目的探讨基于领导生命周期理论(situational leadership theory,SLT)的神经外科卧床患者肺康复干预方案的制订与实施效果,评价神经外科卧床患者肺康复干预方案的实用性。方法选取暨南大学附属第五医院2022年1月—2023年3月100例神经外...目的探讨基于领导生命周期理论(situational leadership theory,SLT)的神经外科卧床患者肺康复干预方案的制订与实施效果,评价神经外科卧床患者肺康复干预方案的实用性。方法选取暨南大学附属第五医院2022年1月—2023年3月100例神经外科卧床患者为研究对象,按照组间资料均衡且具有可比性的原则,将研究对象分为对照组和观察组,各50例。对照组实施常规肺康复方案,观察组在对照组基础上实施基于SLT理论制订的肺康复干预方案,首先组建研究小组,构建基于SLT理论的肺康复干预方案并实施,连续干预4周。干预后比较两组患者用力肺活量(forced vital capacity,FVC)、第1秒用力呼气容积(forced expiratory volume in the first second,FEV_(1))水平、康复依从性、生活质量和护理满意程度的差异性。结果观察组干预后的FVC、FEV_(1)指标均优于对照组,差异有统计学意义(P<0.05)。观察组干预后的康复依从性高于对照组,差异有统计学意义(P<0.05)。观察组干预后各项生活质量评分中的生理、心理、躯体疼痛、社会功能评分均高于对照组,差异有统计学意义(P<0.05)。观察组护理满意程度高于对照组,差异有统计学意义(P<0.05)。结论基于SLT理论制定肺康复干预计划符合神经外科卧床患者需求,该模式能够促进患者肺康复和生活质量的提升,患者康复依从性良好,有利于提高护理满意程度,是一种可行、可借鉴的康复护理模式。展开更多
针对基于传统深度学习的视频预测中对数据空间特征提取效果不佳及预测精度低的问题,提出一种结合内卷与卷积算子(CICO)的视频预测模型。该模型主要通过以下三个方面提高视频序列的预测性能:首先,采用不同大小的卷积核增强对数据多粒度...针对基于传统深度学习的视频预测中对数据空间特征提取效果不佳及预测精度低的问题,提出一种结合内卷与卷积算子(CICO)的视频预测模型。该模型主要通过以下三个方面提高视频序列的预测性能:首先,采用不同大小的卷积核增强对数据多粒度空间特征的提取能力,较大的卷积核能够提取更大空间范围的特征,而较小的卷积核可更精确地捕获视频目标的运动细节,实现对目标多角度表征学习;其次,用计算效率更高、参数更少的内卷算子替代核较大的卷积算子,内卷通过高效的通道间交互避免了大量的不必要参数,在降低计算和存储成本的同时提升模型预测能力;最后,引入核为1×1的卷积进行线性映射,增强不同特征之间的联合表达,提高了模型参数的利用效率并增强了预测的鲁棒性。通过多个数据集对该模型进行全面测试,结果表明,相较于目前最优的SimVP(Simpler yet better Video Prediction)模型,所提模型在多项指标上均有显著提升。在移动手写数据集上,均方误差和平均绝对误差分别降低25.2%和17.4%;在北京交通数据集上,均方误差降低1.2%;在人体行为数据集上,结构相似性指数和峰值信噪比分别提高0.66%和0.47%。可见,所提模型在提升视频预测精度方面十分有效。展开更多
文摘目的探讨基于领导生命周期理论(situational leadership theory,SLT)的神经外科卧床患者肺康复干预方案的制订与实施效果,评价神经外科卧床患者肺康复干预方案的实用性。方法选取暨南大学附属第五医院2022年1月—2023年3月100例神经外科卧床患者为研究对象,按照组间资料均衡且具有可比性的原则,将研究对象分为对照组和观察组,各50例。对照组实施常规肺康复方案,观察组在对照组基础上实施基于SLT理论制订的肺康复干预方案,首先组建研究小组,构建基于SLT理论的肺康复干预方案并实施,连续干预4周。干预后比较两组患者用力肺活量(forced vital capacity,FVC)、第1秒用力呼气容积(forced expiratory volume in the first second,FEV_(1))水平、康复依从性、生活质量和护理满意程度的差异性。结果观察组干预后的FVC、FEV_(1)指标均优于对照组,差异有统计学意义(P<0.05)。观察组干预后的康复依从性高于对照组,差异有统计学意义(P<0.05)。观察组干预后各项生活质量评分中的生理、心理、躯体疼痛、社会功能评分均高于对照组,差异有统计学意义(P<0.05)。观察组护理满意程度高于对照组,差异有统计学意义(P<0.05)。结论基于SLT理论制定肺康复干预计划符合神经外科卧床患者需求,该模式能够促进患者肺康复和生活质量的提升,患者康复依从性良好,有利于提高护理满意程度,是一种可行、可借鉴的康复护理模式。
文摘针对基于传统深度学习的视频预测中对数据空间特征提取效果不佳及预测精度低的问题,提出一种结合内卷与卷积算子(CICO)的视频预测模型。该模型主要通过以下三个方面提高视频序列的预测性能:首先,采用不同大小的卷积核增强对数据多粒度空间特征的提取能力,较大的卷积核能够提取更大空间范围的特征,而较小的卷积核可更精确地捕获视频目标的运动细节,实现对目标多角度表征学习;其次,用计算效率更高、参数更少的内卷算子替代核较大的卷积算子,内卷通过高效的通道间交互避免了大量的不必要参数,在降低计算和存储成本的同时提升模型预测能力;最后,引入核为1×1的卷积进行线性映射,增强不同特征之间的联合表达,提高了模型参数的利用效率并增强了预测的鲁棒性。通过多个数据集对该模型进行全面测试,结果表明,相较于目前最优的SimVP(Simpler yet better Video Prediction)模型,所提模型在多项指标上均有显著提升。在移动手写数据集上,均方误差和平均绝对误差分别降低25.2%和17.4%;在北京交通数据集上,均方误差降低1.2%;在人体行为数据集上,结构相似性指数和峰值信噪比分别提高0.66%和0.47%。可见,所提模型在提升视频预测精度方面十分有效。
