高斯混合生成模型检测健康数据异常

在智能穿戴设备普及的背景下,运动手环为全面地了解人们的身体状况提供了丰富的信息源,但是其提供的多维活动数据存在未知的异常值,因此需要进行异常值的检测。由于“维度灾难”,通过传统的方法进行密度估计十分困难,导致检测效果不佳。针对该问题,使用了一种高斯混合生成模型(GMGM)健康数据检测方法。首先,该模型利用变分自编码器(VAE)训练原始数据,并且通过降低重构误差提取潜在特征。然后,利用深度信念网络(DBN),通过潜在分布和提取的特征来预测样本的混合成员隶属度。接着,变分自编码器、深度信念网络与高斯混合模型(GMM)共同优化,避免了模型解耦的影响。高斯混合模型预测得到每个数据的样本密度,将密度高于训练阶段阈值的样本视为异常。在ODDS标准数据集上验证模型的性能,结果表明,相比深度自编码器高斯混合模型(DAGMM),GMGM的AUC指标平均提升了5.5个百分点。最后,在真实数据集上的实验结果也表明了该方法的有效性。

基于先心病患儿介入治疗的健康信念模式护理应用效果

目的探究健康信念模式在先心病介入治疗患儿护理中的应用方法及其效果。方法对该院2014年1月—2015年10月间接收的72例先心病介入治疗患儿进行护理,首先按照随机序号法将72例患者分为对照组和观察组。对照组进行常规护理,观察组在对照组基础上进行健康信念模式护理,最终比较两组护理结果。结果两组在干预前患儿生存质量评分无明显差异,经干预观察组评分明显高于对照组,两组比较差异有统计学意义,P<0.05。结论健康信念模式在先心病介入治疗患儿护理中的应用效果良好,能够从多方面对患儿的治疗起到积极作用,同时明显改善患儿的生活质量,因此值得在临床中借鉴推广和使用。