排序方式: 共有8条查询结果,搜索用时 11 毫秒
1
1.
MRI定性定量分析类风湿关节炎患者手腕部骨关节改变 总被引:2,自引:1,他引:2
目的探讨3.0T MRI定性定量分析对类风湿性关节炎(RA)患者手腕部骨关节改变的诊断价值。方法将39例RA患者按病程分为早期组(病程≤24个月,20例)及中晚期组(病程24个月,19例),观察两组MRI滑膜炎、骨髓水肿、骨侵蚀、腱鞘炎征象,并应用昆明理工大学研发的定量分析软件测算滑膜炎、骨髓水肿范围。结果 39例患者(共78侧)的手腕部骨关节中,滑膜炎、骨髓水肿、骨侵蚀、腱鞘炎征象的出现率分别为94.87%(37/39)、64.10%(25/39)、61.54%(24/39)、76.92%(30/39)。滑膜炎在腕关节发生率最高[92.31%(72/78)],骨髓水肿在腕骨发生率最高[61.54%(48/78)],骨侵蚀最易累及三角骨[64.10%(50/78)]。屈肌键腱鞘炎[74.36%(58/78)]与伸肌腱腱鞘炎[61.54%(48/78)]发生率差异无统计学意义(χ2=2.94,P=0.09)。早期组与中晚期组滑膜炎、骨髓水肿、骨侵蚀、腱鞘炎征象出现率差异均无统计学意义(P均0.05)。定量分析显示,早期组与中晚期组间滑膜炎范围及骨髓水肿范围差异均无统计学意义(P均0.05)。结论 3.0T MRI可清楚显示RA手腕部骨关节的改变,通过定量分析软件可为评估疾病严重程度提供更加准确的量化信息。 相似文献
2.
目的 为了有效实现睡眠自动分期,对睡眠障碍等相关疾病的诊断提供更多依据,本文提出了一种基于多特征融合的睡眠分期方法.方法 数据来自ISRUC-Sleep数据库,首先对10名健康受试者和10名睡眠障碍患者的脑电(electroencephalogram,EEG)信号计算3种特征——样本熵、小波包能量和去趋势波动.然后采用支持向量机(support vector machine,SVM)构建睡眠分期模型,并验证该模型的准确性.此外,为了进行比较加入心电(electrocardiogram,ECG)和肌电(electromyogram,EMG)通道.结果 健康受试者和睡眠障碍患者睡眠分期的准确率分别达到87.4%和86.3%.结论 基于多特征融合的睡眠分期方法能够有效地提高睡眠分期的准确率. 相似文献
3.
4.
5.
目的探讨腕部MRI体积定量分析对于评价类风湿关节炎(RA)疗效的价值。方法收集30例活动期RA并接受规律治疗1年患者,应用MRI体积定量分析软件测量治疗前后同一腕关节滑膜炎、骨髓水肿体积,并获取同期患者红细胞沉降率(ESR)和C反应蛋白(CRP),计算28关节疾病活动度(DAS28)。分析治疗前后滑膜炎、骨髓水肿、CRP、ESR、DAS28变化,并将滑膜炎、骨髓水肿变化量与CRP、ESR、DAS28变化量进行相关性分析。结果治疗后滑膜炎体积、骨髓水肿范围、CRP、ESR、DAS28均显著降低(P均<0.05)。滑膜炎与骨髓水肿变化量呈正相关(r=0.61,P<0.01)。滑膜炎、骨髓水肿变化量与ESR、CRP变化量均无明显相关(P均>0.05),滑膜炎、骨髓水肿变化量均与DAS28变化量呈正相关(r=0.50、0.56,P=0.01、<0.01)。结论MRI定量分析可作为量化指标,准确客观监测RA病情和评价疗效。 相似文献
6.
目的 睡眠呼吸暂停综合征(sleep apnea syndrome, SAS)是由于睡眠时上气道通气不畅或堵塞引起的呼吸暂停或低通气,严重影响人类健康和生活。目前的检测方法是多导睡眠仪,检测过程较为复杂,影响患者正常睡眠。为此本文提出了一种针对血氧饱和度信号的引入交叉变异的全局混沌人工蜂群(cross global chaos artificial bee colony, CGCABC)算法优化支持向量机(support vector machine, SVM)的SAS检测方法。方法 从数据集ISRUC-SLEEP中提取25名SAS患者整晚8 h的脉搏血氧饱和度数据,经预处理后对每段数据计算5种非线性特征,包括近似熵、模糊熵、信息熵、排列熵和样本熵。比较发病片段信号特征和未发病片段信号特征之间的差异,使用CGCABC算法优化的SVM模型进行分类检测,并与人工蜂群(artificial bee colony, ABC)算法、粒子群(particle swarm optimization, PSO)算法、麻雀搜索(sparrow search, SS)算法优化SVM模型的检测结果进行对比。... 相似文献
7.
本研究提出通过改进人工蜂群算法优化支持向量机(IMABC-SVM)进行睡眠分期。对提取的离散小波变换分解数据分量、时域特征、非线性特征、微状态特征,使用ReliefF算法进行特征筛选,提取出最优特征矩阵,并由IMABC-SVM分类器对特征矩阵进行训练。为验证特征筛选与优化分类器效果,进行相关消融实验。结果表明IMABC-SVM方法精度可达89.97%。IMABC-SVM方法可为睡眠相关疾病的检测、预防和治疗提供有效的依据。 相似文献
8.
目的 为了提高检测性能和验证不同生理信号对睡眠呼吸暂停的检测结果,本文提出一种信号叠加和通道相加检测睡眠呼吸暂停的方法。方法 首先对100例睡眠呼吸障碍患者的心电(electrocardiogram, ECG)和脑电(electroencephalogram, EEG)信号通过小波阈值方法进行预处理,其次进行通道相加和信号叠加,然后通过Relief特征选择算法对30个特征进行分析,最后采用支持向量机(support vector machine, SVM)构建睡眠呼吸暂停分类模型,并验证该模型的准确性。结果 实验结果表明,通道相加和信号叠加时睡眠呼吸暂停检测的最高准确率分别为96.24%和96.18%。结论 ECG和EEG两种信号叠加和通道相加的方法均可提高睡眠呼吸暂停检测结果,且X2(ECG)和C3-A2(EEG)通道相加检测结果最好。 相似文献
1