简介:摘要目的探讨胸前导联V3移行的流出道室性期前收缩中,右心室流出道(right ventricular outflow tract,RVOT)前间隔和右冠状动脉窦(right coronary cusp,RCC),以及RVOT中后间隔和左侧冠状动脉窦(left coronary cusp,LCC)的室性期前收缩左右心室起源的体表心电图特点。方法选取2017年1月至2019年9月就诊于河北医科大学第二医院的91例胸前导联呈V3移行且于RVOT前间隔及中后间隔、LCC和RCC部位成功行射频消融术的流出道室性期前收缩患者的临床资料,进行回顾性病例对照研究。分别比较RVOT前间隔组与LCC组,以及RVOT中后间隔组与RCC组室性期前收缩的体表心电图特征,包括Ⅰ、Ⅱ、Ⅲ、aVF导联R波振幅,Ⅲ导联与Ⅱ导联R波振幅比值,aVL、aVR导联Q波振幅、aVL导联与aVR导联Q波振幅的比值,V1~V3导联的R波和S波振幅,V2S/V3R指数,移行区指数和V2移行指数。结果起源于RVOT前间隔的室性期前收缩36例,LCC的11例。RVOT前间隔组I导联R波振幅高于LCC组[(0.22±0.25) mV与-(0.17±0.33) mV,P=0.003];Ⅱ导联R波振幅低于LCC组[(1.59±0.35) mV与(1.76±0.27) mV,P=0.035];aVF导联R波振幅低于LCC组[(1.53±0.35) mV与(1.78±0.39) mV,P=0.050]; V2S/V3R指数两组间差异有统计学意义(1.99±0.66与0.76±0.38,P<0.001);V2移行指数在两组间差异有统计学意义(0.69±0.43与1.05±0.35,P=0.005)。起源于RVOT中后间隔的室性期前收缩32例,RCC的12例。RVOT中后间隔组的Ⅰ导联R波振幅低于RCC组[(0.25±0.31) mV与(0.57±0.12) mV,P<0.001];Ⅲ导联与Ⅱ导联R波振幅比值高于RCC组(0.89±0.14与0.72±0.18,P=0.002);aVL导联Q波振幅高于RCC组[(0.72±0.24) mV与(0.51±0.16) mV,P=0.002],aVL与aVR导联Q波振幅比值高于RCC组[0.76±0.23与0.50±0.21,P=0.002]。结论胸前导联V3移行的流出道室性期前收缩中,RVOT前间隔与LCC起源的室性期前收缩Ⅰ、Ⅱ、aVF导联R波及V2S/V3R指数、V2移行指数所有不同;RVOT后间隔及RCC起源的室性期前收缩Ⅰ导联R波、Ⅲ与Ⅱ导联R波振幅比值及aVL与aVR导联Q波振幅比值不同,结合其不同特点可协助鉴别左右心室起源部位。
简介:摘要:针对目前常用的目标检测算法检测PCB板表面缺陷具有定位不准确、细小缺陷难以检测等问题,本文提出了多尺度特征融合的YOLO V3(Multiscale Feature Fusion,MFF-YOLO V3)PCB缺陷检测方法。受YOLO V3模型启发,通过设计卷积神经网络提取多尺度图像特征,将生成的多尺度特征进行融合以生成单尺度图像特征,然后运用聚类方法以实现对PCB板缺陷的准确定位。与YOLO V3不同在于,通过提高多尺度图像特征的分辨率并进行融合,提高了模型对PCB板微小缺陷的检测能力;为实现PCB板缺陷的精准定位,采用以AvgIOU为金标准的K-means算法实现候选目标区域的重定义。同时,由于MFF-YOLO V3实现了单输出以实现特征的提取,减小卷积层的层数,从而减小网络训练的计算量。通过在DeepPCB数据集上进行测试,其mAP较YOLO V3提升了9.2%,准确率达到了87.9%。实验表明,多尺度特征融合YOLO V3的PCB板表面缺陷检测方法能够更有效的检测PCB板缺陷,基本满足工业检测要求。
简介:ThecomplexK3H4GeW9V3O40·8H2OcrystallizedinamonocliiniesystemwithspacegroupP2,Mr=2784.67,a=11.099(3),b=16.452(4),c=13.534(4),β=108.14°,Z=2,V=2348.493,F(000):2456,μ=239.7cm-1,De=3.932g/cm3.ThefinalR=0.083for4528non-zeroreflexions.ThestructureofanionsGeW9V3O40andGeW9O34belongstoA--type.