Background With the widespread adoption of electronic medical records, massive prescription data can be digitized and systematically stored. This provides a solid foundation for intelligent traditional Chinese medicine (TCM) diagnosis systems. TCM syndrome classification is the core of syndrome differentiation and treatment. Developing an effective classification framework remains a major challenge for intelligent diagnosis systems. Recent progress in natural language processing has introduced new approaches and tools for semantic understanding and knowledge extraction from prescription texts. However, traditional machine learning methods rely on hand-crafted features and struggle to process high-dimensional, sparse, and intricate TCM prescription texts. The single text-based model can capture semantic features but ignore the structural connections in prescription data. The single graph-based model emphasizes structural associations but fails to incorporate rich contextual semantics. Methods To address the challenges, we propose a new dual-channel TCM syndrome classification model (DC-TSCM) in healthcare applications. The text channel extracts deep representations from clinical description and physique detection texts. We developed a TCM differentiation-guided attention fusion module to dynamically learn the optimal weighting between prescription texts. The graph channel constructs a unique TCM differentiation heterogeneous graph and uses hybrid graph neural networks to model the complex semantic associations among clinical entities. Additionally, we extracted 8,280 prescriptions from real electronic medical records, covering 24 different syndrome types. The prescription data were standardized according to clinical diagnostic terminology and divided into training, validation, and test sets in an 8:1:1 ratio. Results Experiments were conducted on a structured multi-label syndrome differentiation dataset. The results indicate that the model achieves superior performance and strong generalization ability in multi-class syndrome classification. Its interpretability is further validated through visualization analysis, including the co-occurrence relationship heat map, confusion matrix, and receiver operating characteristic curve. The dual-channel model achieved an accuracy of 0.8919, precision of 0.9012, recall of 0.8947, and F1-score of 0.8930. Conclusion Overall, DC-TSCM bridges semantic understanding with structural reasoning and incorporates the principles of TCM differentiation. It significantly improves the accuracy of syndrome differentiation and suggests potential applicability beyond TCM, which could be explored in future work. It also provides a robust and interpretable framework for intelligent auxiliary diagnosis systems and lays a foundation for the integration of clinical knowledge with advanced deep learning methodologies.
Conception et implémentation d'un convertisseur 3D DC-DC à haute fréquence L’intégration ultime de convertisseurs à découpage repose sur deux axes de recherche. Le premier axe est de développer les convertisseurs à capacités commutées. Cette approche est compatible avec une intégration totale sur silicium, mais limitée en terme de densité de puissance. Le second axe est l’utilisation de convertisseurs à inductances, qui pâtissent d’imposants composants passifs. Une augmentation de la fréquence permet de réduire les valeurs des composants passifs. Cependant une augmentation de la fréquence implique une augmentation des pertes par commutation, ce qui est contrebalancé par l’utilisation d’une technologie de fabrication plus avancée. Ces technologies plus avancées souffrent quant à elles de limitations au niveau de leur tension d’utilisation. Convertir une tension de 3,3V vers une tension de 1,2V apparait donc comme un objectif ambitieux, particulièrement dans le cas où les objectifs de taille minimale et de rendement supérieur à 90 % sont visés. Un assemblage 3D des composants actifs et passifs permet de minimiser la surface du système. Un fonctionnement à haute fréquence est aussi considéré, ce qui permet de réduire les valeurs requises pour les composants passifs. Dans le contexte de l’alimentation « on-chip », la technologie silicium est contrainte par les fonctions numériques. Une technologie 40 nm CMOS de type « bulk » est choisie comme cas d’étude pour une tension d’entrée de 3,3 V. Les transistors 3,3 V présentent une figure de mérite médiocre, les transistors 1,2 V sont donc choisis. Ce choix permet en outre de présenter une meilleure compatibilité avec une future intégration sur puce. Une structure cascode utilisant trois transistors en série est étudiée est confrontée à une structure standard à travers des simulations et mesures. Une fréquence de +100MHz est choisie. Une technologie de capacités en tranchées est sélectionnée, et fabriquée sur une puce séparée qui servira d’interposeur et recevra la puce active et les inductances. Les inductances doivent être aussi fabriquées de manière intégrée afin de limiter leur impact sur la surface du convertisseur. Ce travail fournit un objet contenant un convertisseur de type Buck à une phase, avec la puce active retournée (« flip-chip ») sur l’interposeur capacitif, sur lequel une inductance est rapportée. Le démonstrateur une phase est compatible pour une démonstration à phases couplées. Les configurations standard et cascode sont comparées expérimentalement aux fréquences de 100 MHz et 200 MHz. La conception de la puce active est l’élément central de ce travail, l’interposeur capacitif étant fabriqué par IPDiA et les inductances par Tyndall National Institute. L’assemblage des différents sous-éléments est réalisé via des procédés industriels. Un important ensemble de mesures ont été réalisées, montrant les performances du convertisseur DC-DC délivré, ainsi que ses limitations. Un rendement pic de 91,5 % à la fréquence de 100 MHz a été démontré.
Abstract Finkl DC is a single-vacuum melted AISI H13 type material made by the vacuum arc degassing (VAD) process. The vanadium content of 1% in addition to a high chromium (Cr 5%) and molybdenum (Mo 1.4%) promotes hot strength and wear resistance. This datasheet provides information on composition. It also includes information on heat treating. Filing Code: TS-614. Producer or source: A. Finkl & Sons Company.