮＮＪ．ＩｎｃｏｒｐｏｒａｔｉｎｇｓｐｉｋｅｃｏｒｒｅｌａｔｉｏｎｓｉｎｔｏａｎＳＶＭ－ｂａｓｅｄｎｅｏｎａｔａｌｓｅｉｚｕｒｅｄｅｔｅｃｔｏｒ［Ｃ］／／ＥＭＢＥＣ＆ＮＢＣ２０１７：ＪｏｉｎｔＣｏｎｆｅｒｅｎｃｅｏｆｔｈｅＥｕｒｏｐｅａｎＭｅｄｉｃａｌａｎｄＢｉｏｌｏｇｉｃａｌＥｎｇｉｎｅｅｒｉｎｇＣｏｎｆｅｒｅｎｃｅ（ＥＭＢＥＣ）ａｎｄｔｈｅＮｏｒｄｉｃ－ＢａｌｔｉｃＣｏｎｆｅｒｅｎｃｅｏｎＢｉｏｍｅｄｉｃａｌＥｎｇｉｎｅｅｒｉｎｇａｎｄＭｅｄｉｃａｌＰｈｙｓｉｃｓ（ＮＢＣ）．Ｓｉｎｇａｐｏｒｅ：Ｓｐｒｉｎｇｅｒ，２０１８：３２２－３２５．［２０］ＴＡＰＡＮＩＫＴ，ＶＡＮＨＡＴＡＬＯＳ，ＳＴＥＶＥＮＳＯＮＮＪ．Ｔｉｍｅ－ｖａｒｙｉｎｇＥＥＧｃｏｒｒｅｌａｔｉｏｎｓｉｍｐｒｏｖｅａｕｔｏｍａｔｅｄｎｅｏｎａｔａｌｓｅｉｚｕｒｅｄｅｔｅｃｔｉｏｎ［Ｊ］．ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌｏｆＮｅｕｒａｌＳｙｓｔｅｍｓ，２０１９，２９（４）：１８５００３０．２３１智㊀能㊀计㊀算㊀机㊀与㊀应㊀用㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第１４卷㊀。
氢化物_原子荧光法测定水中痕量砷_硒_汞_张文芸
Se
y= 0. 0454x - 0. 50
0. 999 5
Hg
y = 0. 00375x - 0. 67
0. 999 3
2. 5. 1 精密度实验
按照实验方法 ,分别测定选定浓度试样 12次进
行统计 ,计算其相对标准偏差 ,结果见表 3。
表 3 精密度实验
被测元素
As Se Hg
含量 /μg· L- 1 4. 00 6. 00 0. 60
本文在测 As、 Se 时 ,采用 K BH4 作为 还原剂 , 在酸性介质中生成 As H3 和 H2 Se,用 A r气将气态 氢化物送入氩氢火焰中进行原子荧光分析 ; 而 Hg 为冷蒸气原子荧光法 , SnCl2 还原处理后的痕量汞 , 在还原时直接用 Ar气将汞蒸气导入石英炉原子化 器炉口处 ,于原子荧光光路进行分析。 采用此方法 后 ,砷、硒、汞的检出限分别由 10μg / L、 5μg / L、 0. 2 μg / L降至 0. 40μg / L、 0. 50μg / L、 0. 04μg / L。
表 1 仪器工作条 件
被测元素
As Se Hg
被测元素
As Se Hg
负高压 /V
主电流 /m A
辅助电流 /m A
26 0
40
20
32 0
10 0
-
24 0
40
-
还原剂 浓度
加液时间 Leabharlann s0. 7% K BH45
0. 7% K BH4
5
10% SnCl2
5
炉温 /℃
2 00 2 00 室温
积分时间 /s
第 22卷第 1期 2002年 2月
山 西 化 工 SHAN X I CHEM ICA L IN D U ST RY
应用地球化学元素丰度数据手册-原版
应用地球化学元素丰度数据手册迟清华鄢明才编著地质出版社·北京·1内容提要本书汇编了国内外不同研究者提出的火成岩、沉积岩、变质岩、土壤、水系沉积物、泛滥平原沉积物、浅海沉积物和大陆地壳的化学组成与元素丰度，同时列出了勘查地球化学和环境地球化学研究中常用的中国主要地球化学标准物质的标准值，所提供内容均为地球化学工作者所必须了解的各种重要地质介质的地球化学基础数据。
本书供从事地球化学、岩石学、勘查地球化学、生态环境与农业地球化学、地质样品分析测试、矿产勘查、基础地质等领域的研究者阅读，也可供地球科学其它领域的研究者使用。
图书在版编目（CIP）数据应用地球化学元素丰度数据手册/迟清华，鄢明才编著. －北京：地质出版社，2007.12ISBN 978－7－116－05536－0Ⅰ. 应… Ⅱ. ①迟…②鄢…Ⅲ. 地球化学丰度－化学元素－数据－手册Ⅳ. P595－62中国版本图书馆CIP数据核字（2007）第185917号责任编辑：王永奉陈军中责任校对：李玫出版发行：地质出版社社址邮编：北京市海淀区学院路31号，100083电话：（010）82324508（邮购部）网址：电子邮箱：zbs@传真：（010）82310759印刷：北京地大彩印厂开本：889mm×1194mm 1/16印张：10.25字数：260千字印数：1－3000册版次：2007年12月北京第1版•第1次印刷定价：28.00元书号：ISBN 978－7－116－05536－0（如对本书有建议或意见，敬请致电本社；如本社有印装问题，本社负责调换）2关于应用地球化学元素丰度数据手册（代序）地球化学元素丰度数据，即地壳五个圈内多种元素在各种介质、各种尺度内含量的统计数据。
它是应用地球化学研究解决资源与环境问题上重要的资料。
将这些数据资料汇编在一起将使研究人员节省不少查找文献的劳动与时间。
这本小册子就是按照这样的想法编汇的。
limit of detection的正确用法
limit of detection的正确用法Limit of detection（检出限）是环境科学、生物化学、物理学等多个领域中重要的概念，尤其在分析化学和生物学研究中，它被广泛应用。
本文将详细介绍Limit of Detection的正确用法，帮助读者更好地理解和应用这一概念。
一、定义与理解Limit of Detection是指能够可靠检测并区分某一特定信号的最小样本量或数值。
在实际应用中，检出限用于评估实验方法的灵敏度，即能区分出最小变化的指标。
其数值大小直接反映了实验方法或检测手段的精度和可靠性。
二、正确使用方法1. 确定实验目的：在使用检出限前，首先应明确实验目的，即需要检测什么物质，以及需要达到何种精确度。
2. 选择合适的检测方法：根据实验目的，选择合适的检测方法，如光谱分析、色谱分析、质谱分析等。
不同的检测方法有不同的检出限。
3. 样品准备：根据检测方法的要求，制备或提取待测样品。
注意样品的均匀性、稳定性和代表性。
4. 仪器与试剂配置：根据检测方法，配置必要的仪器和试剂。
确保仪器功能正常，试剂配制准确无误。
5. 实验操作：按照检测方法进行实验操作，包括样品注入、反应、检测等步骤。
确保操作规范、准确。
6. 数据处理与分析：根据实验数据，计算检出限。
通常采用统计方法，如信号噪声比（S/N）或信号标准偏差（SD）等方法来评估检出限。
7. 验证与确认：在实验过程中，定期对检出限进行验证和确认，确保其准确性和可靠性。
三、注意事项1. 检出限并非唯一的评价指标：除了检出限外，实验过程中还应关注其他重要指标，如定量下限（LOQ）、准确度、精密度等。
2. 实验条件的影响：实验条件（如温度、湿度、压力、时间等）对检出限有一定影响，因此在实验过程中应保持一致的条件。
3. 重复性和稳定性：重复性和稳定性是评估实验结果的重要指标，应在实验过程中关注并记录数据。
4. 误差来源：在计算检出限时，应考虑各种误差来源，如仪器误差、试剂误差、操作误差等，以确保结果的准确性。
detection limit探测极限
detection limit探测极限"Detection Limit: Unmasking the Boundaries of Scientific Exploration"Introduction:In the vast realm of scientific investigation, one often encounters the term "detection limit." This intriguing concept refers to the lowest level of concentration, measurement, or phenomenon that can be reliably identified by an instrument or method. Detection limits play a crucial role in a variety of scientific disciplines, including chemistry, biology, environmental sciences, and physics. In this article, we will delve into the underlying principles of detection limits and explore the step-by-step process of their determination.1. Defining the Detection Limit:The detection limit, also known as the limit of detection (LOD), is the smallest quantity of the analyte or phenomenon that can be distinguished from the background noise or non-specific signal. It marks the threshold below which reliable measurements become challenging. Detection limits are often reported with a specified confidence level, ensuring scientifically rigorous outcomes.2. Significance of Detection Limits:Accurate determination of detection limits is paramount in various scientific applications. From environmental monitoring to pharmaceutical research, detection limits allow scientists to differentiate between trace amounts of substances, quantitatively analyze analytes, and set boundaries for safety regulations. These limits aid in tracking pollution levels, identifying disease markers, ensuring product quality, and much more.3. Factors Affecting Detection Limits:Several key factors directly impact the determination and improvement of detection limits. These factors include instrument specifications, background noise levels, analyte concentration, sample matrix, detection technique, and data analysis methods. Understanding these factors and their interactions is vital for optimizing detection limits.4. Methodology for Determining Detection Limits:The process of determining detection limits involves a systematic approach to quantify the lowest detectable concentration or value. Here is a step-by-step exploration of this methodology:a. Selecting the Analyte and Background Matrix:The first step is to identify the analyte of interest and the medium in which it is present. Different analytes and matrices impose varying challenges and may require specific approaches for successful detection.b. Instrument Calibration:Calibrating the instrument or method to be used is essential before determining the detection limit. This includes obtaining a range of known standards with concentrations both above and below the expected detection limit. By analyzing these calibration standards, a calibration curve can be constructed.c. Determining the Signal-to-Noise Ratio:The signal-to-noise ratio (S/N) is calculated by comparing the measured signal from the analyte to the background noise level. A higher S/N ratio indicates a more favorable signal strength relative to noise, hence lowering the detection limit.d. Performing Replicate Measurements:To ensure robustness and reliability, multiple replicatemeasurements at different analyte concentrations or values should be performed. This allows for statistical analysis, enhancing the accuracy of the detection limit determination.e. Statistical Analysis:Using statistical tools, such as regression analysis or hypothesis testing, the obtained measurements and their uncertainties are analyzed. These statistical calculations aid in establishing rigorous detection limits with appropriate confidence levels.5. Improving Detection Limits:Once the detection limit is determined, researchers strive to lower it to enhance the efficiency and sensitivity of their methods. Strategies for improving detection limits include optimizing sample preparation techniques, reducing background noise, enhancing signal amplification, employing advanced instruments, and utilizing cutting-edge data analysis techniques.Conclusion:Detection limits are essential boundaries that enable scientists to explore the minute details of their subjects of interest. Byunderstanding the underlying principles and employing astep-by-step methodology for their determination, researchers continue to unravel the mysteries of the natural world and contribute to scientific progress. The pursuit of lower detection limits challenges scientists to refine their techniques, pushing the boundaries of scientific exploration further with each breakthrough.。
限制参数空间上的fiducial推断
限制参数空间上的fiducial推断在统计学中，fiducial推断是通过建立参数空间的概率分布来估计参数的一种方法。
然而，在实际应用中，我们经常需要限制参数空间，以使得推断结果更加准确和可靠。
本文将介绍如何在限制参数空间上进行fiducial推断，并且将通过实例展示其实用性。
首先，我们先来理解一下参数空间。
在统计学中，参数空间是指某个模型中所有可能参数组成的集合；而fiducial推断是基于对参数空间的全面掌握来进行的。
当参数空间无限制时，我们可以使用标准的fiducial推断方法来估计模型中的参数。
但是，在实际应用中，我们往往会面临一些实际限制，例如参数的取值范围或参数之间的关系等。
为了在这种情况下进行推断，我们需要应用一些特殊的技巧来限制参数空间。
一种常见的限制参数空间的方法是使用先验分布。
先验分布是在进行推断之前引入的分布，它可以帮助我们缩小参数空间，以便更准确地估计模型中的参数。
例如，在某些问题中，我们可能已经知道参数的取值范围，因此我们可以使用均匀分布作为先验分布，将参数限制在该范围内。
在其他情况下，我们可能希望将参数限制在某个区域内，以便更好地探索其可能的取值。
在这种情况下，我们可以使用高斯混合模型等更复杂的先验分布。
另一种限制参数空间的方法是使用约束条件。
约束条件是一组限制参数值的等式和不等式，它可以帮助我们更精细地控制参数值的取值范围。
例如，在某些问题中，我们可能需要限制参数之间的关系，以确保它们满足某些物理约束。
在其他情况下，我们可能需要限制参数之间的比例关系，以便更好地控制它们的相关性。
在这种情况下，我们可以使用线性交叉约束等更复杂的约束条件。
最后，我们来看一个实际的例子来说明如何在限制参数空间上进行fiducial推断。
考虑一个简单的线性回归模型：$y = mx + b + \epsilon$其中，$m$和$b$是模型中的参数，$\epsilon$是噪声项。
我们假设我们已经知道$\epsilon$的方差为$0.1$，并且我们希望限制$m$和$b$的取值范围在$[0,1]$内。
快速溶剂萃取_气相色谱_质谱_质谱法测定动物组织中沙蚕毒素类农药
快速溶剂萃取 气相色谱 质谱/ 质谱法 测定动物组织中沙蚕毒素类农药
应剑波1 , 徐洁蕾2
( 1. 杭州市公安局物证鉴定所, 杭州 310004; 2. 杭州师范大学, 杭州 310036)
摘 要: 提出了动物组织中沙蚕毒素类农药残留的快速分析方法。用快速溶剂萃取仪以环己
烷、丙酮及二氯甲烷( 1 1 1 体积混合) 的混合溶剂, 将血液、肝等动物组织样品中沙蚕毒素类农
! 540 !
应剑波等: 快速溶剂萃取 气相色谱 质谱/ 质谱法测定动物组织中沙蚕毒素类农药
2. 4 方法的检出限 按仪器工作条件对空白溶液进行测定, 当信噪
比为 3 倍时, 杀虫双和杀虫脒的检出限分别为 48, 8 g !L- 1。 2. 5 线性范围
按仪器工作条件对杀虫双、杀虫脒系列标准溶 液进行测定, 得线性回归方程及相关系数见表 2。
CID 电压 /V
激发存储水平 m/ z
共振方式
4. 604
149
102
42
7. 013
196
81
50
66非Leabharlann 振86非共振扫描范围 / amu
95~ 150 50~ 200
2. 2 三氧化二铝质量的选择 取血样 5 m L, 分别与硅藻土混匀后, 装入底部
加有 3, 4, 5, 6 g 三氧化二铝的萃取池中进行比较试 验, 结果表明: 5 g 三氧化二铝吸附效果最好, 选择 5 g 三氧化二铝。试验中萃取溶剂中含有极性较强 的丙酮, 选用三氧化铝只能净化提取液中部分杂质, 若对净化效果要求较高的试验, 需选用其他净化设
0. 983 0. 998
2. 6 样品分析 按试验方法向空白血液和肝脏样品中添加杀虫
基于神经网络的变速率非线性盲源分离ICA算法研究
代 参数 需要 很长 时 问才能 收敛 ， 而影 响盲 源 分离 的效 果 ． 据信 噪 比和迭 代 误 差 来 调节 学 习速 率 ， 者 从 根 作
提 出一 种基 于神 经 网络 的变速 率非 线性 盲 源 分 离 Ｉ Ａ 算 法 ， 将 该 算 法应 用 于 图像 去 噪 中． 真 结 果 表 Ｃ 并 仿
Ｎ ．５ ｏ
陕 西 科 技 大 学 学 报
Ｊ） （ＵＲＮＡＬ ＨＡＡＮＸＩＵ ＮＩ ＯＦ Ｓ ＶＥＲＳ ＴＹ ＯＦ Ｓ ＥＮＣＥ ＆ ＴＥ Ｉ ＣＩ ＣＨＮＯＩＯＧＹ
０ｃ． ｔ ２Ｏ１ ０
・
Ｖｏ１ ８ ．２
１ ５・ Ｏ
文章 编 号 ：０ ０ ５ １ （ ０ ０ ０ １ ５０ １ ０ —８ １ ２ １ ）５０ ０— ５
明， 与传 统 的神经 网络 非 线性 盲源 分离 Ｉ Ａ 算法 相 比， 算法 具有 更 好 的盲源 分离 效果 ． Ｃ 该
１ 非 线 性 盲 源 分 离 Ｉ Ａ 算 法 的 模 型 Ｃ
Ｉ Ａ 是一 种 用来从 多 变量 （ 维 ） 计 数 据 里 找 到 隐含 的 因 素或 成 分 的 方 法 ， 认为 是 主成 分 分 析 Ｃ 多 统 被 （ ｒ ｃ ａ Ｃ ｍｐ ｎ ｎ ａｙ ｉ，Ｐ Ａ） 因子分 析 （ ａｔｒＡｎ ｌｓ ，Ｆ 的 一 种扩 展 ． 于 盲 源分 离 问 Ｐｉ ｉ ｌ ｏ ｏ ｅｔ ｎ ｐ Ａｎ ｌｓｓ Ｃ 和 Ｆ ｃｏ ａｙ ｉ ｓ Ａ） 对 题 ， Ａ 是指 在 只知道 混合 信 号， 不知 道源 信 号 、 Ｉ Ｃ 而 噪声 以及混 合 机制 的情 况下 ， 离或 近似 地 分离 出源信 分
好 的盲源分 离效果．
关 键词 ： 源信 号 处理 ； 立成 分分 析 ；学 习速 率 ；神 经 网络 ； 大 互信 息准 则 ；图像 去噪 盲 独 最
QR分解卡尔曼盲自适应多用户检测算法
QR分解卡尔曼盲自适应多用户检测算法张志富;裴军【摘要】码分多址（Code-Division Multiple-Access，CDMA）系统中，采用盲多用户检测算法抑制多址干扰（Multiple Access Interference，MAI）和“远-近”效应（Near-Far effect）的影响，是CDMA技术研究热点之一。
为避免基于卡尔曼（Kalman）滤波的多用户检测算法中，协方差矩阵失去非负定性而面临的数值稳定性问题，提出利用QR分解方法重新构造系统模型协方差阵，建立一种收敛速度更快、数值鲁棒性更好的卡尔曼盲自适应多用户检测算法。
仿真结果表明，该算法具有较好的抗多址干扰和抗“远-近”效应能力。
%Blind multi-user detection methods in Code-Division Multiple-Access(CDMA)system are used to eliminate the Multiple Access Interference(MAI)and the Near-Far effect. For microprocessor or DSP has a limit word length, blind multi-user detection based on Kalman filter must face the problem of numeric stability. A new method based on QR factor is used in the blind multi-user detection based on Kalman filter. Simulation results show that this method is efficient in MAI and Near-Far effect elimination.【期刊名称】《计算机工程与应用》【年(卷),期】2015(000)015【总页数】4页(P202-205)【关键词】码分多址;多址干扰;盲多用户检测;QR分解卡尔曼滤波【作者】张志富;裴军【作者单位】中国科学院国家天文台，北京 100012;中国科学院国家天文台，北京 100012【正文语种】中文【中图分类】TN911.231 引言CDMA 通信系统中，不同用户信息相互叠加，占用同一信道传输，利用不同的扩频码（Spreading Code）和码片（CHIP）构建正交的特征波形（Signature Waveform）加以区分。
高分辨雷达信号的平移不变KPCA特征提取算法
ｉ ｖ ｒａ ｔ Ｃ ｆ ａｕ ｅ ｅ ｔａ ｔ ｎ ａｇ ｒ ｈ ｎ ａ ｉｎ ＫＰ Ａ ｅ ｔｒ ｘｒ ｃ ｉ ｌｏ ｔ ｍ． Ｆ ｒｔ ，ｔ ｉ ｍｅｈ ｄ ｃ ｌｕ ａｅ ｒ ｉ ｍｅ ｔｏ ｉｈ ｒ ｓ ｌ ｔ ｎ ｒｄ ｒ ｏ ｉ ｉｓ ｙ ｈ ｓ ｌ ｔ ｏ ａｃ ｌ ｔｄ ｏ ｉ ｎ ｍｏ ｎ ｆｈ ｅ ｏｕ ｉ ａ ａ ｇ ｇ ｏ ｓ ｎ ｌ ｎ ｈ ｎ ｏ ｈ ｒ ｍｉｅ ｏ ｗ ｉｆ ｒ ｔ ｎ ｌ ｓ ，ｔ ｅｐ ｓ ｉｎ ｏ ｉｈ ｒ ｓ ｌ ｔ ｎ ｒ ｄ ｒｓ ｎ ｌ ｅａｉ ｅｔ ｈ ｒ ｉ ａ ，ａ ｄ ｔ ｅ ｎ ｔ ｅ ｐ ｅ ｓ ｆｌ ｎ ｏｍａｉ ｏ ｓ ｈ ｏ ｉ ｏ ｆｈｇ ｅ ｏ ｕ ｉ ａ ａ ｉ ａ ｌｔ ｏｔ ｅ ｏ ｉ ｇ ｏ ｏ ｔ ｏ ｇ ｒ ｖ ・ ｇｎ ｍｏ ｎ ａ ｓ ｄ ｔ ｄ ｓ ｒｂ ｒ ｉ ａ ｓｇ ａ ，ｔｅ ｅ ｙ ｅｉ ｎ ｔｄ ｔ ｅ ｈ ｇ ｅ ｏｕ ｉｎ ｒ ｄ ｒｓｇ ａ ｒ ｎ ｌｔ ｎ ｓ ｎ ｉ ｉ ｍｅ ｔｗ ｓｕ ｅ ｏ ｅ ｃ ｅ ｏ ｉ ｎ ｌ ｉ ｎ ｌ ｈ ｒ ｂ ｌ ｉ ｇ ｍｉ ａｅ ｈ ｉｈ ｒ ｓ ｌ ｔ ａ ａ ｉｎ ｌｔ ｓａｉ ｅ ｓ— ｏ ａ ｏ ｔ ｉ ．Ｔ ｅ ｉｔ ｖ ｙ ｈ ｎ，ｔ ｅｍｅｈ ｄ ｃ ｍｂ ｎ ｄ ＫＰ Ａ ｆａｕ ｅ ｅ ｔａ ｔ ｎ ａ ｇ ｒｔ ｍ ｅ ｒ ｎ ｌ ｔ ｎ ｉｖ ｒ ｎ Ｃ ｅ ｔ ｒ ｘ ｈ ｔｏ ｏ ｉ ｅ Ｃ ｅ ｔ ｒ ｘ ｒｃ ｉ ｌｏ ｈ ｔ ｇ ｔ ｔａ ｓａｉ ｎ ａ ｉ ｔ ｏ ｉ ｏ ａ ｏ ａ ＫＰ Ａ ｆａｕ ｅｅ — ｔ ｃｉｎ ａｇ ｒ ｈ ｒ ｔ ｌｏ ｉ ｍ．Ｆ ｎ ｌ ，ｉ ａ ｐ ｉｄ Ｓ ａ ｏ ｔ ｉ ａｌ ｔ ｐ ｌ ＶＭ ｌｓ ｉ ｅ ｏ ｃ ａ ｓｆ ｈ ｉ ｈ ｒ ｓ ｌｔ ｎ ｒ ｄ ｒ ｓ ｎ １ Ｅ ｐ ｒ ｎ ｓｓ ｏ ｙ ｅ ｃａ ｓｆ ｒ ｔ ｌ ｓｉ ｔｅ ｈ ｇ ｅ ｏｕ ｉ ａ ａ ｉ ａ． ｘ ｅ ｉ ｉ ｙ ｏ ｇ ｍｅ ｔ ｈ ｗ ｔ ａ ｅ ｒ ｃ ｇ ｉ ｏ ａｅ ｏ ｅ ｎ ｗ ａ ｇ ｒｔｍ ｓ ｈ ｇ ｅ ｈ ｎ ｔ ｅ ｔ ｄ ｔ ｎ ｌｏ ｅ ａ ｄ ｓｉｈ ｌ ｏ ｅ ｈ ｎ ＫＰ ｅ ｔ ｒ ｈ ｔｔ ｅ ｏ ｎ ｔ ｎ ｒ ｔ ｆｔ ｅ ｌｏ ｉ ｈ ｉ ｈ ｈ ｉ ｉｈ ｒｔ ａ ｈ ｒ ｉ ｏ ａ ｎ ｎ ｌ ｔ ｌ ｗ ｒｔ ａ ＣＡ ｆａｕ ｅ ａ ｉ ｇ ｙ ｅ ｔ ｃｉｎ ａｇ ｒ ｈ ，ｗ ｉ ｈ ｋ ｅ ｓａ ｈ ｇ ｅ ｏ ｎｔ ｎ ｒ ｔ ｎ ｔｅ ｃ ｍｍｏ ｌ ａ ａ ｅｅ ｔ ｎ ｒ ｎ ｅ ｘ ｒ ｔ ｌ ｏｉ ｍ ａ ｏ ｔ ｈ ｃ ｅ ｐ ｉｈ ｒ ｃ ｇ ｉ ｏ ａｅ ｉ ｈ ｏ ｉ ｎｙ ｒ ｄ ｒ ｄ ｔｃｉ ａ ｇ ． ｏ
用于降低计算次数的区间算法在射线跟踪问题中的应用[发明专利]
![用于降低计算次数的区间算法在射线跟踪问题中的应用[发明专利]](https://img.taocdn.com/s3/m/d3c77c6283d049649a6658b8.png)
专利名称：用于降低计算次数的区间算法在射线跟踪问题中的应用
专利类型：发明专利
发明人：A·雷舍托夫,A·索皮科夫,A·卡普斯廷,J·赫尔利
申请号：CN200580051956.3
申请日：20051229
公开号：CN101297325A
公开日：
20081029
专利内容由知识产权出版社提供
摘要：实施例提供了射线跟踪遍历，所述遍历依靠应用的所选几何性质来降低在各个遍历步骤中要求的操作的数量。
遍历算法不依赖于组中的射线数目。
结果，可以实现多级遍历方案，这始于组中的大量射线并然后按需要减少射线量来维持组相干性。
多级遍历方案可通过在遍历加速结构时分割大组的射线来创建。
申请人：英特尔公司
地址：美国加利福尼亚州
国籍：US
代理机构：中国专利代理(香港)有限公司
更多信息请下载全文后查看。
用于输入信号数据中的基线估计的装置和方法[发明专利]
![用于输入信号数据中的基线估计的装置和方法[发明专利]](https://img.taocdn.com/s3/m/0f8d82044afe04a1b171deaf.png)
专利名称：用于输入信号数据中的基线估计的装置和方法专利类型：发明专利
发明人：凯·沃尔特,弗罗里安·齐塞
申请号：CN201980023895.1
申请日：20190329
公开号：CN111937032A
公开日：
20201113
专利内容由知识产权出版社提供
摘要：本发明涉及用于获得输入信号数据(I(x；))的基线估计数据(f(x；))的装置和方法。
获得准确的基线估计数据允许有效地从输入信号数据中去除噪声，输入信号数据诸如图像、声纳、声音、超声、断层摄影和/或地震数据。
使用与格林函数的卷积来计算基线估计数据。
卷积在计算上比已知的矩阵乘法更有效。
申请人：莱卡微系统CMS有限责任公司
地址：德国曼海姆
国籍：DE
代理机构：北京清亦华知识产权代理事务所(普通合伙)
代理人：宋融冰
更多信息请下载全文后查看。
纺织品中己二酸二酰肼检测的前处理条件
测试与标准^......纺织品中己二酸二酰胼检测的前处理条件骆迎华，刘宇，韩靖，谭玉静，王麟，赵海浪(上海市质量监督检验技术研究院，上海200040)摘要：通过单因素试验得到纺织品中己二酸二酰胼(ADH)检测前处理的较优条件，然后设计正交试验对 ADH阳性样品进行验证试验。
结果表明：采用超声波萃取方式对含有ADH的样品进行萃取，萃取效率较高，其中萃取温度是影响萃取结果的首要因素；当萃取温度70 T：，萃取时间70 min，萃取体积10 mL时，ADH回收 率达到98.95%，精确度较好，RSD值为4.72%。
关键词：测试；前处理条件；己二酸二酰胼；纺织品中图分类号：TS197 文献标志码：C文章编号：1000-4017(2020)05-0056-04Pretreatmenl conditions for the determination of dionyl hydrazine adipate in textilesLUO Yinghua,LIU Yu,HAN Qi,TAN Yujing,WANG Lin,ZHAO Hailang(Shanghai Institute oj Quality Inspection and Technical Research, Shanghai 200040, China)Abstract: Through single factor test, th e optim al conditions of p re tre atm en t fo r de te ctio n of dihydrazide adipate (ADH) in textile s is obtained, and then orthogonal te s t is designed to ve rify th e ADH positive sam ples. The results sh o w th a t the extraction efficiency o f ADH containing sam ples by ultrasonic extraction is high, and th e extraction tem pe rature is the prim ary factor a ffectin g the extraction results. W hen th e extraction te m p e ra tu re is 70 °C, the extraction tim e is 70 min, and the extraction volum e is 10 mL, th e recovery o f ADH is 98.95%, the accuracy is good, and the RSD value is 4.72%.Key words: testin g; p re tre atm en t conditions; dihydrazide adipate; textile s〇前言己二酸二酰肼(ADH)是一种高熔点粉末状化合物,是由有机酸与肼反应制得的(化学结构式如 图1所示），主要用作涂料助剂、环氧粉末涂料固化 剂、金属性减活剂等一些高分子助剂及水处理试剂'ADH作为一种重要的助剂，被广泛应用于家 用纺织品、床垫和车辆座椅等，能够赋予织物优良 的柔软度、丰满感、耐洗、耐磨、爽滑、抗静电等特点。
语音编解码器中用于线频谱频率矢量量化的方法和系统[发明专利]
![语音编解码器中用于线频谱频率矢量量化的方法和系统[发明专利]](https://img.taocdn.com/s3/m/aeaaf788b84ae45c3a358ca1.png)
专利名称：语音编解码器中用于线频谱频率矢量量化的方法和系统
专利类型：发明专利
发明人：A·雷莫
申请号：CN02809829.3
申请日：20020510
公开号：CN1509469A
公开日：
20040630
专利内容由知识产权出版社提供
摘要：一种在语音编码器中用于量化LSF矢量的方法，其中将基于先前解码输出值的预测LSF值连同剩余编码本矢量和LSF系数用于估算频谱失真。
此方法包括如下步骤：从相应预测LSF值和剩余编码本矢量中得到多个量化LSF系数；以有序的方式对频域中的量化LSF系数重新排列；根据重新排列的量化LSF系数和相应的LSF系数得到频谱失真；并基于频谱失真选择最优码矢量。
申请人：诺基亚有限公司
地址：芬兰埃斯波
国籍：FI
代理机构：中国专利代理(香港)有限公司
更多信息请下载全文后查看。
调整存储器子系统中的可靠性扫描阈值[发明专利]
![调整存储器子系统中的可靠性扫描阈值[发明专利]](https://img.taocdn.com/s3/m/7ce013ddf605cc1755270722192e453610665b02.png)
专利名称：调整存储器子系统中的可靠性扫描阈值
专利类型：发明专利
发明人：V·P·拉亚普鲁,K·K·姆奇尔拉,A·马尔谢,G·S·阿尔萨苏阿,H·R·辛吉迪
申请号：CN202111270759.8
申请日：20211029
公开号：CN114442920A
公开日：
20220506
专利内容由知识产权出版社提供
摘要：本申请涉及调整存储器子系统中的可靠性扫描阈值。
使用第一可靠性阈值水平执行数据块的一组存储器页的第一扫描操作，以识别一组扫描结果。
基于所述一组扫描结果确定与所述数据块相关联的工作负载类型。
基于所述工作负载类型将所述第一可靠性阈值水平调整到第二可靠性阈值水平。
使用所述第二可靠性阈值水平执行所述数据块的所述一组存储器页的第二扫描操作。
申请人：美光科技公司
地址：美国爱达荷州
国籍：US
更多信息请下载全文后查看。
q-factor
q-factor
Q-factor
【计】品质因数
【医】 Q因数(抗阴比因数,谐振线路或线圈的定格,Z/R,或简称Q)
Q-factor Q因子，在包括WDM在内光通信系统中，传统上大家都认为OSNR是衡量光路性能的重要指标，而高速传输系统（单信道10G及以上速率）非线性效应很强，对系统最终BER有着举足轻重的影响。
在相同OSNR 情况下，非线性效应的大小会引起系统BER的显著变化。
也就是说10G及以上速率的高速系统仅依靠OSNR无法更准确地衡量系统的性能，因此Q 因子（质量因子）被引出来衡量系统性能。
Q因子被定义为在接收机判决电平信号和噪声的比值（即在最佳判决点、判决电路的信噪比），较高的Q值意味有较好的BER。
OSNR与Q值的关系：
1、OSNR改善1dB等同于Q值提高1dB，OSNR劣化1dB等同于Q值降低1dB，
2、OSNR不变，调制速率每增加4倍，Q(dB)降低6dB。
从10G到40G，OSNR容限升高6dB。
3、系统的OSNR应该足够高，便于为系统性能波动提供足够的容限。
对于10G系统，一般要保证Q~26dB，即可为传输代价提供～6dB的富余度，
即OSNR容限～26dB
Q Margin指对于给定的BER，Q因子超过所需值的部分。
Margin可以理解容限、余量、富裕度。
也是用来衡量系统指标的一个参数。
比如、对于传统SDH系统，线路码型都是NRZ，而40GSDH系统用RZ码型的一个重要原因就是RZ码型在同等OSNR条件下更大的Q值富余度。
基于改进果蝇算法的非线性模型参数估计方法
基于改进果蝇算法的非线性模型参数估计方法范千【摘要】在对基本果蝇优化算法的寻优流程进行深入分析的基础上,提出一种单方向搜索处理的改进果蝇优化算法(IFOA).该方法可以对极值点为非零非负的非线性函数进行优化处理,将其应用于非线性模型参数估计.实例表明,IFOA方法在参数估计精度上优于线性近似法与非线性迭代方法;与以遗传算法为代表的智能搜索方法相比,其估计精度相当,并具有参数设置少、寻优过程简单、易于程序实现等优点.【期刊名称】《大地测量与地球动力学》【年(卷),期】2016(036)012【总页数】4页(P1092-1095)【关键词】果蝇优化算法;单方向搜索处理;非线性模型;参数估计;智能搜索方法【作者】范千【作者单位】福州大学土木工程学院,福州市学园路2号,350116;东华理工大学江西省数字国土重点实验室,南昌市广兰大道418号,330013【正文语种】中文【中图分类】P207非线性模型参数估计的方法可分为两类[1]：一类为非线性迭代解法;一类为智能搜索算法。
迭代解法的前提是要对非线性函数模型进行求导，当观测函数非常复杂时，求导将变得很困难，特别是在其不可导的情况下，迭代方法不能直接应用于参数估计。
另外，迭代方法也存在着对参数初值敏感、局部收敛等缺陷。
智能搜索方法近些年来被研究较多，然而在实际应用中，其代表性的遗传算法存在收敛速度慢、易陷入局部最优等问题[2]；粒子群优化算法存在进化后期收敛速度降低、局部搜索能力差等缺陷[3]。
2012年Pan提出一种新的群体智能算法——果蝇优化算法(fruit fly optimization algorithm，FOA)，具有设置简单、参数调整少、运算速度快等特点[4]。
本文在对其进行深入分析的基础上，指出原有FOA算法并不适用于非线性函数的全局寻优，进而提出一种改进的FOA(improved FOA，IFOA)算法以应用于非线性模型参数估计，并以实例分析IFOA方法进行非线性参数估计的可行性。
- 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)。
#246072 © 2015 OSA
Received 29 Jul 2015; revised 15 Oct 2015; accepted 15 Oct 2015; published 27 Oct 2015 2 Nov 2015 | Vol. 23, No. 22 | DOI:10.1364/OE.23.028896 | OPTICS EXPRESS 28896
20. T. Reynolds, M. R. Henderson, A. François, N. Riesen, J. M. M. Hall, S. Afshar V., S. J. Nicholls, and T. M. Monro, “Optimization of whispering gallery resonator design for biosensing applications,” Opt. Express 23(13), 17067–17076 (2015). 21. M. J. Humphrey, E. Dale, A. Rosenberger, and D. Bandy, “Calculation of optimal fiber radius and whisperinggallery mode spectra for a fiber-coupled microsphere,” Opt. Commun. 271(1), 124–131 (2007).
1
The Institute for Photonics and Advanced Sensing (IPAS) and ARC Centre for Nanoscale BioPhotonics (CNBP), School of Physical Sciences, The University of Adelaide, Adelaide, SA 5005, Australia 2 University of South Australia, Adelaide, SA 5001, Australia * nicolas.riesen@.au
©2015 Optical Society of America
OCIS codes: (140.3945) Microcaviห้องสมุดไป่ตู้ies; (230.5750) Resonators; (260.2510) Fluorescence.
References and links
1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13. 14. 15. 16. 17. 18. 19. M. L. Gorodetsky, A. A. Savchenkov, and V. S. Ilchenko, “Ultimate Q of optical microsphere resonators,” Opt. Lett. 21(7), 453–455 (1996). T. J. Kippenberg, Nonlinear optics in ultra-high-Q whispering-gallery optical microcavities (CIT, 2004). K. J. Vahala, “Optical microcavities,” Nature 424(6950), 839–846 (2003). A. François, N. Riesen, H. Ji, S. Afshar V., and T. M. Monro, “Polymer based whispering gallery mode laser for biosensing applications,” Appl. Phys. Lett. 106(3), 031104 (2015). F. Vollmer and S. Arnold, “Whispering-gallery-mode biosensing: label-free detection down to single molecules,” Nat. Methods 5(7), 591–596 (2008). M. Himmelhaus and A. François, “In-vitro sensing of biomechanical forces in live cells by a whispering gallery mode biosensor,” Biosens. Bioelectron. 25(2), 418–427 (2009). M. A. Gouveia, P. D. Avila, T. H. R. Marques, M. C. Torres, and C. M. B. Cordeiro, “Morphology dependent polymeric capillary optical resonator hydrostatic pressure sensor,” Opt. Express 23(8), 10643–10652 (2015). B. E. Little, J.-P. Laine, and H. A. Haus, “Analytic theory of coupling from tapered fibers and half-blocks into microsphere resonators,” J. Lightwave Technol. 17(4), 704–715 (1999). Y. Zhi, J. Valenta, and A. Meldrum, “Structure of whispering gallery mode spectrum of microspheres coated with fluorescent silicon quantum dots,” J. Opt. Soc. Am. B 30(11), 3079–3085 (2013). H. T. Beier, G. L. Coté, and K. E. Meissner, “Modeling whispering gallery modes in quantum dot embedded polystyrene microspheres,” J. Opt. Soc. Am. B 27(3), 536–543 (2010). Z. Ballard, M. D. Baaske, and F. Vollmer, “Stand-off biodetection with free-space coupled asymmetric microsphere cavities,” Sensors (Basel) 15(4), 8968–8980 (2015). H.-H. Yu, C.-H. Yi, and C.-M. Kim, “Mechanism of Q-spoiling in deformed optical microcavities,” Opt. Express 23(9), 11054–11062 (2015). H. M. Lai, P. T. Leung, K. Young, P. W. Barber, and S. C. Hill, “Time-independent perturbation for leaking electromagnetic modes in open systems with application to resonances in microdroplets,” Phys. Rev. A 41(9), 5187–5198 (1990). G. Kurizki, A. Kofman, A. Kozhekin, and G. Harel, “Control of atomic state decay in cavities and microspheres,” New J. Phys. 2, 28 (2000). K. Srinivasan, O. Painter, A. Stintz, and S. Krishna, “Single quantum dot spectroscopy using a fiber taper waveguide near-field optic,” Appl. Phys. Lett. 91(9), 091102 (2007). B. Redding, E. Marchena, T. Creazzo, S. Shi, and D. W. Prather, “Comparison of raised-microdisk whisperinggallery-mode characterization techniques,” Opt. Lett. 35(7), 998–1000 (2010). N. Riesen, S. Afshar V., A. François, and T. M. Monro, “Material candidates for optical frequency comb generation in microspheres,” Opt. Express 23(11), 14784–14795 (2015). J. Zhang, L. Xue, and Y. Han, “Fabrication gradient surfaces by changing polystyrene microsphere topography,” Langmuir 21(1), 5–8 (2005). H. Chew, “Radiation and lifetimes of atoms inside dielectric particles,” Phys. Rev. A 38(7), 3410–3416 (1988).
1. Introduction Whispering gallery modes (WGMs), otherwise referred to as morphology dependent resonances, are optical modes propagating in resonators having at least one axis of revolution such as capillaries, di