【摘 要】
：
目的:探讨盆腔操联合情志护理对慢性盆腔炎的辅助治疗作用。方法:选取2018年1月-2020年5月笔者所在医院收治的70例慢性盆腔炎患者为研究对象。将其随机分为对照组和观察组,每
论文部分内容阅读
目的:探讨盆腔操联合情志护理对慢性盆腔炎的辅助治疗作用。方法:选取2018年1月-2020年5月笔者所在医院收治的70例慢性盆腔炎患者为研究对象。将其随机分为对照组和观察组,每组35例。对照组采用情志护理干预,观察组给予盆腔操联合情志护理干预。比较两组干预效果。结果:观察组治疗总有效率高于对照组,疼痛评分、焦虑评分均低于对照组,差异有统计学意义(P<0.05)。结论:盆腔操联合情志护理干预可促进慢性盆腔炎患者的康复。
其他文献
针对出租车盲目寻客导致空载率高的问题,提出了一种出租车载客热点推荐策略,以最大程度优化匹配乘客过程,提高寻客效率。基于出租车历史轨迹数据,结合热点乘客信息的时间序列特性,提出基于循环神经网络的分段预测(SPBR)算法,以及基于分时马尔可夫决策过程(TMDP)的载客推荐模型。实验表明,SPBR算法预测结果的RMSE比SVR、CART和BPNN等算法分别降低了67.6%、71.1%和64.5%;TMD
针对云服务器系统运行环境具有非线性、随机性和突发性的特点,提出了基于整合移动平均自回归和循环神经网络组合模型(ARIMA-RNN)的软件老化预测方法。首先,采用ARIMA模型对云服务器时间序列数据进行老化预测;然后,利用灰色关联度分析法计算时间序列数据的相关性,确定RNN模型的输入维度;最后,将ARIMA模型预测值和历史数据作为RNN模型的输入进行二次老化预测,从而克服了ARIMA模型对波动较大的
为了提高大动态信噪比下数字调制识别性能,提出一种基于高阶累积量和判别式受限玻尔兹曼机的联合调制识别方法。该方法提取数字信号的高阶累积量作为信号特征,综合利用判别式受限玻尔兹曼机的生成能力和分类能力,分析了含有高斯噪声、时变相位偏移或瑞利衰落环境下的数字信号识别率。实验结果表明,与传统识别方法相比,所提方法的识别性能有明显改善。此外,利用该模型的生成能力对输入特征进行重构,可有效提高低信噪比下的信号
提出了一种基于恒包络零自相关(CAZAC)序列的低复杂度抗频偏同步算法,适用于突发正交频分复用(OFDM)系统。由CAZAC序列构造一种新型前导序列,利用该序列的组合特性,推导其简化的定时度量函数,进而利用时延相关和对称相关特性实现精确稳定的定时同步。进一步地,基于所构造的前导序列,提出了一种联合循环前缀的加权频率同步方案,可获得更准确的频偏估计。仿真结果表明,无论是否存在频偏,所提算法在高斯信道
传统的集中式数据交易模式不能很好地适用于当前万物互联、数据实时产生的智能时代,为了使产生的数据发挥更大的价值,设计一种有效的数据交易框架至关重要。为此,提出了一种基于联盟区块链的分布式数据交易框架,在不依赖第三方的情况下实现了P2P的数据交易。针对已有数据交易模型仅考虑数据本身的因素,而忽略用户任务相关因素的问题,基于数据质量、数据属性、属性的相关性、消费者竞争等多维因素构建了双层多目标优化模型,
分析传统分布式排队(DQ)的调度过程及退避树操作规则,设计了一种深度优先遍历的改进算法。结合完全二叉树特例分析和随机重构的一般性推算,对改进算法的系统吞吐性能进行了理论分析和仿真评估,给出了DQ帧争用时隙的最优配置条件和基于开源软件NS-3的扩展仿真。仿真结果表明,所提算法的最大吞吐量可稳定达到信道物理容量的70%。
目的:分析血清抗缪勒氏管激素(AMH)、黄体生成素(LH)/促卵泡激素(FSH)对多囊卵巢综合征(PCOS)患者的预测价值。方法:选取本院2018年6月-2019年6月收治的100例PCOS患者作为研
为解决绝大多数研究未充分考虑位置对隐私预算的敏感程度以及轨迹形状带来的影响,使发布的轨迹可用性较差的问题,提出了基于相对熵和K-means的形状相似差分隐私轨迹保护机制。首先,根据地理空间的拓扑关系,利用相对熵计算真实位置对隐私预算的敏感程度,设计了位置敏感的隐私级别实时计算算法,并与差分隐私预算结合建立了一个新的隐私模型。其次,通过K-means算法对发布位置进行聚类,得到与真实位置方向最相似的
目的:探讨针对性护理在经尿道前列腺电切术(TURP)后尿失禁的应用效果,并分析尿失禁的影响因素。方法:选取2018年6月-2019年11月笔者所在医院行TURP的前列腺增生症患者60例,按
针对通信辐射源个体识别问题,提出了一种基于多通道变换投影、集成深度学习和生成对抗网络的融合分类方法。首先,通过对原始信号进行多种变换得到三维特征图像,据此构建信号的时频域投影以构建特征数据集,并使用生成对抗网络对数据集进行扩充。然后,设计了一种基于多特征融合的双阶段识别分类方法,利用神经网络初级分类器分别对3类特征数据集进行学习,得到初始分类结果。最后,通过叠加融合学习初始分类结果,得到最终的分类