基于机器学习算法的冠心病风险预测及其特征分析模型

目的 基于机器学习算法构建冠心病风险评估模型,并比较极限梯度上升（eXtreme Gradient Boosting,XGBoost）模型和逻辑回归（Logistic Regression, LR）在预测冠心病患病风险中的效能,为冠心病的诊断提供计算机辅助方法。方法 通过对kaggle社区上发布的冠心病数据集进行预处理后,将特征变量纳入logistic和XGBoost模型中,对其查准率、召回率、ROC曲线下面积（AUC）进行对比,以验证模型性能。结果 XGBoost模型相对于传统的logistic回归模型预测性能更优,其中,年龄、性别、血糖水平、身体质量指数和收缩压为冠心病的主要危险因素。结论 冠心病风险预测模型能为冠心病早期预防控制及诊断提供参考依据。     

不同LED光质对莞香灵芝子实体生长发育的影响

目的 研究5种LED光质对莞香灵芝子实体生长发育及其主要活性成分的影响。方法 将不同光质的LED光源设为光照条件（红、蓝、黄、绿、白光为处理组,黑暗为黑暗组）,对灵芝子实体进行培养,观察其生长速率、形态、多糖含量及三萜含量。结果 红、绿、黄、白、蓝5种光质处理组的灵芝子实体菌盖直径和干重均大于黑暗组（P<0.01或0.05）,黄光组的子实体干重最大（P<0.01或0.05）,灵芝子实体出芝数和菌盖厚度与黑暗组比较差异无统计学意义（P>0.05）。在灵芝的5个生长时期,蓝光组的多糖含量均明显高于其他各组（P<0.01）;现蕾期、开伞期、弹孢前期,黄光组多糖含量高于除蓝光组外的其他各组（P<0.01）;弹孢后期,白光组的多糖含量显著高于除蓝光组外的其他各组（P<0.01）。芝盖形成期,红光组的灵芝三萜含量低于其他各组（P<0.01）;弹孢前期,绿、白、红和蓝光组的灵芝三萜含量高于黑暗组（P<0.01或0.05）。现蕾期、开伞期和弹孢后期,各组灵芝三萜含量比较差异无统计学意义（P>0.05）。结论5种LED光质均影响莞香灵芝子实体的生长发育及其主要活性成分的生成,应根据各光质对灵芝子实体影响效果不同的特点合理安排光照。