遗传算法与变邻域搜索混合模型在护士排班中的应用

目的 在探讨基于层级管理的护士APN排班模型的基础上,引入具有精确的全局搜索能力的遗传算法与变邻域搜索混合模型来解决护士排班过程中人员层级复杂、不同班次人员需求量不同等问题.方法 首先,初始化排班表,然后利用遗传算法对初始化的排班表进行搜索,得到一个初步的排班表,后利用变邻域搜索优化排班表,得到满足要求的排班表.结果 使用该混合模型得到的排班表,能满足每日护士的人数需求和每名护士的工作量要求.同时,基于层级管理,各层级护士分开排班,能降低排班难度,在增加护士人员时,效率仍然较高.结论 遗传算法与变邻域搜索的混合模型能解决护士排班中的各种复杂问题,是一种符合实际需求的模型.基于此模型来编制护士排班软件,能提升护理工作效率和满意度,便于对护理人员进行量化考核统计分析.

一种普适的基于多尺度滤波和统计学混合模型的血管分割方法

血管的精确提取和定位,是实现心脑血管介入手术的关键.多尺度滤波算法可以增强血管目标,同时抑制背景噪声,但并没有把血管从图像背景中区分出来.基于统计学的分割算法,通过对直方图进行拟合实现血管的分类,但需要调整混合模型去拟合特定的图像直方图.为了克服上述问题,提出一种具有固定模型的普适的血管分割方法.首先,利用多尺度滤波算法进行图像预处理.其次,针对滤波增强后数据的直方图曲线,用由3个概率分布函数(1个高斯和2个指数)组成的混合模型进行拟合.期望大化算法用于混合模型参数的估计.后,通过大后验概率分类算法将血管分离出来.为了验证上述方法的有效性,分别在仿真(phantom)数据、磁共振血管造影(MAR)数据和计算机断层血管造影(CTA)数据上进行实验测试.结果表明,所提出的方法在多套仿真数据上的分割误差低于0.3％,同时对于不同模态的血管图像具有很好的分割效果及较强的鲁棒性.

虚拟手术训练系统中软组织切割模型的研究进展

虚拟手术仿真训练系统(VSSTS)较好地解决了传统临床医生培训方法中存在的培训周期长、成本高和训练对象匮乏等方面的问题,是一种经济有效的替代训练方式.人体软组织切割作为各类实际手术中为常见和核心的手术操作类型,对其进行逼真的模拟一直是虚拟手术仿真系统研究中的难点和热点问题.在简要介绍软组织切割模型发展历程后,分别从基于网格和无网格两大建模体系对目前已提出的多种软组织切割模型进行介绍,分析并总结各种建模方法的优缺点及其在各类虚拟手术仿真系统中的具体应用实例.除此之外,针对近年来新提出的混合模型进行分析,并从仿真效果与计算速度角度对未来的发展方向进行展望.

CisModule:采用层次混合模型识别顺式调控模块的从头算法

基于混合模型的药品不良反应数据遮蔽效应消除方法研究

目的 针对传统不相称性测定法在药品不良反应信号检测上存在数据遮蔽现象问题,提出了一种基于混合模型的遮蔽效应消除方法.方法 该模型融合了Lasso Logistic回归、移除报告及IC方法.首先利用Lasso Logistic回归法进行数据的首轮移除;第二轮则移除发生频次小于等于4的报告;接着采用IC算法进行信号检测;后利用我国2010年药品不良反应监测报告中的中药数据进行实验并基于已知不良反应库和国家中心信息通报进行结果的验证.结果 实验结果表明,与单一方法比较,此方法在召回率、查准率和F指标上均有良好的表现.结论 该混合模型不仅有效地提高了药品不良反应信号检测的准确性,而且具有早期发现真阳性信号的能力.本研究为药品不良反应信号检测提供了一种更可靠的方法.

ARIMA-DES混合模型在中国布鲁菌病分析和预测中的应用

目的 探讨中国布鲁菌病发病的趋势和季节规律,并构建时间序列模型对发病数做短期预测.方法 用Matlab2014对中国布病的发病数建立RIMA和DES模型.用Eviews8.0对发病数进行X-12季节调整后,对趋势项用ARIMA-DES建模预测,其中ARIMA-DES混合模型采用PSO算法赋予不同的权重,后比较三种模型的预测精度,选取优模型预测未来发病数.结果 全国布病的发病在每年5月份高,12月低.选取的优模型为ARIMA-DES,并预测了2015年6月至12月的发病数,分别为7286、6710、5723、4296、3463、3355.34、3777.结论 ARIMA-DES模型预测精度较单一的ARIMA模型和DES模型高,ARIMA-EDS模型适合我国布病发病数短期预测.季节调整后的成分序列反映出的季节性与全国各地报道的季节性不同.

混合效应模型在系统分组资料中的应用及SAS实现

目的 探讨系统分组资料的混合效应模型的建模及SAS程序实现.方法 以系统分组资料例证混合效应模型的SAS MIXED 实现过程,并与传统的广义线性模型结果作比较.结果 该实例显示SAS混合效应模型结果与广义线性结果一致.结论 SAS MIXED可以灵活地拟合和分析系统分组资料.

混合模型在临床试验重复测量资料中的应用

目的 探讨临床试验重复测量资料的统计分析方法.方法 通过实例说明并比较各种固定效应模型和混合模型的优缺点.结果 临床试验研究资料常为重复测量资料,比较各处理组的测量值差别是否有显著性,可以采用传统的统计方法如t检验、方差分析和协方差分析等;也可以采用混合模型对整个研究过程中所有时点的测量值进行分析.结论 由于在重复测量资料中,同一受试者的不同观测值之间具有相关性特点,故对其指定协方差结构尤其重要.Mixed过程提供了丰富的协方差结构,可以充分利用重复测量资料的信息,又能处理缺失值,是重复测量资料优的统计分析方法.

我国基本医疗保障制度发展程度的定量研究:全民统一健康覆盖的混合模型

目的:基于全民统一健康覆盖的视角,构建模型,定量评价我国基本医疗保障制度的发展程度.方法:从制度覆盖人口比例、保障内容、保障程度、基金统筹层次和制度唯一性等五方面构建测量模型,定量分析2003-2015年我国基本医疗保障制度的发展程度,并进行灵敏度分析.结果:模型揭示,2003-2015年我国基本医疗保障制度的发展程度逐年波动,在百分制的得分区间内,2003年得分为52.20％,2006年为28.50％,2010年为23.90％,2015年为26.50％.基本医疗保障制度的数量对结果影响为显著,其次为基金统筹层次.结论:混合模型的构建为测量全民统一健康覆盖提供了新的计量评价工具,与以前构建的乘法模型、加法模型共同组成了完整的评价工具箱.我国基本医疗保障制度发展任重道远,发展重点应当是整合三项基本医疗保障制度并统一待遇、提高基金统筹层次至省级和国家级.

青少年儿童人群眼轴增长的相关因素

目的 通过对青少年儿童人群的眼轴增长的相关因素分析,探讨近视发生发展的规律,为预防和控制近视提供依据.方法 前瞻性研究.分层随机抽样选取上海市徐汇区和虹口区2个区12所中小学,6～13岁的学生4 651例(取右眼数据),进行屈光相关检查(包括裸眼远视力、屈光度、眼轴、角膜曲率等),测身高、体质量,对性别、年龄、家族史等进行问卷调查,完成2年3次(初查,每隔1年复查)的数据收集.SAS 9.3建立混合模型(mixed model),对眼轴增长相关因素进行统计分析.结果 眼轴随时间变量而增加,第1年和第2年的系数估计分别为0.247、0.491 (P＜0.01);性别、体质指数、等效球镜度(SE)、平均角膜曲率等变量的系数估计分别为-0.307、0.006、-0.303、-0.297(P＜0.01);在年龄变量中,相对于6岁年龄组,7～13岁各组变量的系数估计分别为0.115、0.392、0.471、0.600、0.816、0.865、0.909(P＜0.01);在家族史变量中,相对于父母双方均无近视组,一人中低度数组、一人高度数组、双方均中低度数组、一人高度一人中低度数组、双方均高度数组的系数估计分别为0.122、0.257、0.238、0.429、0.429(P＜0.01).右眼2年眼轴变化值与2年SE变化值呈负相关(r=-0.462,P＜0.01).结论 在青少年儿童人群中,眼轴随时间增长,并且与年龄、体质指数、家族史、平均角膜曲率相关.眼轴随年龄逐步增长;体质指数越高,增长越快;父母近视程度越高,增长越快;平均角膜曲率越高,增长越慢.SE为正值时,数值越高,眼轴增长越慢;SE为负值时,数值越高,眼轴增长越快.

双眼竞争的研究现状和展望

通常情况下，人类的眼睛集中在同一个对象或同一位置的视觉世界，因为两只眼睛从略微不同的角度看世界，两者之间细微差别的视网膜图像和视网膜的差距，能增加立体信息，支持我们的错综复杂的深度知觉。然而，两只眼睛图像有时可以显著不同，当左眼和右眼视网膜对应的位置上被呈现两种不同的图像时，我们看到的并不是二种图形相互融合的图像，观察者通常感知的是交替的出现的两个图像，每个图像保持主导地位不到一秒到几秒钟，这个现象叫做双眼竞争［1］。双眼竞争不是形成稳定的视知觉的单一图像，而是两个图像之间竞争绝对主导地位，每隔几秒钟感知意识自发的在两个图像中发生交替。由于观察者的意识状态是不断在变化而视觉物理刺激持续保持不变，学者们推测双眼竞争可能终揭示视觉感知的动态属性和其潜在的神经基础［2］。双眼竞争是视觉知觉领域中一个非常有趣的现象，在16世纪被Porta第一次提出，并在18世纪由DuTour 作了更仔细的阐述［3］。 Wheatstone［4］使用自主新发明的反射式立体镜第一次对双眼竞争进行系统性的研究认证。到了19世纪和20世纪，双眼竞争的注意点聚集在了几个假说和几个模型上，双眼竞争的实质到底是什么这个问题至今仍在激烈的争论中。

基于混合模型的视网膜血管自动分割算法

目的:构建基于混合模型的视网膜血管自动分割算法.方法和结果:混合模型算法流程包括4个步骤.首先,提取眼底图像的绿色分量图像以减少噪声影响(预处理);然后分别应用形态学模型和尺度空间模型对预处理后的眼底图像进行分割;将两种模型的分割结果进行融合;后,利用区域生长法对融合结果进行迭代生长,得到视网膜血管的精分割结果.从眼底图像库DRIVE训练数据集与测试数据集中分别抽取20幅彩色眼底视网膜图像进行自动分割,分割的准确度、敏感度和特异度分别为0.9431、0.6577、0.9871.结论:混合模型算法克服了单一分割模型的局限性,能够获得较好的视网膜血管网络图像.

血管内超声斑点的概率模型建立及应用

超声斑点是由人体组织中散射体的反射信号相干作用所形成的,其概率分布与生物组织的结构信息密切相关,即不同的组织结构所产生斑点的概率分布形式不同.根据血管内超声(IVUS)斑点的概率分布特性,本文提出用斑点的伽马混合模型和高斯混合模型分别描述血管内超声组织中的钙化斑块、软斑块和正常血管区域.通过KS检验,KL散度和相关系数等指标分析,发现钙化斑块和正常血管区域的斑点概率分布符合高斯混合模型,而软斑块更接近伽马混合模型.在此研究基础上,本文提出一种结合邻域信息的概率混合模型,用于IVUS图像斑块分割,与现有的概率混合模型比较,分割精度大大地提高,且受噪声影响减少.

回归混合模型:方法进展与软件实现

近来以个体为分析对象的方法日益受到研究者的重视,其中潜类别和潜剖面模型为流行.研究者在潜类别和潜剖面模型建模时往往需要进一步探讨协变量与潜分组之间的关系(即带有协变量的潜类别模型).例如,哪些变量预测个体类别归属,以及个体的类别归属对结果变量的预测.本文对近年来研究者提出的各种方法进行了回顾和比较.包括当结果变量是分类变量的LTB法;当结果变量是连续变量时的BCH和稳健三步法.在此基础上,文章为应用研究者提供了Mplus软件示例,并在后对当前研究存在的问题和未来研究趋势进行了简要评价.