【摘 要】
：
目的 ：比较机械通气下采用CT与电阻抗断层成像（electrical impedance imaging,EIT）滴定最佳呼气末正压（positive end-expiratory pressure,PEEP）的差异，以证实采用EIT滴定PEEP的可行性。方法：先对7只小猪建立急性呼吸窘迫综合征（acute respiratory distress syndrome,ARDS）模型，然后在不同PE
【基金项目】
：
国家自然科学基金项目（52277235）； 国家科技部重点研发计划项目（2022YFC2404802）；
论文部分内容阅读
目的 ：比较机械通气下采用CT与电阻抗断层成像（electrical impedance imaging,EIT）滴定最佳呼气末正压（positive end-expiratory pressure,PEEP）的差异，以证实采用EIT滴定PEEP的可行性。方法：先对7只小猪建立急性呼吸窘迫综合征（acute respiratory distress syndrome,ARDS）模型，然后在不同PEEP水平下进行机械通气，同时采集EIT和CT数据；通过对CT图像进行分割获得肺塌陷（collapse,CL）和过度膨胀（over-distension,OD）区域的比例并滴定PEEP值，基于EIT图像计算呼吸阻抗顺应性获得肺CL和OD区域的比例并滴定PEEP值，并比较两者获得的PEEP值的差异性。结果 ：基于CT图像滴定的最佳PEEP值为（6±2）cmH2O（1 cmH2O=98.06 Pa），基于EIT方法滴定的最佳PEEP值为（8±2）cmH2O，基于EIT方法滴定的PEEP值略高，但两者差异无统计学意义（P=0.09＞0.05）。结论：EIT作为一种无创无辐射的床旁肺通气监测手段，适用于对ARDS患者的机械通气进行PEEP滴定。
其他文献
隐写技术一直是信息隐藏技术的一个重要分支,它可以很好地保护机密信息的安全传输,例如军事信息、商业信息的传递等,具有重要的现实意义。过去,主要是通过经典隐写的方法来保护信息的安全传输,但随着近些年来人工智能技术和量子技术的不断发展和突破,经典隐写面临着越来越大的风险和挑战。因此,设计出能够抵御未来量子计算机攻击的隐写协议是十分有必要的。为此,本文利用量子图像的特性以及经典编码的优点,对具有高嵌入效率
当前基于数字水印技术的图像版权保护方案中采用的传统水印算法主要适用于单幅图像,而在为大量图像提供保护时,重复性的操作会花费大量的时间和认证费用。零水印算法相较于传统水印算法不仅不会修改图像的数据,而且更适合对多幅图像同时进行版权保护。现有的多幅图像零水印算法虽然能够实现同时为两幅或三幅及以上的图像提供版权保护,但这类算法难以保护图像集内的全部图像,而且重复性操作还会降低算法的执行效率。因此,本文针
短临降水预报是一项重要且具有挑战性的世界性难题。由于降水本身具有高度非线性、随机性和复杂性的特性,使得传统方法的预报准确率不足以满足气象业务的需求。目前短临降水预报的主要手段是基于天气雷达资料的雷达回波外推技术,基于深度学习方法进行雷达回波外推已经受到研究人员的广泛关注。深度学习方法具备对非线性复杂系统进行建模的能力,且在准确率方面已经超越了传统方法。但目前提出的雷达回波外推模型仍存在一定的不足,
当今时代,人们在互联网中产生的数据在以每18个月翻一番的速度迅猛增长,其中占据最大比例的数据形式是图像。在巨大网络资源涌入的背景下,人们也面临着信息安全的巨大挑战。以图像为主要数据载体的信息安全相关研究已经受到了广大研究者们的关注,其中一项重要的研究工作就是以图藏图。以图藏图技术是把需要隐藏的大容量信息分散、嵌入和融合到另一张载体图像中的隐蔽通信技术。该技术的发展得益于近年来快速兴起的深度学习。以
在科学研究与工程应用领域,多目标优化问题普遍存在。这些问题由多个互相冲突的目标构成,难以在有限时间内采用常规方法求解,目前普遍采用进化算法来快速地搜索出一组近似最优解。进化算子是进化算法中的搜索引擎,研究表明,单一进化算子难以处理各种类型的优化问题,因此结合多种进化算子来提高算法的泛化性逐渐成为这一领域的主流研究方向。本文为提高多目标进化算法在求解不同特征优化问题时的能力,从优化现有自适应算子进化
近年来,人工智能技术飞速发展。其中,人机会话系统是当前研究的热点。传统的会话生成技术主要以序列到序列框架为基础,该框架从海量数据集中学习会话上下文的语义信息并生成相关的回复,但基于该框架生成的回复有生成通用响应且包含较少信息等问题。这个问题在一定程度上影响了用户使用体验,降低了人机会话的持续性。利用外部知识可以加深语义理解,丰富响应表达,提供除会话上下文之外的语义信息,使得模型生成更具多样的回复。
随着信息技术行业的不断发展,以车联网为代表的物联网技术规模不断扩大。车联网场景由于符合未来交通的发展趋势也越来越被人们期待。基于边缘计算的车联网通过端边协同实现资源调度,减少对汽车自身所需的算力要求,降低执行任务的时延。目前车联网场景下面向不同任务的端边协同的资源调度处理主要包括传统的批处理任务与复杂的深度学习应用。混合宏基站（Macro Base Stations,MABS）与路边单元（Road
伴随期权进入市场带来的多变性,投资者们为获得无风险收益而迫切关注如何选择投资组合的比例,即金融衍生物（期货期权、证券等）的定价问题。因此本文将研究一个非套利流动市场下含固定波动率的期权定价模型,此模型是建立在“无风险套利原理”和理想化金融市场两个前提条件下。本文首先通过一个变量转换将原始的不支付分红的Black-Scholes模型转换为非线性的抛物型方程;再根据数值差分逼近的原理,对该非线性方程中
非侵入式负荷分解作为电力需求侧管理中的重要组成部分,可以通过智能电表获取总能耗,分析获得其下单个用电设备的能耗数据,从而为需求侧反馈提供技术支撑。该方法旨在监测建筑内各个用电设备的功耗情况,使用户在知晓能源消耗水平的情况下,主动节约能源,提高能源利用率。同时,电力公司通过了解用户负荷构成和消费习惯,制定不同的动态定价策略,引导用户合理消费,有效增强电网运行效率。近年来,基于深度学习模型的负荷分解方
随着时代的高速发展,人与人之间沟通交流的方式也由原始的口口相传、书信通讯变成了利用互联网技术进行的多媒体数据的传播。而在多媒体数据中,数字图像因其简洁直观、信息传达效率高的特点,被人们作为通信载体广泛应用于信息交流中。然而互联网的普及是一把“双刃剑”,随着应用的不断增多和互联网模式对现实场景的不断下沉,图像信息安全问题日益凸显,与之相关的信息安全课题也不断受到研究人员的关注。不同于图像加密技术破坏