感知社会支持在老年人治疗负担和慢性病患者赋能间的中介作用

目的 :分析老年人感知社会支持在治疗负担与慢性病患者赋能间的中介效应。方法 :采用便利抽样法,于2021年1月—8月采用治疗负担问卷、感知社会支持量表、慢性病患者赋能量表对青岛市市区内的6家养老机构的460例老年人进行问卷调查。结果 :老年人治疗负担与感知社会支持呈负相关(P<0.001),与慢性病患者赋能呈负相关(P<0.001),感知社会支持与慢性病患者赋能呈正相关(P<0.001)。Bootstrap检验结果显示,感知社会支持在治疗负担与慢性病患者赋能间起部分中介效应,占总效应的51.98%。结论 :治疗负担不仅直接作用于慢性病患者赋能,还通过感知社会支持间接影响慢性病患者赋能,建议据此制定有针对性的干预措施帮助老年人正确面对治疗负担。

基于长程时空特征与多尺度外观特征的锌精选工况识别

锌精选作为锌浮选的最后一道流程,其工况直接决定锌浮选最终产品质量。现有基于卷积网络的浮选工况识别方法具备挖掘隐藏特征的能力,取得了良好效果,但仍存在表征能力有限、模型参数大等问题。为此,提出了基于长程时空特征与外观特征的锌精选工况识别模型。首先,提出基于分离三维卷积网络(Separable 3D Convolutional Neural Network,S3D CNN)与注意力机制的泡沫视频相邻帧间短程时空特征提取方法,获得特征聚焦的泡沫视频相邻帧间短程时序信息。然后,在短程时空特征的基础上采用双向卷积长短时记忆网络(Bi-directional Convolutional Long Short-Term Memory,BiConvLSTM)提取泡沫视频帧间的长程时空特征,获取泡沫视频帧间的长程动态时序信息。最后,采用基于残差网络和迁移学习的二维卷积网络提取泡沫图像的多尺度外观特征,并融合长程时空特征,对锌精选工况进行识别。实验结果表明,与现有卷积网络方法相比,所提模型在工况识别精度和模型参数上性能更佳。

变负载工况下滚动轴承故障分类识别方法研究

针对变负载工况下单尺度CNN提取滚动轴承健康状态特征不充分的问题,提出了一种DSCNN-BiLSTM诊断模型。该模型基于粗粒度化和平均池化层的理论基础,通过双尺度卷积神经网络结合双向长短时记忆网络,对滚动轴承振动信号进行空间维度特征和时间序列特征的提取,实现端对端的滚动轴承故障诊断。通过设置2种不同变负载工况实验,采用DSCNN-BiLSTM模型进行滚动轴承故障特征提取,平均准确率分别达到了97.55%和98.07%,有效提高了在变负载工况下的滚动轴承故障诊断准确率,为滚动轴承健康状态识别提供了关键技术。

慢性病赋能量表的汉化及在社区中老年慢性病患者中的信效度分析

目的汉化慢性病赋能量表,并探讨其在中国社区中老年慢性病患者中的适用性。方法采用Brislin翻译模型完成量表汉化。于2015年11月—2016年1月,采用方便抽样法选取在广州市某三甲医院下属的4个社区卫生服务站就诊的中老年慢性病患者273例,采用一般资料调查表、中文版慢性病赋能量表、一般自我效能感量表(GSES)进行调查。采用Cronbach'sα系数和分半信度考察量表的信度;采用因子分析评价量表的结构效度;采用Pearson相关分析计算量表的内部相关系数;采用Spearman秩相关分析计算量表的效标关联效度。结果中文版慢性病赋能量表标准化Cronbach'sα系数为0.950,分半信度为0.930,各维度标准化Cronbach'sα系数为0.694~0.877,重测信度为0.921,平均内容效度为0.950,各维度得分与总分的相关系数为0.875~0.959,以GSES作为效标的效标效度为0.678;主轴因子分解法提取6个公因子,删除3个不归类任何因子的条目后,累计方差贡献率为54.504%。结论中文版慢性病赋能量表信效度良好,符合中国国情,适合在国内社区中老年慢性病患者中进行应用。

社区慢性病患者赋能与自我效能感的相关性

目的了解社区慢性病患者赋能及自我效能感现状并分析两者的相关性,探讨影响患者赋能得分的因素。方法采用慢性病患者赋能量表(The Long-term Condition Empowerment Scale)和自我效能感量表对社区104例慢性病患者进行调查分析。结果社区慢性病患者自我效能感总分为(22.04±6.17)分,按评分标准属中等偏上水平。社区慢性病患者赋能总分的分布为(122.83±27.20)分,其中"知识获取与理解"维度和"自我认知"维度得分最高。不同文化程度、职业、最长病程、婚姻状况下的慢性病患者在赋能总分及各维度得分间的差异均有统计学意义(P<0.05);社区慢性病患者自我效能总分与赋能总分及各个维度呈正相关(相关系数0.540~0.659,P<0.01)。结论社区慢性病患者管理自己的信心较强,部分患者对慢性病医疗保险政策缺乏了解。患者对自我管理及自我决策的信心越大,自我效能感越强,赋能水平越高;也提示赋能可以从自我效能层面提高社区慢性病患者的自我认知、自我管理和自我决策的能力。

融合字符串特征的维吾尔语形态切分

维吾尔语是一种典型的低资源黏着语,在形态方面存在组合性和歧义性等技术处理难点。针对维吾尔语未登录词和低频率语素的识别困难等问题,提出融合字符串特征的形态切分方法。先利用多尺度卷积神经网络提取字符串特征,再利用双向长短期记忆模型对字符和字符串进行上下文编码,最后使用CRF推断。实验结果表明,上述模型优于现有的维吾尔语形态切分模型,充分利用多尺度字符串特征有利于提高F-Score等方面性能。

机场不正常事件实体检测与识别方法研究

民航安全自愿报告系统收集的海量故障报告以非结构化文本形式存储,不便于相关人员针对大量不正常事件加以分析并采取控制措施;命名实体识别技术可以将海量非结构化文本中的关键要素进行检测和识别,抽取成类别分明的结构化信息,作为进一步分析不正常事件并加以控制的基础工作;将机场不正常事件报告作为研究对象,提出了一种基于神经网络的中文命名实体识别模型,对文本进行了结构化处理;针对随机选用的训练样本一些实体类别分布比较稀疏和人工标注费时费力的问题,提出了基于模型预测分数的样本选择策略,实现了预标注样本的高效筛选;经过实验验证,该模型与BiLSTM_CRF模型、BiLSTM_self-attention_CRF模型相比F_(1)值均提高了约6个百分点,该样本选择策略明显提高了人工标注效率,筛选出足够多的含有稀疏实体的样本。