在3GPP室外场景下基于粒子群优化算法的多用户定位方案

高精度定位广泛应用于移动通信和蜂窝网络。因此,提出了一种高精度定位算法,该算法基于粒子群算法(Particle Swarm Optimization,PSO)融合时间差(Time Difference of Arrival,TDOA)测量和波达方向(Direction of Arrival,DOA)测量来进行定位。在3GPP Release 13版本所规定的网络部署和信道模型场景下,对该方案进行仿真评估。通过蒙特卡洛仿真结果显示,该算法相对传统LTE算法能将定位准确度提高7～8倍,达到1.3 m的定位精度。

基于机器学习建立脓毒症心肾综合征患者早期死亡风险预测模型

目的探讨机器学习算法构建脓毒症心肾综合征患者早期死亡风险预测模型的方法,为临床早期识别高危患者及精准治疗提供依据。方法入选同济大学附属同济医院2015年1月1日至2019年5月31日期间入院的脓毒症心肾综合征患者为研究对象,收集患者确诊时的临床表现、实验室检查及治疗情况等资料。研究终点事件定义为患者确诊后30 d内死亡。运用Python软件构建不同机器学习算法模型,采用受试者工作特征曲线下面积(AUC)评估各模型的预测效能。运用构建的最优模型筛选疾病相关风险因素,构建可视化决策树模型和半朴素贝叶斯(sNB)模型。结果340例患者入选本研究,其中114例(33.5%)患者确诊后30 d内死亡。支持向量机(SVM)、随机森林(RF)、梯度提升树(GBDT)、极端梯度提升(XGBoost)和轻量梯度提升(LGBM)5种模型的AUC值分别为0.652、0.868、0.870、0.754和0.852,其中GBDT模型预测患者发生终点事件的AUC值最优。依据GBDT模型特征重要度评分筛选出前10项患者预后的影响因素,包括序贯器官衰竭评估(SOFA)总评分、神经系统SOFA评分、血管活性药物应用史、高敏肌钙蛋白(cTNI)、年龄、肌红蛋白(MYO)、循环系统SOFA评分、慢性肾脏病史、心率和基线血肌酐值等参数,建立可视化决策树模型,模型共4层,15个节点,8个终端节点。依据SOFA总评分、MYO变化率、基线血肌酐值和年龄等4项影响因素建立决策树流程,模型预测患者发生终点事件的AUC值为0.690。sNB模型提示总SOFA总评分与神经系统SOFA评分、SOFA总评分与血管活性药物、cTNI与基线血肌酐值间的相互作用影响患者的短期预后。结论基于机器学习建立的脓毒症心肾综合征患者早期死亡风险预测模型结果提示,高SOFA评分仍然是预测脓毒症心肾综合征患者预后不良的首要危险因素。本研究建立的可视化决策树模型和sNB模型可在疾病早期针对高危患者进行临床判断,为脓毒症患者的精准治疗提供预测依据。