基于卡尔加里-剑桥指南的沙龙培训模式提升全科规培医师医患沟通技能的对照研究

背景医患沟通技能是全科医生的核心岗位胜任力之一,高水平的医患沟通能力是创建和谐医患关系的基石,有助于提高患者就医获得感和满意度。而我国全科医生沟通能力普遍偏低,有待探索出一种适应我国国情、满足我国全科医生沟通需求的医患沟通培训模式来提高其医患沟通能力。目的探索基于卡尔加里-剑桥指南的沙龙培训模式在全科规培医师医患沟通技能培训中的应用效果,为构建适合我国国情的医患沟通培训体系提供参考依据。方法选取成都市第五人民医院2019—2020年度全科规培医师40名作为研究对象,按照随机数字表法分为沙龙组和对照组,每组20名,其中沙龙组使用基于卡尔加里-剑桥指南的沙龙培训模式进行医患沟通培训,对照组设置为空白对照,培训前、培训后1周分别对两组学员采用标准化病人(SP)模式进行接诊,使用医患沟通评价量表(SEGUE量表)进行现场观察评分,比较两组学员的医患沟通培训效果。结果最终纳入28名,其中沙龙组15名,对照组13名,培训后沙龙组规培医师SEGUE量表评分从(11.80±4.36)分提高至(18.07±4.11)分,对照组规培医师SEGUE量表评分从(12.15±4.63)分提高至(14.46±3.71)分。沙龙组培训后的SEGUE量表评分与培训前的比较,差异有统计学意义(t=3.250,P<0.001);对照组培训后的SEGUE量表评分与培训前比较,差异无统计学意义(t=2.582,P=0.624);培训后对SEGUE量表中的25个项目进行分析,沙龙组与对照组SEGUE量表评分比较,差异有统计学意义(P<0.05)。沙龙组以下5个项目结果优于对照组,准备阶段中的“建立个人信任关系”(93.3%比7.7%)、“保护患者的隐私/尊重患者选择权”(53.3%比15.4%);理解患者阶段中的“认同患者为疾病所付出的努力、改变及其遇到的困难”(33.3%比23.1%)、“表达关心,使患者感到温暖/树立信心”(100.0%比69.2%);结束问诊阶段中的“询问患者是否还有其他的问题需要探讨”(66.7%比23.1%)。结论基于卡尔加里-剑桥指南的沙龙培训模式对全科规培医师进行医患沟通技能培训可增强学员主动参加培训的兴趣和积极性,对于医患沟通能力的提升具有较好的培训效果,值得借鉴和推广。

受试者测试状态对卡尔曼加权平均ABR测试残余噪声的影响

目的探讨采用卡尔曼加权平均(Kalman-weighted averaging,KWA)的听性脑干反应(ABR)测试中,受试者不同测试状态对残余噪声及ABR波V振幅的影响。方法选取21例(42耳)18~34岁听力正常成年人,分别在安静诊室内三种不同的状态下(安静平卧、坐位、写字)使用卡尔曼加权平均的新型ABR系统(vivosonic integrity system)进行ABR测试,同时使用传统ABR测试系统(interacoustics,IA)在隔声屏蔽室内进行ABR测试,记录各状态下受试者ABR反应的残余噪声水平和波V幅值并进行比较。结果①传统ABR和卡尔曼加权平均ABR三种不同测试状态(平卧、坐位、写字)下波V振幅没有显著差异(P>0.05);②卡尔曼加权平均ABR安静平卧和坐位两种状态下的残余噪声水平较传统ABR低,但无统计学差异(P>0.05);卡尔曼加权平均ABR在写字状态下的残余噪声水平显著高于其他三种状态(P<0.05);③写字状态下卡尔曼加权平均ABR的残余噪声、波V振幅在左右耳之间没有显著差异(P>0.05)。结论与传统ABR相比,卡尔曼加权平均ABR在写字状态下的残余噪声显著升高,但安静平卧和坐位状态下的残余噪声水平与传统ABR无显著差异,受试者的不同测试状态对残余噪声水平有一定影响。

迭代无味卡尔曼滤波器的算法实现与应用评价

为了对各种迭代无味卡尔曼滤波(iterated unscented Kalman filter,IUKF)算法的应用及性能表现给出较为全面、客观的评价,分别导出并探讨了3种IUKF算法之间的内在联系。多种情况下的仿真应用表明,当观测噪声不太大,且该非线性系统状态的后验密度为可用高斯分布很好近似的单峰形式时,或者说是引起系统非线性的状态量是完全瞬时可观测时,选用恰当的IUKF算法,通过2～3次迭代,就可以在保持滤波一致性的条件下,进一步获得显著的精度收益;否则,IUKF相对于无味卡尔曼滤波(unscented Kalman filter,UKF)的迭代收益就难以保证。

笛卡尔与卢梭:他心问题域中的理解儿童探究

一般性的他心问题主要包涵他心是否存在以及他心能否被认识或理解两个基本问题。相应的,在成人—儿童的关系中,他心问题转变为儿童之心是否存在,以及成人能否认识或理解儿童之心两个基本问题。笛卡尔和卢梭代表着关于儿童之心的两种不同理解路径,笛卡尔催生了一般性他心问题,并怀疑儿童之心的存在,是唯我认识论的理性主义路径;卢梭在与笛卡尔“对话”的基础上,发现了作为身体感受之心与自然善好之心的儿童之心,是德性论的浪漫主义路径。不过,卢梭的发现依然带有笛卡尔痕迹。笛卡尔和卢梭是奠基并影响儿童观念的两个早期关键人物,他们对儿童观念的现代化与现代儿童教育影响深远。

基于动态噪声自适应无迹卡尔曼滤波的锂离子电池SOC估计

锂离子电池具有无记忆效应、轻量化、环保等特点,因此常作为电动交通工具、电子设备的能源来源,并适用于各种规模的能源存储。在锂离子电池管理系统中,电池的荷电状态(state of charge,SOC)是最关键的指标之一,其准确估计对于实现电池系统的高效能量管理和优化控制至关重要。因此本文提出了一种基于动态噪声自适应无迹卡尔曼滤波的SOC估计方法。首先,通过间歇放电实验获取电池不同SOC下的开路电压,并进一步拟合得到电池的OCV-SOC曲线,接着采用二阶RC等效电路模型对锂离子电池建模,然后通过混合功率脉冲特性工况测试对电池模型参数进行辨识。由于实际应用中锂离子电池为非线性系统且SOC估计精度容易受到噪声的影响,本文在卡尔曼滤波算法的基础上采用无迹变换处理,加入噪声自适应过程,以实现噪声特性自适应估计,动态调整测量噪声与过程噪声,提高算法鲁棒性以及估计精度。最后选取DST与FUDS工况进行验证,结果表明在不同工况下动态噪声自适应无迹卡尔曼滤波算法的估计平均绝对误差、最大绝对误差以及均方根误差相较于自适应无迹卡尔曼滤波、无迹卡尔曼滤波算法均有降低,其平均绝对误差小于0.59%。本文提出的动态噪声自适应无迹卡尔曼滤波算法能够更准确地估计锂离子电池SOC。

基于GA-LSTM自适应卡尔曼滤波的路面不平度识别

准确、快速地识别出车辆当前行驶的路面激励信息,是实现智能底盘控制进而保证车辆平顺性的关键。针对传统路面不平度识别算法准确率低、自适应性差等问题,提出了基于遗传算法(genetic algorithm,GA)优化长短期记忆神经网络(long short-term memory networks,LSTM)自适应卡尔曼滤波的路面不平度识别算法。基于2自由度车辆悬架模型,通过灰色关联法选择LSTM神经网络的特征输入变量,并采用GA优化LSTM神经网络的模型参数以准确识别路面等级,并据此实时更新卡尔曼滤波器算法中的噪声矩阵,实现了在复杂路况下对路面不平度的自适应识别。仿真和试验研究表明,所提出的基于GA-LSTM自适应卡尔曼滤波算法能够快速准确的识别路面不平度与路面等级,与传统卡尔曼滤波算法相比,相关系数、均方根误差和最大绝对误差分别提高3.11%、37.5%和51.2%,表明所提算法对复杂工况具有很好的自适应能力。

自适应渐消无迹卡尔曼滤波锂电池SoC估计

精确的荷电状态(SoC)是锂电池安全高效运行的重要保障,文章针对传统无迹卡尔曼滤波(UKF)对非线性系统突变状态跟踪能力差,导致SoC估计精度低的问题,提出一种新型自适应渐消无迹卡尔曼滤波(AFUKF)SoC估计方法。首先,通过设计新型衰减因子对UKF误差协方差矩阵进行加权,并基于新型衰减因子完成AFUKF的设计,减小陈旧量测值对估计结果的影响,提高传统UKF的估计精度和跟踪能力。其次,基于自主实验平台测试数据,验证了本文所提AFUKF算法存在初始误差时,相较于传统UKF算法,ECE工况下平均绝对误差和均方根误差分别下降了47.95%和33.92%,DST工况下分别下降了36.40%和27.73%;相较于同类改进的AUKF算法,ECE工况下平均绝对误差和均方根误差分别下降了43.36%和33.51%,DST工况下分别下降了39.01%和25.63%。模型结果表明,相比于传统UKF算法以及同类型改进的AUKF算法,AFUKF具有更高的估计精度,且在相同初始SoC误差条件下具有更好的鲁棒性。

基于卡尔曼滤波的综合脉冲星时驾驭原子时算法研究

利用综合脉冲星时(PT)具有较好长期频率稳定度的优点,将原子时驾驭到综合脉冲星时,可以改进其长期频率稳定度水平。文章描述了综合脉冲星时驾驭原子时的卡尔曼滤波方法。以美国海军天文台地方原子时TA(USNO)为例,采用卡尔曼滤波方法将地方原子时驾驭到国际原子时TAI,进而利用综合脉冲星时PT数据将其再驾驭到综合脉冲星时系统,最后得到经过2次频率驾驭后的PT-TA(USNO)钟差序列。考虑到综合脉冲星时PT包含有较大白频噪声,利用滤除其高频噪声后的PT驾驭原子时,能够获得更佳频率驾驭效果,驾驭后的钟差序列长期频率稳定度有明显提高。采用同样算法,将美国国家标准和技术研究院地方原子时TA(NIST)驾驭到TAI,再驾驭到PT,也得到相似结果。

基于压痕试验的岩石力学参数的卡尔曼滤波反演

压痕试验是间接评估岩体力学特性的重要方法,为了更好地利用压痕试验评估岩体力学参数,本研究采用一种基于扩展卡尔曼滤波算法的参数反演方法。基于室内压痕试验获得的荷载-压入深度曲线数据,通过弹塑性数值仿真模型构建岩体弹塑性参数与压痕曲线的响应关系,进而利用卡尔曼滤波算法实现对岩石弹塑性参数的反演和优化分析。结果表明,本研究方法具有较好的收敛性和较高的识别精度,反演得到的岩石弹性参数均值的相对误差在10%左右,塑性参数的反演结果相对误差小于20%。较传统单一经验公式方法,本研究方法具有更高的预测精度,对多种不同岩性岩体都有较好的适用性。

卡尔曼滤波算法研究

对卡尔曼滤波的起源和发展进行了简述,然后对标准卡尔曼滤波的定义和模型进行了回顾,重点对近似二阶扩展卡尔曼滤波、扩维无迹卡尔曼滤波和自适应卡尔曼滤波等3种最新改进型的卡尔曼滤波算法进行了详细阐述,最后对这3种新改进型的卡尔曼滤波算法的优缺点进行了对比分析,对各自的适用领域和场景进行了说明。

BPNN改进卡尔曼滤波算法对课程思政效果评价的验证研究

教学效果评价及其验证是高校课程思政实施过程中的重要环节,也是目前教学评价改革中亟待解决的难点之一。为了验证、反馈和优化教学效果评价,在课程思政教学实践的基础上,通过预测实施课程思政的教学效果,构建了结合反向传播神经网络(back propagation neural network,BPNN)的卡尔曼滤波算法(Kalman filter,KF)模型。利用BP神经网络优化KF模型中的状态参数,通过KF滤波信息来反向验证和优化课程思政效果经验评价模型。Matlab运算结果表明,与传统KF算法相比,基于BP改进的KF算法的预测获得了较理想的结果。

基于非线性卡尔曼滤波的城市轨道交通客流密度短时预测方法

[目的]为应对大客流事件,需准确识别城市轨道交通对大客流时空分布状态及演化规律,有必要基于EKF(扩展卡尔曼滤波)和UKF(无迹卡尔曼滤波),对城市轨道交通客流密度进行短时预测。[方法]从车站和断面两个层面,介绍了自动售检票设备数据的处理方法,并划分了城市轨道交通车站及断面的舒适度等级。通过定义客流密度状态方程和量测方程,分别介绍了EKF模型和UKF模型的城市轨道交通客流密度短时预测计算方法。以国内某城市轨道交通网络化运营城市某条线路为案例,比较了EKF模型及UKF模型的预测精度。[结果及结论]算例结果表明,EKF模型及UKF模型均能通过实时采集当前时段车站自动售检票设备数据来预测下一时段的车站客流密度和断面客流密度,适用于城市轨道交通客流密度短时预测场景。相比于EKF模型,UKF模型全天分时段预测值更接近真实变化趋势,UKF模型预测值与真实值的散点分布更趋集中收敛;UKF模型的均方根误差、平均绝对误差及平均绝对百分比误差均相对更低,说明UKF模型预测精度相对更高。

压电陶瓷作动器的卡尔曼滤波输出反馈预测控制

为了抑制压电陶瓷的迟滞、非线性特性对压电微定位平台精度的影响,建立反映压电陶瓷作动器频率依赖迟滞非线性特性的Hammerstein模型:利用非对称Bouc-Wen模型来表示静态迟滞非线性和利用动态线性模型表征信号频率的影响。针对迟滞补偿器不能完全的进行补偿,并且存在噪音干扰实验设备,采用基于卡尔曼滤波的预测控制,提高压电微定位平台的控制精度。预测控制用来减小逆补偿误差以及建模误差等模型不确定性的影响,卡尔曼滤波用来获得系统的状态估计值。实验结果显示,该控制器在正弦波信号下的相对跟踪误差小于0.68%,三角波信号下相对跟踪误差小于0.70%。在迟滞补偿的基础上,采用卡尔曼滤波的预测控制,该方法可以有效地完成对微定位平台的高精度跟踪。

基于集合卡尔曼滤波的水文模型状态变量反馈校正方法

集合卡尔曼滤波已应用于水文模型初始状态误差校正。如何选择校正变量、是否同步校正模型参数、如何优选滤波超参数是其应用难点。为此,以綦江流域GR5J模型为原型,同化实测流量反馈校正模型状态,通过合成实验和滚动预报实验,分析状态变量选择、模型参数扰动、滤波超参数对预报精度的影响。结果表明:准确识别有偏初始状态,集合卡尔曼滤波能提高预报精度;若难以识别,建议同步校正产流汇流状态变量,减少过校正。模型参数有偏时,应先识别模型参数,再校正模型状态。增加集合数和预热时长能提高校正精度,模型和观测噪声的影响具有非单调性;滤波校正效果随预见期延长而衰减,但要优于模型预热技术。该发现可作为作业预报应用状态校正法的参考。

采用改进最大相关熵自适应迭代容积卡尔曼滤波算法的锂离子电池荷电状态估计

针对非高斯噪声干扰下传统滤波算法在估计锂离子电池荷电状态(SOC)时存在不稳定以及精度低的问题,提出一种改进的最大相关熵自适应迭代容积卡尔曼滤波(IMCC-AICKF)算法,用于估计锂离子电池荷电状态。所提算法将加权最小二乘方法与最大相关熵准则(MCC)相结合,定义了一种新的代价权函数作为优化准则,通过优化噪声最小协方差矩阵来减小滤波误差,保证长时间滤波的收敛性和稳定性;再与自适应迭代容积卡尔曼滤波(AICKF)算法相结合,对过程噪声协方差和测量噪声协方差进行更新来提高估计的准确性和鲁棒性。基于两种电池数据,在非高斯噪声干扰下,运用所提算法对电池SOC进行估计,仿真结果表明:与容积卡尔曼滤波(CKF)算法和最大相关熵容积卡尔曼滤波(IMCC-CKF)算法相比,IMCC-AICKF算法对荷电状态估计的最大绝对误差、平均绝对误差和均方根误差都是最小的,且平均绝对误差和均方根误差均小于1%;在给定初始值错误的情况下,IMCC-AICKF算法可以准确收敛到真实值,具有较好的鲁棒性。所提算法在非高斯噪声下能实现更准确的估计,是一种估计精度高且鲁棒性好的SOC估计方法。

集合论、笛卡尔乘积和多项式定理在生命表研究中的应用:以取食玉米粒和茶树叶片的棉铃虫生命表为例

【目的】自我重复取样技术(bootstrap technique)广泛用于计算生命表各参数的方差、标准误和置信区间(confidence interval),而配对自我重复取样检验(paired bootstrap test,PBT)则用于检测处理间的生命表参数差异。本研究以取食玉米粒和茶树叶片的棉铃虫Helicoverpa armigera生命表为例,进一步解释集合论、笛卡尔乘积和多项式定理在害虫种群生物学研究中的应用。【方法】利用年龄-龄期两性生命表对取食玉米粒和茶树叶片的棉铃虫种群参数进行分析,利用集合论、笛卡尔乘积和多项式定理将种群统计分析以明确数学的方法呈现,以检测所有可能的自我重复取样样本、精确计算种群参数置信区间以及处理之间差异的置信区间,计算可育和不育样本的概率。【结果】取食茶树叶片的棉铃虫其成虫前期存活率、内禀增长率(r)、周限增长率(λ)、净增殖率(R_(0))、平均世代周期(T)均显著低于取食玉米粒的,说明茶树叶片不是棉铃虫的适宜寄主植物。因取食茶树叶片棉铃虫种群不育样本数较多,利用bootstrap重复取样接受可育与不育样本时,其结果与不用bootstrap技术计算的差异小于5%;若取样时仅接受可育样本,结果与原数值差异显著,误差较大(>5%)。使用笛卡尔配对检验(Cartesian paired test,CPT)比较取食两种食物的棉铃虫种群的R0的差异时,可计算两种处理bootstrap抽样结果所有可能差异的精确置信区间,而使用自我重复取样检验通常会导致置信区间的估值过高或过低,尤其是自我重复取样数较小时。多项式定理可以揭示可育和不育样本的自我重复取样结果。自我重复取样抽样记录必须保留,以便在后续分析中进一步应用。【结论】本研究进一步明确了两性生命表理论的数学基础,也为昆虫学研究中的生命表技术的应用提供数学支撑。

基于平方根容积卡尔曼滤波的核反应堆功率H_(∞)控制

核反应堆的负荷跟踪控制是核电站灵活调峰、具有应用价值的基础之一.根据反应堆中子动力学、热工水力、反应性方程等数学模型构建了反应堆的平方根容积卡尔曼滤波器(Square-root Cubature Kalman Filter,SCKF),对反应堆状态反馈问题中部分状态量无法量测或估计精度不足的问题加以解决,结合离散H_(∞)性能指标设计了基于SCKF的反应堆功率H_(∞)控制器,并与基于经典卡尔曼滤波器(Kalman Filter,KF)的反应堆功率H_(∞)控制器进行了同工况数值仿真对比.仿真结果表明,基于SCKF的功率控制器具有较好的负荷跟踪性能,能够根据期望跟踪目标调节反应堆功率水平;由于SCKF对非线性系统模型相比于KF具有更高的状态估计精度,基于SCKF的功率控制器相比基于KF的功率控制器具有更优的控制效果.

基于核相关滤波和卡尔曼滤波预测的混合跟踪方法

针对核相关滤波(KCF)跟踪算法在遮挡场景中出现跟踪性能降低甚至跟踪失败的问题,提出了一种核相关滤波和卡尔曼滤波(KF)预测相结合的模型自适应抗遮挡图像目标跟踪算法KCF-KF。首先,考虑到传统KCF目标跟踪算法中缺少遮挡评估的问题,通过引入响应图的峰值旁瓣比来对图像目标的遮挡情况进行判断,并将遮挡类型划分为部分遮挡和严重遮挡。其次,根据遮挡程度采取不同的模型更新策略,当目标无遮挡或者部分遮挡时,替代传统KCF跟踪算法中采用固定学习率更新模型的方法,通过自适应地调整模型学习率来更新目标外观模型,避免跟踪漂移;当目标被严重遮挡时,停止KCF模型更新。最后,应用严重遮挡之前的运动信息构建卡尔曼滤波器状态空间和位置输出模型,设计卡尔曼滤波算法预测运动目标轨迹来估计遮挡情景下的目标位置,从而解决在遮挡场景中目标跟踪失败的问题。采用OTB-2013标准数据集进行大量实验,结果表明:所提的混合跟踪算法KCF-KF的距离精度为0.796,重叠成功率为0.692。与其他传统跟踪算法相比,该混合算法的跟踪精度和跟踪成功率均优于其他算法,并且在遇到目标遮挡挑战时具有更好的跟踪性能,有效地解决了跟踪过程中的遮挡干扰问题。

拟感、知觉场与“笛卡尔妖”--威廉·吉布森“矩阵三部曲”中的赛博空间解析

在笛卡尔《第一哲学沉思集》所假设妖怪的骗局中,包含了一个特殊的超自然的知觉场,它的特殊性主要表现在知觉的显现与实物的缺场、知觉场的封闭性与被操控性等。威廉·吉布森在“矩阵三部曲”中通过拟感技术在赛博空间中“复现”了这一知觉场。它不仅将存在于理论中的假设性骗局引入现实维度,而且体现得更为丰富直观。赛博空间以“笛卡尔妖”同样的套路对人们的感官认知与理性认知构成系统性欺骗:知觉显现的“真实”造成人们感官认知的“轻信”;知觉显现指涉的不确定造成理性认知的陷阱,赛博空间的重新编码不断营造“数字复魅”的世界。资本推动之下,拟感技术与赛博空间全面渗透进日常生活,使得这一骗局进一步社会化并控制人们的认知行为,对人类正常认知造成破坏。于是,笛卡尔的怀疑精神再次显示出其在解决认知问题及批判资本主义幻觉政治方面的启迪意义。

基于迭代卡尔曼滤波器的GPS-激光-IMU融合建图算法

在当前机器人导航和环境感知领域,室外大尺度场景下的三维激光SLAM一直是一个挑战性问题。由于GPS信号在某些环境下的不稳定性和激光SLAM的误差累积特性,传统算法在大尺度场景下表现不佳。针对室外大尺度场景下三维激光SLAM(同步定位和地图构建)存在的误差累积严重问题,本文提出了一种基于迭代卡尔曼滤波器的GPS-激光-IMU融合建图算法。该算法通过利用惯性测量单元(IMU)数据对机器人状态进行预测,同时以激光和全球定位系统(GPS)数据作为观测,更新机器人状态,推导出观测方程和雅可比矩阵,显著提高了建图的精度和鲁棒性。里程计中融合GPS数据的绝对位置信息以解决长时间运行中的误差累积问题。在特征稀疏的环境中,由于约束不足可能导致算法崩溃,GPS数据的引入可以提高系统的鲁棒性。此外,重力对于IMU数据预测机器人状态起到关键的作用。虽然重力是三维向量,但在不发生区域变化的情况下,其模长是不变的,因此被视为二自由度向量。通过将重力的优化转化为旋转矩阵群上的优化,成功避免了重力过参数化的问题,提高了算法的精度。在室外场景下与其他算法进行了性能测试对比并且验证了在大尺度场景下的鲁棒性和精度,结果表明:本文算法的均方根误差为0.089 m,与其他算法相比降低了54%。