简介:[摘要]目的:分析急性心肌梗死患者家属早期识别和急救知识状况调查。方法:本研究选择了2020年9月至2022年8月期间在医院接受救治的一批急性心肌梗死病患的家属作为考察群体,共包含216名参与者。结果:在216个急性心肌梗死患者的亲属中,有86人能及早辨识病症,早期识别比例为39.81%。对于急性心肌梗死的急救知识,31位家属表现熟练,44位基本熟练,总熟练度为34.72%(75/216)。在年龄层36至45岁的家属中,急救知识得分最高。早期识别能力和急救知识水平呈现出正相关性。女性家属在急救知识上的得分相对较高。教育年限达到或超过17年的家属在急救知识上表现出色。从事脑力工作的家属在急救知识掌握上也更胜一筹。通过多元logistic回归分析,性别为女性、教育年限较长、从事脑力劳动被确定为影响急性心肌梗死患者家属早期发现病症和掌握急救知识的关键因素。结论:急性心肌梗死患者家属的急救知识掌握程度与女性、高教育程度、脑力劳动职业紧密相关,这些因素对早期识别和急救知识掌握具有显著影响。
简介:当前,随着科学技术的不断发展,人们对安全防范的要求越来越高。同时,国家相关法律法规也要求以人防、物防、技防相结合的方式加强安全防范工作。在这样的背景下,面像识别技术在国家安全、军事安全和公安、司法、民政、金融、民航、海关、边境、口岸、保险及民用等行业开始实施、应用。如:公安布控监控、监狱监控、司法认证、民航安检、口岸出入控制、海关身份验证、银行密押、智能身份证、智能门禁、智能视频监控、智能出入控制、司机驾照验证、各类银行卡、金融卡、信用卡、储蓄卡等持卡人的身份验证,社会保险身份验证等。与其他生物识别技术相比,面像识别技术的可接受性强,人们通常不会介意将面孔作为识别特征。
简介:摘要 : 水肥一体化自动装备的使用能够有效提高水肥资源利用率,但需要在作业前获知作物的营养状况及水肥需求量,而通过人工手持测量仪器来获取这些信息,存在着时效性差和劳动强度大等缺点。针对以上问题,本研究以常见的作物玉米为研究对象,使用大疆精灵Ⅲ无人机携带 RedEdge-M多光谱相机在田间上空采集玉米多光谱图像,同时使用 YLS-D系列植株营养测定仪测量玉米植株的氮素和水分含量等营养信息,根据这些信息将采集的图像分为 3个等级(每个等级共包含 530幅五通道图像,其中 480幅作为训练集, 50幅作为验证集),提出了一种基于卷积神经网络的玉米作物营养状况识别方法。并基于 TensorFlow深度学习框架搭建了 ResNet18卷积神经网络模型,通过向模型输入彩色图像数据和五通道多光谱图像数据,分别训练出适合于彩色图像和多光谱图像的玉米植株营养状况等级识别模型。试验结果表明:训练后的模型能够识别玉米作物的彩色图像和多光谱图像,能够输出玉米的营养状况等级和 GPS 信息,识别彩色图像模型在验证集的正确率为 84.7%,识别多光谱图像模型在验证集的正确率为 90.5%,模型训练平均时间为 4.5h,五通道图像识别平均用时为 3.56s。该识别方法可快速无损地获取玉米作物的营养状况,为有效提高水肥资源利用率提供了方法和依据。