【摘要】：残疾人问题是目前世界关注的热点,发展残疾人事业也纳入我国“十三五”发展计划内。纵观我国残疾人体育发展现状,虽整体取得不错成绩,但仍存在一些发展迟缓的项目,残疾人羽毛球与其他残疾人体育项目相比,发展形势相差甚远。2015年四川成都成功承办第9届全国残运会,羽毛球将首次成为2020年东京残奥会比赛项目,国家和各省市开始重视残疾人羽毛球发展。四川省经历震惊世界的2008年“5·12”汶川大地震和2013年“4·20”雅安地震,造成四川省残疾人数量居我国首位,残疾人在社会上仍遭受嘲讽、歧视、冷眼等各种不公平待遇。本文以四川省残疾人羽毛球运动队为研究对象,收集近两届省残运会羽毛球赛事资料,对四川省残疾人羽毛球运动队教练员、运动员、省残运会裁判长、省残联宣文处处长等进行访谈,获得相关资料运用文献资料、比较分析等方法进行研究。目的:通过残疾人羽毛球运动队现状发现队伍面临的问题,为其提出建设性的发展对策及相关政策、方针的制定提供参考依据,促进四川省残疾人羽毛球事业适应国家发展趋势。结果:羽毛球不是残奥会项目,不受政府重视;管理体制不科学;缺少训练基地;教练员、后备人才缺失问题严重;赛事少,缺乏实战经验;运动员生活无保障等问题。发展对策:1.发现拓宽资金来源途径以增加自身财政储备;2.重点先抓运动队管理团队的建设;3.号召公共体育场馆配备无障碍设施,加大各市(州)训练基地建设;4.加强教练队伍组建,重视科研学习;5.设立科学选拔机制培养后备人才;6.定期举办各种级别的赛事,促进实战经验学习;7.力争向健全运动员保障体制看齐;8.为残疾人羽毛球推广建立完善的网络宣传平台。结论:1.由近两届四川省残运会羽毛球赛事来看,其逐渐向好的趋势发展。2.四川省残疾人羽毛球代表队缺少相应的设施设备、管理机制等,政府应加强完善队伍面临的以上缺陷。3.队伍面临新老交替阶段,为适应国际时势的发展,省残联正大力重新筹建该队伍。4.政府对残疾人体育项目投入大量资金,但均用到残奥会项目上,忽略了羽毛球的存在。面对羽毛球即将成为2020年残奥会项目,开始受政府部门的重视,加强队伍的选拔、推广和宣传。

【学位授予单位】：成都体育学院
【学位授予年份】：2017

【摘要】：近年来,由于我国人口老龄化继续加剧,饮食习惯变化和脑力劳动者数量不断增加等因素的影响,心血管疾病的发病率、病死率亦呈逐年上升趋势,已成为危害人类健康的“第一大杀手”。在心血管病发病早期,人体内部分生理信号会产生异变,若能利用这些生理信号识别心血管病,就可以及时预警,为患者争取宝贵的治疗时间。然而,我国医疗资源分布不均的现状,使大多数地区存在看病贵、看病难的问题,导致很多人不愿定期体检,忽视身体出现的心血管病早期症状,当心血管病发病时,早已错过了早期治疗的最佳时期,从而威胁自身生命。针对上述问题,本文利用便于采集且在便携式医疗设备中应用广泛的心电、脉搏信号,结合易得的患者自身属性,建立了院外无监督环境下基于深度学习的心血管病识别模型,以期能够在院外不用专业医护人员指导的情况下,实现对心血管病患者的早期诊断。主要工作如下:1)简述心血管病识别的研究背景,并通过分析功能学、影像学、生理信号检测三方面心血管病诊断方法的国内外研究现状指出其存在的问题,从而引出院外无监督环境下的心血管病识别的重要性;此外,通过介绍深度学习在医疗以及其余各个领域的研究现状,分析院外无监督环境下基于深度学习的心血管病识别的可行性。2)论证所选生理信号用于心血管病识别的合理性。从心血管系统的生物电、血流动力学原理及心血管病的发病机理出发,论证了心电、脉搏信号用于心血管病识别的合理性,并介绍了两种信号相对应的心率变异性、脉率变异性及脉搏波传导时间变异性这三类变异性分析方法,为院外无监督环境下心血管病的识别提供理论依据。3)研究并提出用于提取心电信号R波峰值点的小波变换法以及用于提取脉搏信号P波峰值点的差分小波变换法。首先,基于心电、脉搏信号及其心血管病病理部分的信号特征,阐述了现有峰值检测算法的不足;接着,针对心血管病识别需求,研究并提出了相应的主波峰值检测算法;最后,利用不同状态的心电、脉搏信号验证了峰值检测算法的准确率及其用于获取相应信号峰值间期变异性的可行性,为下一步信号峰值间期变异性分析奠定了良好的基础。4)针对三类信号峰值间期变异性准周期、非平稳、非线性的特性,分别从线性及非线性角度选取了时域法、庞加莱散点图及信息熵三类变异性分析方法,并论证了所获参数在疾病诊断中的意义及其用于基于深度学习的心血管病识别模型中的特征获取的可行性。最终获得16类共计48维特征,与患者的年龄、性别结合构成50维特征向量,作为基于深度学习的心血管病识别模型的输入特征。5)构建院外无监督环境下基于深度学习的心血管病识别模型。首先,从标准BP算法出发,通过介绍BP算法的梯度下降过程及其存在的不足,引出深度学习算法,并阐述基于深度学习思想的深度置信网络(Deep Belife Networks,DBN)的模型结构及训练过程,为基于深度学习的心血管病识别模型的建立奠定理论基础;然后,根据深度置信网络的相关理论,分析DBN参数的设置原理,并根据所选心血管病数据集特点及经验公式确定DBN结构及参数;最后综合全文建立院外无监督环境下基于深度学习的心血管病识别模型,并设计实验,利用公开数据集验证心血管病识别模型的可用性及参数选择的合理性。

【学位授予单位】：兰州理工大学
【学位授予年份】：2018

【摘要】：激光诱导击穿光谱(LIBS)技术作为一种原子发射光谱技术,可以用来快速测量样品中各种元素的含量或组成,具有高速、高适应性、无需对样品预处理、样品需求量少、可以远程操控等诸多优点,已广泛应用于各个领域。本文使用532 nm波长,脉宽10 ns,束斑直径100μm,单脉冲能量30 Survey,USGS)地质标准样品进行剥蚀,得到了它们的LIBS等离子光谱,首先通过选择五个元素(Na、Ca、Fe、Al、Mg)的光谱数据,分析了这些地质标样的基体效应差异,发现了GSD-1G和GSE-1G这两个标样的基体效应与其他三个标样差异较大。且USGS系列标样的基体效应对Na和Ca元素的影响,要小于其他三个元素(Fe、Al、Mg)。这些基体效应的差异会导致含量测量结果的一些误差。随后结合人工神经网络算法得到了不同地质样品中铁和钛元素的含量,测量结果显示,BCR-2G,BHVO-2G,BIR-1G,GSD-1G和GSE-1G中铁元素与标准含量的相对误差分别为1.86%,5.73%,0.27%,3.86%,和2.63%;钛元素分别为1.92%,3%,2.78%,和2.47%(除去GSE-1G),这表明LIBS技术结合BP人工神经网络方法可以有效地测定USGS地质标准样品的铁含量,降低基体效应带来的影响。此外,在LIBS剥蚀样品的同时,利用高时间分辨泵浦-探测阴影成像术精确记录了激光剥蚀过程,捕捉到了BHVO-2G标样由于空气和样品击穿,产生了三次冲击波。通过测量冲击波在不同时刻的半径,模拟了冲击波的传播特征曲线,对冲击波的速度、压强、温度、压缩空气密度等参数进行了模拟。最后,通过超景深显微镜对激光剥蚀后留下的剥蚀坑进行了分析,通过测量剥蚀坑的直径,计算得到BCR-2G,BHVO-2G,BIR-1G,GSD-1G和GSE-1G标样的剥蚀阈值分别为6.882J/cm~2,7.013J/cm~2,6.921J/cm~2,7.293J/cm~2,3.501J/cm~2。激光剥蚀电感耦合等离子体质谱(LA-ICP-MS)技术是微区原位分析中最有效的分析手段之一,它具有高灵敏度,低检出限,可同时测量多个元素等优点,是地球分析领域最常用的元素定量分析手段。但元素分馏效应也是一直制约该技术分析精度的问题。本文使用飞秒LA-ICP-MS系统对USGS系列GSE-1G标样和不锈钢标样GBW01395分别进行剥蚀,获得了它们在不同激光能量下的元素信号强度数据,并通过扫描电镜记录了GSE-1G在不同激光能量下剥蚀坑的形貌。通过以Fe作为内标,对采集到的信号强度进行归一化处理,得到四个元素(P,Si,Mn和Cr)的分馏因子,并与纳秒激光剥蚀进行对比,发现飞秒激光可以有效减少传输过程和ICP电离过程的分馏效应。此外,也发现了激光能量的不同也会引起激光剥蚀过程中的分馏效应,由于该现象,当使用外标结合内标法(GBW01395作为外标基体)计算GSE-1G中四种元素的含量时,在高激光能量下,P的含量测定更准确,相对误差为+6.76%;由于在4.15 J/cm~2能量时Si元素仍未完全剥蚀,导致此时相对误差为-8.56%,但仍然大于低激光能量的计算结果;而在任意激光能量下,Mn和Cr的测量结果都较为精确,均在12%以下。最后,计算了当剥蚀GBW01395的激光能量固定为3.07 J/cm~2时,不同激光能量下GSE-1G的元素含量,发现当选择元素信号强度比值的斜率相近时,可以减小测量的相对误差,此时Mn和Cr的含量的相对误差分别降低至+3.46%和+4.24%,说明了改变剥蚀速率可以一定程度增加LA-ICP-MS的测量精度。

【学位授予单位】：中国地质大学
【学位授予年份】：2018