目的探究对产科护士施以人性化护理管理对其工作压力及护理质量的影响。方法选取2022年3月—2023年3月寿光市人民医院产科护士46名为研究对象,采用随机数表法分为两组,每组23名。对照组实施常规护理管理,基于此,观察组实施人性化护理管...目的探究对产科护士施以人性化护理管理对其工作压力及护理质量的影响。方法选取2022年3月—2023年3月寿光市人民医院产科护士46名为研究对象,采用随机数表法分为两组,每组23名。对照组实施常规护理管理,基于此,观察组实施人性化护理管理,观察和比较组间护理质量评分、工作压力、工作情绪评分、护士满意度。结果观察组的基础护理、护理记录、病房管理、专科护理、健康宣教、理论知识评分均比对照组要高,差异有统计学意义(P<0.05)。观察组的重度压力率相比对照组要低,差异有统计学意义(P<0.05)。管理前,两组护士工作情绪评分比较,差异无统计学意义(P>0.05);管理后,观察组的抑郁情绪量表(Patient Health Questionnaire-9,PHQ-9)、广泛性焦虑障碍量表(Generalized Anxiety Disorder,GAD-7)评分均比对照组低,差异有统计学意义(P<0.05)。观察组护士满意度高于对照组,差异有统计学意义(P<0.05)。结论在产科护理管理中应用人性化护理管理的效果显著,对降低产科护士工作压力、提升护理质量及护士满意度有积极影响。展开更多
激光点云匹配是影响激光SLAM系统精度和效率的关键因素.传统激光SLAM算法无法区分场景结构,且在非结构化场景下由于特征提取不佳而出现性能退化.为此,提出一种联合CPD(coherent point drift)面向复杂场景的自适应激光SLAM算法CPD-LOAM....激光点云匹配是影响激光SLAM系统精度和效率的关键因素.传统激光SLAM算法无法区分场景结构,且在非结构化场景下由于特征提取不佳而出现性能退化.为此,提出一种联合CPD(coherent point drift)面向复杂场景的自适应激光SLAM算法CPD-LOAM.该算法提出一种基于预判和验证相结合的场景结构辨识方法,首先引入场景特征变量对场景结构进行初步判断,然后从几何特征角度通过表面曲率对其进行验证,增强对场景结构辨识的准确性.此外,在非结构化场景下添加CPD算法进行点云预配准,进而利用ICP算法进行再配准,解决该场景下的特征退化问题,从而提高点云配准的精度和效率.实验结果表明,提出的场景特征变量以及表面曲率可以根据设置的阈值有效地区分场景结构,在公开数据集KITTI上的验证结果显示,CPD-LOAM较LOAM算法定位误差降低了84.47%,相较于LeGO-LOAM与LIO-SAM算法定位精度也分别提升了55.88%和30.52%,且具有更高的效率和鲁棒性.展开更多
文摘目的探究对产科护士施以人性化护理管理对其工作压力及护理质量的影响。方法选取2022年3月—2023年3月寿光市人民医院产科护士46名为研究对象,采用随机数表法分为两组,每组23名。对照组实施常规护理管理,基于此,观察组实施人性化护理管理,观察和比较组间护理质量评分、工作压力、工作情绪评分、护士满意度。结果观察组的基础护理、护理记录、病房管理、专科护理、健康宣教、理论知识评分均比对照组要高,差异有统计学意义(P<0.05)。观察组的重度压力率相比对照组要低,差异有统计学意义(P<0.05)。管理前,两组护士工作情绪评分比较,差异无统计学意义(P>0.05);管理后,观察组的抑郁情绪量表(Patient Health Questionnaire-9,PHQ-9)、广泛性焦虑障碍量表(Generalized Anxiety Disorder,GAD-7)评分均比对照组低,差异有统计学意义(P<0.05)。观察组护士满意度高于对照组,差异有统计学意义(P<0.05)。结论在产科护理管理中应用人性化护理管理的效果显著,对降低产科护士工作压力、提升护理质量及护士满意度有积极影响。
文摘激光点云匹配是影响激光SLAM系统精度和效率的关键因素.传统激光SLAM算法无法区分场景结构,且在非结构化场景下由于特征提取不佳而出现性能退化.为此,提出一种联合CPD(coherent point drift)面向复杂场景的自适应激光SLAM算法CPD-LOAM.该算法提出一种基于预判和验证相结合的场景结构辨识方法,首先引入场景特征变量对场景结构进行初步判断,然后从几何特征角度通过表面曲率对其进行验证,增强对场景结构辨识的准确性.此外,在非结构化场景下添加CPD算法进行点云预配准,进而利用ICP算法进行再配准,解决该场景下的特征退化问题,从而提高点云配准的精度和效率.实验结果表明,提出的场景特征变量以及表面曲率可以根据设置的阈值有效地区分场景结构,在公开数据集KITTI上的验证结果显示,CPD-LOAM较LOAM算法定位误差降低了84.47%,相较于LeGO-LOAM与LIO-SAM算法定位精度也分别提升了55.88%和30.52%,且具有更高的效率和鲁棒性.