近年来,由人为因素引发的高校化学实验室事故频发,基于深度学习的行为识别技术逐渐成为提升实验室安全的重要手段。然而,该场景具有环境复杂多变、目标尺度多样以及计算资源受限等多项挑战。针对这些挑战,构建了一个包含4种典型动态场...近年来,由人为因素引发的高校化学实验室事故频发,基于深度学习的行为识别技术逐渐成为提升实验室安全的重要手段。然而,该场景具有环境复杂多变、目标尺度多样以及计算资源受限等多项挑战。针对这些挑战,构建了一个包含4种典型动态场景,7类不安全行为的高校化学实验室不安全行为数据集(unsafe behavior dataset for chemical laboratories,UBDCL),并基于此提出了高校化学实验室不安全行为识别模型(lightweight identification model of unsafe behavior in university chemical laboratory,LIMUB)。首先,为提高多样化不安全行为识别的效果,提出了一种注意力引导的高效卷积模块(GSConv based on CO attention enhancement module,GSCO),在提高模型效率的同时有效滤除了通道冗余信息;其次,为降低小物体特征在经过多层次梯度处理后的信息损失,提出了一种增强型的特征表征模块(conv combined with conv additive self-attention block,CCAB),融合网络多层信息增强了全局上下文信息特征表达能力;最后,为进一步降低模型的计算复杂度,对原有的检测头进行分析,提出了基于共享参数的异构分支模块(dual-branch heterogeneous lightweight module,DBHLM),有效降低了模型头部的参数量。基于UBDCL的实验结果表明,LIMUB的参数量和计算量较基线模型分别降低了24.7%、27.9%,平均精确度mAP(50)和mAP(50∶95)分别高达99.16%和88.84%。该模型能有效平衡实时性和准确性,可为提高实验室整体安全提供参考。展开更多
目的基于主动健康理念与能力-机会-动机-行为(COM-B)模型,系统评价脑卒中患者健康行为的影响因素。方法采用混合方法系统评价设计,计算机检索PubMed、Web of Science、Cochrane Library、SinoMed、中国知网、万方数据知识服务平台、维普...目的基于主动健康理念与能力-机会-动机-行为(COM-B)模型,系统评价脑卒中患者健康行为的影响因素。方法采用混合方法系统评价设计,计算机检索PubMed、Web of Science、Cochrane Library、SinoMed、中国知网、万方数据知识服务平台、维普网,筛选建库至2025年2月关于脑卒中患者主动健康行为的相关研究,对纳入文献采用基于数据的聚敛整合法进行分析。结果共纳入18篇文献。整合结果显示:脑卒中患者主动健康行为的影响因素包括能力因素(脑卒中知识与技能、认知能力、身体功能、自我管理能力)、机会因素(社会支持与资源、环境与文化、医疗配置与经济资源、工作与职业)和动机因素(自我效能、健康信念与态度、风险意识与规划、心理状态)。结论脑卒中患者的主动健康行为是一个涉及患者自我管理与外部支持系统共同作用的复杂过程,受到多种因素的综合影响。医护人员应从多角度出发,提供必要的健康教育与康复技能培训提升患者的能力,创造有利的外部环境,帮助患者调整心理状态、提升健康信念与自我效能感等,进而提高主动健康行为水平。展开更多
文摘碳化硅(SiC)MOSFET器件的短路耐受能力差是阻碍其广泛应用的关键难题,对于国产高压SiC MOSFET器件,其短路保护研发缺乏有力的技术、经验支撑。同时,缺乏快速、准确的仿真模型也是国产高压SiC MOSFET器件应用研发面临的核心问题之一。为此,该文提出一种适用于高压SiC MOSFET器件的、考虑器件实际物理特性的、可准确描述器件短路故障中电流、电压等外特性的行为模型。该行为模型针对高压SiC MOSFET的特点修正沟道电流模型中的电压,并基于元胞层面的电流路径对JFET区及漂移区电阻进行建模。该模型考虑了国产高压SiC MOSFET的实际器件设计、工艺等因素的影响,依据半导体、器件物理计算模型的关键参数,提升模型在短路故障仿真中的精度。并且,该文明确了模型所用参数的提取方法,其中关键参数获取自器件设计环节,建立起器件设计者与应用者之间的桥梁。最后,对国网智能电网研究院有限公司研制的6.5 kV/400 A SiC MOSFET器件开展短路测试实验,仿真结果与实验结果表现出较好的一致性,短路电流关键特征的相对误差小于2.5%,验证了该行为模型的准确性。
文摘近年来,由人为因素引发的高校化学实验室事故频发,基于深度学习的行为识别技术逐渐成为提升实验室安全的重要手段。然而,该场景具有环境复杂多变、目标尺度多样以及计算资源受限等多项挑战。针对这些挑战,构建了一个包含4种典型动态场景,7类不安全行为的高校化学实验室不安全行为数据集(unsafe behavior dataset for chemical laboratories,UBDCL),并基于此提出了高校化学实验室不安全行为识别模型(lightweight identification model of unsafe behavior in university chemical laboratory,LIMUB)。首先,为提高多样化不安全行为识别的效果,提出了一种注意力引导的高效卷积模块(GSConv based on CO attention enhancement module,GSCO),在提高模型效率的同时有效滤除了通道冗余信息;其次,为降低小物体特征在经过多层次梯度处理后的信息损失,提出了一种增强型的特征表征模块(conv combined with conv additive self-attention block,CCAB),融合网络多层信息增强了全局上下文信息特征表达能力;最后,为进一步降低模型的计算复杂度,对原有的检测头进行分析,提出了基于共享参数的异构分支模块(dual-branch heterogeneous lightweight module,DBHLM),有效降低了模型头部的参数量。基于UBDCL的实验结果表明,LIMUB的参数量和计算量较基线模型分别降低了24.7%、27.9%,平均精确度mAP(50)和mAP(50∶95)分别高达99.16%和88.84%。该模型能有效平衡实时性和准确性,可为提高实验室整体安全提供参考。
文摘目的基于主动健康理念与能力-机会-动机-行为(COM-B)模型,系统评价脑卒中患者健康行为的影响因素。方法采用混合方法系统评价设计,计算机检索PubMed、Web of Science、Cochrane Library、SinoMed、中国知网、万方数据知识服务平台、维普网,筛选建库至2025年2月关于脑卒中患者主动健康行为的相关研究,对纳入文献采用基于数据的聚敛整合法进行分析。结果共纳入18篇文献。整合结果显示:脑卒中患者主动健康行为的影响因素包括能力因素(脑卒中知识与技能、认知能力、身体功能、自我管理能力)、机会因素(社会支持与资源、环境与文化、医疗配置与经济资源、工作与职业)和动机因素(自我效能、健康信念与态度、风险意识与规划、心理状态)。结论脑卒中患者的主动健康行为是一个涉及患者自我管理与外部支持系统共同作用的复杂过程,受到多种因素的综合影响。医护人员应从多角度出发,提供必要的健康教育与康复技能培训提升患者的能力,创造有利的外部环境,帮助患者调整心理状态、提升健康信念与自我效能感等,进而提高主动健康行为水平。
