运用ICF脑卒中核心分类量表(综合版)对脑卒中患者康复效果和成本效益分析

本研究应用ICF脑卒中核心分类量表(综合版)对93例亚急性期脑卒中患者进行主要功能障碍和康复医疗效果和成本效益分析研究。结果显示,脑卒中患者的功能障碍主要集中在b147、b152、b176、b235、b420、b715、s110、s720、s730、s750、d1、d2、d4、d5,亚急性期康复的主要效果体现在下列功能领域:b1、b4、b7、d1、d2、d4、d5、d6、d7、d8、d9(P<0.05)。康复所需总经费均值6713.9666元/人。功能每改善1分,平均花费327.50元。

对5G-NR信号中SIB的非合作码流提取与信令解析

在5G-NR下行链路侦收中对SIB(System Information Block)进行码流提取与信令解析是后续5G终端随机接入过程分析的重要前提,同时也是实施5G通信终端管控的必要过程。针对这一需求,采用包络检波与时频分析等方法,在快速完成SSB(Synchronization Signal Block)突发集配置模式判断后,利用主信息块的信令快速寻找到对应的CORESET(Control Resource SET),并通过解析CORESET中承载的下行控制信息定位出携带SIB的物理下行共享信道时频位置,最终经过解调解码提取出SIB的码流与信令。最后针对中国电信与中国移动5G基站采集下行信号,成功提取SIB的码流与信令,验证所用方法的有效性,从而为后续5G终端管控设备的研制提供重要参考。

一种改进的贝叶斯逻辑回归核心集构建算法

随着互联网的高速发展,新型信息发布方式不断涌现,由此所产生的数据正以前所未有的速度“爆炸式”增长。如何处理和分析庞大的原始数据,并将之变成可用知识加以学习和利用,已成为国内外科学家和技术专家共同关注的重要课题。贝叶斯方法提供了丰富的分层模型、不确定的量化及预先的规范,因此其在大规模数据背景下的使用十分具有吸引力。限制迭代的二分K-means算法保留了近似标准二分K-means算法的聚类质量且拥有更高的计算效率,更适用于需要处理速度更快的大型数据集。针对原有核心集构建算法执行效率低的问题,对限制迭代的二分k-means算法进行改进,使其在保证聚类效果的情况下更快速地得到聚类结果并计算相关数据点权值,从而构建出核心集。实验证明,与原算法相比,改进后算法的计算效率更高,近似性能相近且在部分情况下近似效果更优。

冗余数据去除的联邦学习高效通信方法

为了应对终端设备网络带宽受限对联邦学习通信效率的影响,高效地传输本地模型更新以完成模型聚合,提出了一种冗余数据去除的联邦学习高效通信方法。该方法通过分析冗余更新参数产生的本质原因,根据联邦学习中数据非独立同分布特性和模型分布式训练特点,给出新的核心数据集敏感度和损失函数容忍度定义,提出联邦核心数据集构建算法。此外,为了适配所提取的核心数据,设计了分布式自适应模型演化机制,在每次训练迭代前动态调整训练模型的结构和大小,在减少终端与云服务器通信比特数传输的同时,保证了训练模型的准确率。仿真实验表明,与目前最优的方法相比,所提方法减少了17%的通信比特数,且只有0.5%的模型准确率降低。