大学生强迫症状的发展轨迹:一项潜变量增长模型分析

背景大学生是强迫症状的高发群体,已有大量横断面研究考察大学生强迫症状的整体发展趋势,但缺少对于大学生强迫症状发展轨迹的研究。目的通过纵向追踪的方式,考察大学生强迫症状的发展轨迹及影响因素。方法采用整群随机抽样的方法,选取新疆师范大学大一学生为研究对象,使用症状自评量表(SCL-90)中的强迫症状分量表与焦虑分量表对大学生进行为期3年的3次追踪测试,第一次施测时间为2020年11月(T1),第二次施测时间为2022年3月(T2),第3次施测时间为2023年3月(T3)。对调查结果使用潜变量增长模型进行数据分析。结果采用同时参与3次测量的3289份有效被试数据进行数据分析。3289名大学生中女性1966人(59.8%),汉族2352人(71.5%),首次施测平均年龄(21.0±0.7)岁。大学生焦虑得分分别为:T1(1.48±0.51)分,T2(1.38±0.45)分,T3(1.33±0.43)分;强迫症状得分分别为:T1(1.75±0.58)分,T2(1.66±0.55)分,T3(1.53±0.53)分。Pearson相关分析结果显示,各时间点大学生强迫症状与焦虑均存在正相关关系(P<0.05)。无条件线性模型结果显示拟合良好,模型截距显著>0(P<0.001)、斜率显著<0(P<0.001),截距与斜率之间呈负相关(r=-0.033,P<0.001),表明大学生强迫症状得分呈现下降趋势,起始水平越高下降速度越快。纳入性别协变量(赋值:男=0,女=1)后,发现性别对截距具有正向预测作用(β=0.105,P<0.001),对斜率的预测作用无统计学意义(β<0.001,P>0.05),即女大学生强迫症状起始水平高于男大学生,下降速度不存在差异。纳入焦虑协变量后,发现各时间点焦虑正向影响强迫症状(P<0.001),性别对斜率具有正向预测作用(β=0.017,P<0.05),对截距的预测作用无统计学意义(β=0.012,P>0.05),即控制焦虑的影响后,女大学生强迫症状的下降速度低于男大学生。结论大学生强迫症状随年级升高而下降,高起始水平不一定带来长期困扰。焦虑阻碍强迫症状的缓解,并更大程度地影响女大学生强迫症状的出现及男大学生强迫症状的下降速度。

基于组基轨迹模型的全膝关节置换术病人心理弹性轨迹及影响因素

目的:追踪全膝关节置换术后病人心理弹性的动态变化,并探究轨迹的相关影响因素。方法:选取2022年7月—2023年2月青岛市某三级甲等医院关节外科接受全膝关节置换术的病人为研究对象,在病人入院当天、术后3 d、术后2周拆线当日、术后1个月复诊当日、术后3个月复诊时调查病人的心理弹性水平,使用组基轨迹模型识别心理弹性变化轨迹及轨迹类别,采用多元Logistic回归分析不同轨迹的影响因素。结果:经模型拟合,最后得出4条不同的心理弹性轨迹,分别为低心理弹性平稳组、中心理弹性平稳组、低心理弹性下降组、高心理弹性上升组。多元Logistic回归分析结果显示,文化程度、领悟社会支持、正负性情绪为全膝关节置换术病人心理弹性轨迹的影响因素(P<0.05)。结论:全膝关节置换术病人心理弹性存在4个异质性轨迹亚组,且随时间而发生变化,但大多数病人在术后可以保持平稳水平。文化程度、领悟社会支持、正负性情绪为病人心理弹性的影响因素。

智能汽车轨迹跟踪多目标显式模型预测控制

针对现有智能汽车轨迹跟踪控制算法难以同时保证跟踪精确性、横向稳定性、舒适性以及控制实时性的问题,提出了一种基于多目标优化和显式模型预测控制理论的轨迹跟踪控制策略(MO-EMPC)。首先,建立考虑跟踪精确性、横向稳定性、舒适性的多目标函数及约束。然后,针对传统MPC控制实时性低的问题,设计基于EMPC的多目标优化轨迹跟踪控制器,通过引入多参数二次规划(MPQP)理论,将反复在线优化求解过程转化为等价的分段仿射系统(PPWA),离线计算得到最优显式控制律以供实时控制调用,减少在线运算时间。最后,基于CarSim/Simlink联合仿真方法,将所设计控制器的轨迹跟踪多目标优化效果与MPC控制效果进行对比验证。研究结果表明,所提出的轨迹跟踪策略在保证良好的跟踪精度前提下,横向稳定性、舒适性方面的表现更优于MPC控制器,且算法在线运行速度提高56.63%。

基于紧约束鲁棒模型预测控制的无人车辆轨迹跟踪控制

针对无人驾驶车辆的轨迹跟踪问题,基于车辆非线性动力学模型,设计了一种紧约束鲁棒模型预测控制(MPC)方法。首先,利用魔术公式轮胎模型,结合车辆3自由度系统,构建了具有有界干扰的车辆线性离散误差模型;其次,采用紧约束控制策略设计系统的鲁棒优化问题;最后,通过在线优化得到最优控制序列,并离线构造之后多个时刻满足约束条件的可行控制序列。仿真结果表明,所提算法能够使车辆稳定快速跟踪上参考轨迹并有效提高系统计算资源利用率。

基于潜类别增长模型分析老年帕金森病患者用药依从性轨迹及影响因素

目的:利用潜类别增长模型(latent class growth model,LCGM)分析老年帕金森病患者用药依从性轨迹,并验证其影响因素。方法:对124例原发性老年帕金森病患者进行12个月随访调查,调查工具包括一般资料调查表和Morisky用药依从性量表。通过潜类别增长模型识别患者用药依从性轨迹,采用有序多分类Logistic回归分析用药依从性轨迹的影响因素。结果:老年帕金森病患者用药依从性分为“高-持续型”“中-下降型”和“低-下降型”3种类型,且该3种类型文化程度、工作状态、用药种类、智力状态比较,差异有统计学意义(P<0.05)。有序多分类Logistic回归显示,工作状态、用药种类、智力状态是患者用药依从性轨迹的影响因素(P<0.05)。结论:老年帕金森患者用药依从性分为3种轨迹,工作状态、用药种类和智力状态是用药依从性轨迹类别的影响因素。

基于Delft3D的珠江前航道尸体模型漂移轨迹预测

为预测珠江前航道中尸体的漂移轨迹,帮助当地水警确定溺亡者尸体的具体位置,利用Delft3D构建珠江前航道水动力模型,并使用尸体模型进行了多次现场漂移试验。通过对珠江前航道表层流速进行拟合,建立了尸体模型漂移的预测模型,R^(2)为0.88。研究结果表明,珠江前航道释放的尸体模型受潮汐和径流作用沿河道做往复运动,并呈逐渐漂向下游的趋势;漂移模型验证中尸体模型的漂移速度和方向基本与潮流一致,模拟结果的误差在1 km以内,终点距离误差率小于15%;实例验证中成年女性尸体的模拟结果误差约为300 m;游船所引起的波浪力等外力导致漂移轨迹呈现出南北方向性的偏差,需要进一步提升模拟效果。该漂移模型的推导模式同样适用于其他感潮河段,可使尸体的漂移轨迹变得可测,为尸体打捞工作和警方的案件处理提供了便利和参考。

基于Informer算法的网联车辆运动轨迹预测模型

自动驾驶汽车可以根据轨迹预测算法计算周边车辆的运动轨迹,并作出反应以降低行车风险,而传统的轨迹预测模型在长时间序列预测的情况下会产生较大的误差。为解决这一问题,提出了一种以Informer算法为基础的轨迹预测模型,并根据公开数据集NGSIM进行实验分析。首先通过对称指数移动平均法(sEMA)对原始数据进行滤波处理,并在原有的Informer编码器中加入了联合归一化层对不同车辆进行特征提取处理,减少了不同车辆之间的运动误差,通过考虑车辆的本身速度信息与周围环境的车辆运动信息,提高了预测精度,最后经过解码器得到未来时刻的车辆轨迹分布。结果表明,模型对车辆的轨迹预测误差在0.5 m以内;通过对轨迹预测的MAE与MSE结果分析可知,预测时间超过0.3 s以后,Informer模型的轨迹预测效果明显优于其他算法,验证了模型和算法的有效性。

基于模型预测控制的无人帆船轨迹跟踪方法

[目的]面向无人帆船在水面、水下跨域异构海洋机器人的协同作业场景,提出基于模型预测控制(MPC)的无人帆船轨迹跟踪方法。[方法]针对“海鸥”号无人帆船,建立其动力学模型及运动学模型,通过分析无人帆船动力学特点及执行器约束条件,构建MPC目标函数及系统约束条件,将无人帆船的轨迹跟踪问题转化为优化问题,并利用Matlab软件开展仿真实验验证。[结果]仿真结果表明,与“帆–舵”分离的PID轨迹跟踪控制方法相比,所提出的无人帆船“帆–舵”联合MPC控制方法更便于添加约束条件,其在风向变化的情况下能以更小的轨迹跟踪误差来更快地收敛于指定轨迹,且其可以实现逆风折线航行。[结论]研究成果可为无人帆船的帆、舵控制提供新的思路,提高其轨迹跟踪能力,进一步为无人帆船与AUV的高效协同作业提供技术保障。

基于LGMM模型的中国老年人认知水平发展轨迹的异质性研究

目的 基于潜变量增长混合模型(latent growth mixture model, LGMM)和中国健康与养老追踪调查(China Health and Retirement Longitudinal Survey, CHARLS)3期追踪数据,考察我国老年人认知水平的发展轨迹及影响因素。方法 资料来源于CHARLS 2013年、2015年、2018年数据,共包含4662例60岁及以上老年人。采用MMSE量表对老年人的认知水平进行评估。利用Mplus工具构建适用于队列数据的LGMM模型探讨不同老年人群体的认知水平变化轨迹,考察时间恒定因素(性别、年龄、受教育程度、婚姻状况、吸烟、饮酒)和随时间变化因素(日常生活活动能力、睡眠时长、主观生活满意度)对老年人认知水平的影响。结果 根据相关指标可将老年人认知水平的发展趋势划分为3个类型,分别是C1缓慢下降组(35.2%)、C2快速下降组(20.6%)和C3稳定组(44.2%);老年人的认知水平随着时间推移呈整体下降趋势,3个组别的认知水平发展轨迹均有显著的时间效应,C2快速下降组的认知水平随时间下降较快,C1缓慢下降组的认知水平随时间缓慢降低,C3稳定组的认知水平变化不明显,呈稳定态。结论 老年人认知水平的发展轨迹具有显著的群体异质性和个体差异性,存在不同类别的发展趋势。

基于分组的轨迹模型及其SAS实现

目的对基于分组的轨迹模型(group-based trajectory modeling,GBTM)的基本原理、适用性及SAS软件程序进行介绍。方法使用SAS软件中的PROC TRAJ过程步,构建不同数据类型的GBTM模型。结果选取多项前瞻性数据,根据数据类型构建了CNORM、ZIP等单轨迹及双轨迹模型,在此基础上将协变量纳入模型,观察影响发展轨迹的因素。结论GBTM为解决纵向数据复杂性和结果可解释性之间的平衡问题提供了有价值的工具,同时SAS软件可以很好地实现轨迹模型的构建,并为模型的不断拓展提供了较为方便的实现形式。

基于模型预测控制的自动驾驶车辆轨迹规划

为帮助自动驾驶车辆规划一条安全、舒适和高效的行驶轨迹,提出一种基于模型预测控制的轨迹规划方法。首先,为简化规划的环境,提出一种安全、可行的“三圆”膨胀化的安全区,避免车辆理想化模型引发的碰撞问题;其次,将轨迹规划进行横、纵向空间解耦,横向规划使用模型预测的方法生成一系列满足行驶要求的候选轨迹,纵向规划使用动态规划方法,提高规划的效率;最后,综合考虑影响最优轨迹挑选的因素,提出更符合行驶要求的路径规划和速度规划的最优轨迹评价函数,并通过Matlab/Simulink、Prescan和Carsim软件的联合仿真验证所提算法的有效性。实验结果表明,车辆的舒适度指标、方向盘转角变化和定位精度等均达到预期效果,规划曲线与跟踪曲线完美贴合,验证了所提算法的优越性。

群组轨迹模型在系统性红斑狼疮研究队列中的应用

临床队列的纵向数据中,采用群组轨迹模型(group-based trajectory model,GBTM)可识别具有相似发展轨迹的个体,将其划分为不同轨迹组,揭示患者群体内部的异质性。本研究详细阐述GBTM的基本原理与分析步骤,以中国系统性红斑狼疮研究协作组多中心注册队列(CSTAR)数据为实例,采用GBTM方法识别系统性红斑狼疮患者在2年随访期内SLEDAI-2K指标的不同发展轨迹,以期为临床队列预后研究中应用GBTM方法提供参考和借鉴。

智能网联车辆MFP算法轨迹预测模型研究

为解决车辆轨迹预测任务中环境不断变化、车辆间存在交互影响,导致长期预测情况下预测精度较低的问题,提出了一种基于multiple futures predictor(MFP)算法的多智能体轨迹预测模型。采用对称指数移动平均法去除异常数据并平滑轨迹;采用图神经网络(graph convolutional neural network,GCN)进行交互特征提取,将历史轨迹与未来智能体之间的交互特征进行编码;在解码过程中添加车辆自身运动学模型得到动态可行的预测轨迹。对公开数据集NGSIM进行实验分析,结果表明:模型对车辆轨迹预测误差在0.5 m以内;通过对轨迹预测的ADE与FDE结果分析,在预测未来5 s轨迹的情况下,相比于其他方法,ADE降低了30.7%,FDE降低了32.5%,验证了模型和算法的有效性。

基于运动学模型的自动引导车轨迹跟踪控制

为了使自动引导车在行驶过程中更加精确稳定,本文研究其运行轨迹跟踪问题。针对自动引导车的运动学模型,建立位姿状态误差方程,并基于Lyapunov稳定理论,设计出一种简单有效的轨迹跟踪控制器。仿真结果表明,本文所设计的轨迹跟踪控制器不仅确保系统稳定,同时能够满足自动引导车在不同运行轨迹下的快速纠偏。

基于GRU网络的仿优秀驾驶员换道轨迹模型研究

换道是智能汽车在道路上行驶时必不可少的操作。传统换道模型大多基于数学公式或者车辆动力学、运动学模型,从而忽略驾驶员在实际驾驶过程中的感知与决策能力,生成的轨迹与实际换道轨迹区别很大。本文提出基于GRU网络的仿优秀驾驶员换道轨迹预测模型,利用处理时间序列数据有独特的能力,从优秀驾驶员自身的驾驶特性出发,结合车辆动力学参数,结果表明GRU模型的MAPE为0.044,分别比LSTM和Bi-LSTM降低了24.14%和29.03%;RMSE为0.0111,分别比LSTM和Bi-LSTM降低了0.89%和9.76%,且GRU模型的一致性指数D值更接近1。该模型预测出的换道轨迹与实际轨迹基本一致,能准确地模拟优秀驾驶员的换道轨迹,精度较高,保证安全性的同时兼顾舒适性。

基于模型预测和转角补偿的智能汽车换道轨迹跟踪控制算法

为了提高自动驾驶跟踪过程中路径跟踪的精确性和车辆的操纵稳定性,提出了一种基于模型预测控制原理并结合转角补偿的轨迹跟踪控制方法.将整体控制结构分为上下两层:上层为轨迹跟踪控制层,根据获得的道路信息及车辆行驶状态,利用模型预测控制算法得出车辆的前轮转角控制量;下层采用滑模控制理论设计转角补偿器,以汽车的横摆角速度误差为控制目标,实现精确跟踪.结果表明:与单点预瞄策略相比,模型预测+转角补偿的轨迹跟踪控制策略能更好地控制车辆实现轨迹跟踪,且横摆角速度和质心侧偏角峰值明显降低,稳定性更好.

自适应时域模型预测控制的轨迹跟踪控制

为了提高自动驾驶车辆轨迹跟踪精度、稳定性和控制器对不同工况的自适应能力,提出了一种模糊自适应预测时域参数模型预测控制轨迹跟踪控制算法。建立车辆运动学模型与模型预测控制器,以实时车速和航向角偏差为模糊输入,通过模糊控制在线优化MPC的预测时域参数和Carsim/Simulink联合仿真,分别在沥青路面和雨雪路面对不同车速的轨迹跟踪控制仿真。仿真结果表明,车辆在沥青路面下,与固定预测时域参数MPC控制器相比,自适应时域MPC控制器纵向绝对偏差均值在低速和高速下分别降低63.16%、55.28%,有效提高了车辆轨迹跟踪精度。车辆在雨雪路面下,低速或中高速时自适应时域控制器最大质心侧偏角均在1°以内,确保车辆控制的鲁棒性。

基于改进T-S模糊模型的弧焊机器人轨迹实时跟踪

针对弧焊机器人在实际作业中受到诸多不确定因素的影响,导致弧焊机器人焊接轨迹偏离预期轨迹的问题,提出一种基于改进T-S(Takagi-Sugeno)模糊模型的弧焊机器人轨迹实时跟踪方法。采用图像识别技术识别并定位焊缝,通过坐标转换,确定焊缝中心线在机器人坐标系中的位置坐标。利用蚁群算法根据焊缝中心线在机器人坐标系中的坐标,搜索从起始位置到目标位置的最优焊接路径。设计了一种改进区间二型T-S模糊模型,通过视觉传感器实时获取新的焊缝信息,计算轨迹误差,以此为输入,利用改进T-S模糊模型对机器人的运动轨迹进行实时调整。实验结果表明,采用改进T-S模糊模型后,机器人轨迹跟踪离散度均降至1 mm以下,弧焊机器人轨迹与预期轨迹高度重合,比传统方法跟踪离散度大大降低。

基于模型预测的AUV轨迹跟踪滑模控制方法

针对自主水下航行器(AUV)在模型参数不确定和外界海流干扰情况下轨迹跟踪误差大的问题,提出一种基于模型预测的滑模控制方法。首先,基于李雅普诺夫稳定性理论,设计一种滑模控制器;其次,为高效利用计算资源,提高AUV的轨迹跟踪性能,设计一种滑模控制器与模型预测控制相结合的控制框架;考虑到执行器饱和问题,利用滑模跟踪控制律,在该控制框架上构造收缩约束,确保闭环系统的稳定性;最后,采用仿真实验验证,实验结果表明所提方法与滑模控制器比较,在模型参数确定且无干扰情况下均方跟踪误差减小了60%以上,在模型恢复力参数不确定和海流扰动情况下均方跟踪误差减小了80%以上,能够克服时变恢复力对系统的影响,并对外界海流干扰有较好的抑制作用,保证了系统的鲁棒性。

基于道路轨迹预测模型的遥感影像分类方法研究

本文研究了基于道路轨迹预测模型的遥感影像分类方法,回顾遥感图像道路提取的研究背景,分析了影响道路提取的关键因素,包括图像分辨率和算法的自动化程度。文章详细阐述了道路要素的遥感影像提取方法,包括快速道路、主干道和次干道的提取策略。在快速道路提取方面,采用面向对象分类思想和规则集构建技术;在主干道提取中,则利用循环规则集构建和数学形态学处理相结合的方法;对于次干道提取,文章提出了图像预处理和次干道线特征提取的步骤。这些方法为遥感影像中的道路分类和提取提供了有效的技术支撑。