目的:探索健步对BMI、心率、收缩压、舒张压、体脂率5个指标的影响作用,根据文献推荐的健步量,结合健身指南制订适宜工作人群的科学健步方案。方法:检索中国知网、万方、PubMed和Web of science数据库中健步强度对工作人群健康指标影响...目的:探索健步对BMI、心率、收缩压、舒张压、体脂率5个指标的影响作用,根据文献推荐的健步量,结合健身指南制订适宜工作人群的科学健步方案。方法:检索中国知网、万方、PubMed和Web of science数据库中健步强度对工作人群健康指标影响的相关文献,对纳入文献进行方法学质量评估后,采用Revman5.3软件进行Meta分析。结果:Meta分析显示,健步可降低工作人群的BMI(SMD=-0.18,95%CI[-0.35,-0.02])、心率(SMD=-1.65,95%CI[-3.36, 0.06])、收缩压(SMD=-4.29,95%CI[-5.66,-2.93])、舒张压(SMD=-2.11,95%CI[-3.12,-1.10])和体脂率(SMD=-0.44.95%CI[-1.14,-0.25]),在降低心率方面还需更多实验周期较长、同质性更好的研究提供更强的佐证。在健步方案的推荐上,各文献普遍推荐的健步阈值为10 000步/天或60min,但未设定健步强度。结论:健步有利于调降工作人群的BMI、心率、收缩压、舒张压和体脂率,结合相关健身指南制订适宜工作人群的长期健步方案为:第1周进行3次20min慢走(3.5km/h),第2周进行3次40min慢走、2次40min快走(4.5km/h),后续保持每周6次60min的健步强度,以改善工作人群健康,为科学健步提供社会指引。展开更多
锂电池性能会随使用时间增加而逐步退化,若更换不及时,可能造成爆炸等严重事故。快速准确预测电池健康状态(state of health,SOH),对于锂电池系统管理和维护以及安全使用至关重要。本工作提出一种基于间接健康指标(health indicators,H...锂电池性能会随使用时间增加而逐步退化,若更换不及时,可能造成爆炸等严重事故。快速准确预测电池健康状态(state of health,SOH),对于锂电池系统管理和维护以及安全使用至关重要。本工作提出一种基于间接健康指标(health indicators,HIs)和高斯过程回归(Gaussian process regression,GPR)相结合预测锂电池SOH的机器学习模型。首先,通过分析锂电池放电过程,提取若干易于获得且适合动态操作的直接外部特征作为间接健康指标,并计算它们和SOH的相关性,最终筛选出平均放电电压、等压降放电时间、最高放电温度和平台期放电电压初始骤降值作为健康指标;其次,以上述健康指标作为输入特征,利用GPR算法建立锂电池退化模型,对NASA锂电池数据集进行预测,平均绝对误差(mean absolute error,MAE)不超过2%,均方根误差(root mean square error,RSME)控制在4%之内;最后,将本工作模型与其他常用机器学习模型进行比较,再将模型带入不同实验条件的电池中进行泛化性能分析,最大预测误差控制在6%之内,实验结果表明,本工作提出的间接健康指标和GPR模型具有相对较高的预测精度和优秀的泛化能力。展开更多
文摘目的:探索健步对BMI、心率、收缩压、舒张压、体脂率5个指标的影响作用,根据文献推荐的健步量,结合健身指南制订适宜工作人群的科学健步方案。方法:检索中国知网、万方、PubMed和Web of science数据库中健步强度对工作人群健康指标影响的相关文献,对纳入文献进行方法学质量评估后,采用Revman5.3软件进行Meta分析。结果:Meta分析显示,健步可降低工作人群的BMI(SMD=-0.18,95%CI[-0.35,-0.02])、心率(SMD=-1.65,95%CI[-3.36, 0.06])、收缩压(SMD=-4.29,95%CI[-5.66,-2.93])、舒张压(SMD=-2.11,95%CI[-3.12,-1.10])和体脂率(SMD=-0.44.95%CI[-1.14,-0.25]),在降低心率方面还需更多实验周期较长、同质性更好的研究提供更强的佐证。在健步方案的推荐上,各文献普遍推荐的健步阈值为10 000步/天或60min,但未设定健步强度。结论:健步有利于调降工作人群的BMI、心率、收缩压、舒张压和体脂率,结合相关健身指南制订适宜工作人群的长期健步方案为:第1周进行3次20min慢走(3.5km/h),第2周进行3次40min慢走、2次40min快走(4.5km/h),后续保持每周6次60min的健步强度,以改善工作人群健康,为科学健步提供社会指引。
文摘锂电池性能会随使用时间增加而逐步退化,若更换不及时,可能造成爆炸等严重事故。快速准确预测电池健康状态(state of health,SOH),对于锂电池系统管理和维护以及安全使用至关重要。本工作提出一种基于间接健康指标(health indicators,HIs)和高斯过程回归(Gaussian process regression,GPR)相结合预测锂电池SOH的机器学习模型。首先,通过分析锂电池放电过程,提取若干易于获得且适合动态操作的直接外部特征作为间接健康指标,并计算它们和SOH的相关性,最终筛选出平均放电电压、等压降放电时间、最高放电温度和平台期放电电压初始骤降值作为健康指标;其次,以上述健康指标作为输入特征,利用GPR算法建立锂电池退化模型,对NASA锂电池数据集进行预测,平均绝对误差(mean absolute error,MAE)不超过2%,均方根误差(root mean square error,RSME)控制在4%之内;最后,将本工作模型与其他常用机器学习模型进行比较,再将模型带入不同实验条件的电池中进行泛化性能分析,最大预测误差控制在6%之内,实验结果表明,本工作提出的间接健康指标和GPR模型具有相对较高的预测精度和优秀的泛化能力。
