测量生命体征的方法范文

测量生命体征的方法篇1

关键词：自然语言处理；命名实体识别；模型；比较

中图分类号：TP391 文献标识码：A文章编号：1009-3044(2007)05-11385-03

1 引言

目前正处于信息爆炸的时代，各个领域都以不同方式为人们提供了大量的信息，其中，文献资料是最常见的方式之一，而且信息仍在剧速增长。以著名的生物医学研究数据库MEDLINE为例，最近包含的摘要为1千4百万篇以上，并以每月6万篇新摘要的速度在不断增长。如何快速、准确、有效地获取需要的信息，促进本领域研究的发展，给研究人员提出了难题。于是，命名实体识别（NER，namedentity recognition）技术在信息提取、信息检索、主题分类、知识发现等方面的应用变得尤为重要，成为人们获得信息的关键一步，因此也成为自然语言处理（NLP，natural language processing）研究的一个主要方向。

NER出现较早，经过多年的研究，在一些领域的应用已经比较成熟，例如新闻领域。但是，随着生物医学近年来的蓬勃发展，出现时间还不长的生物命名实体识别技术却还显得不够成熟，尚处于基础理论研究阶段。国外的研究人员已经注意到了这一点，开始着手进行生物命名实体识别技术的研究，并取得了一定的成绩。目前国内在这方面的研究仍较少，刚起步，对NER研究者而言，这是极大的机遇，也是极大的挑战。

1.1 Bio-NER简介

NER被认为是自然语言处理应用中的核心组成技术。它要求对名称的识别与浅层词意类型相匹配，旨在帮助用户从无结构文本数据中发现真正有意义的信息。在生物医学领域进行的命名实体识别称为生物命名实体识别（Bio-NER），其目的是对那些分子生物学家感兴趣的专业实例和术语进行自动识别和分类，这样的实例主要包括蛋白质名、基因名及他们的活动位置，如细胞名、有机体名等。

NER在新闻领域获得了很好的效果，其f评测高达90s以上，已达到“近乎人类”的等级。而在生物医学领域却几乎差了30点左右的f值[1]。由于生物命名实体命名的不规则性和不断更新，影响着识别效果的提高，这就给研究者提出了难题，也因此出现了一些Bio-NER国际公开竞赛，以促进Bio-NER技术的发展，如JNLPBA，BioCreAtlvE等。

1.2 JNLPBA简介

JNLPBA（the Joint workshop on Natural Language Processing in Biomedicine and its Applications）是一个国际性的生物命名实体识别任务。于2004年举办的JNLPBA2004要求参赛系统在生物医学英文文献中识别五类实体：“protein”、“DNA”、“RNA”、“cell line”、“cell type”。允许参赛者使用任何方法和知识源来完成他们的Bio-NER系统并最终进行统一测试和评价。大赛提供GENIA V3.02作为训练数据，以从MEDLINE中随机新选的404篇摘要为评测数据，采用F评测对系统进行评价。F评测值虽不能绝对判断出某个系统的优劣，但至少给出了一个可以统一评价参赛系统的近似指标。

1.3 GENIA语料库

对于机器学习模型来说，能得到一个好的学习语料库是提高系统性能的一大重要因素。GENIA和GENETAG是被Bio-NER研究者广泛使用的两个已标注语料库，其中GENIA V3.02是由在MEDLINE数据库中以术语“human”、“blood cells”、“transcription factors”为关键字搜索出的2000篇摘要组成，并由专家根据36个术语分类进行了手工注解。它为Bio-NER研究提供了最大的单个已注解训练数据源，是迄今为止分类广度最大的类别集。

2 基本模型

现在的命名实体识别方法大致可分为三种：基于字典的，基于规则的和基于机器学习的。由于绝大多数生物命名实体没有固定统一的命名方法，使得任何依赖于有限字典和规则的命名实体识别系统似乎都难以获得令人满意的性能。从而，基于学习的系统逐渐成为NER的主流，其又可进一步分为两类：基于分类器的系统和基于马尔可夫模型的系统。前者包括决策树、Bayes方法、支持向量机等；后者包括HMM、MEMM、CRF等，在解决诸如语音识别和词性标注之类的序列标注问题时，优势尤为突出。

在JNLPBA2004生物命名实体识别任务中，参赛的系统有8个[1]，都是基于学习的系统，主要使用了四种基本模型，即HMM，MEMM，CRF，SVM。有的系统建立在一种模型基础上，而有的系统则是基于两种模型的联合。由于命名实体识别可以被视为序列标注问题，所以较多使用了基于马尔可夫模型的系统。

2.1 隐马尔可夫模型（HMM, Hidden Markov Model）

HMM是一种被应用得较早的模型，在语音识别中用得很广泛，在Bio-NER研究中也广为使用。它包括两个随机过程，一个产生随机状态序列的过程，另一个是由隐藏的状态序列发射出观测序列的过程，可简单表示为（S，O，Π，A，B），其中S={si}为状态集，O={oi}为发射字符集，Π={πi}为初始状态概率，A={aij}为状态从si转移到sj的状态转移概率矩阵，B={bijk}为从状态si转移到状态sj发射出符号ok的符号发射概率矩阵。HMM要解决三个问题：给定初始状态，找到最佳模型；给定模型，找到能最好解释观测序列值的状态序列，即找到马尔可夫链中的最可能路径，也就是序列标注的过程；训练模型，调整模型参数。应用HMM，最终是要解决第二个问题，具体可将问题描述为：给定观测序列O =o1o2…on，要求找到最可能的状态序列（标记序列）S =s1s2…sn，使得P(S |O )最大[2]：

该计算式的第一部分可通过链式规则来计算，n元语法模型中的每个标记的出现被假设是依赖于前N-1个标记的。第二部分是所有独立标记的概率对数和。第三部分则与观测序列有关。为了解决浮点数下溢问题，避免零概率的出现，公式采用了对数运算，同时也加快了计算速度。可用Viterbi算法（Viterbi，1967）来找到最可能的状态序列，对观测序列进行标记，从而在文本中分辨出要求识别的生物命名实体。

2.2 最大熵马尔可夫模型（MEMM，Maximum Entropy Markov Model）

MEMM是一种较早就被应用并对NER系统有较大促进的指数线性模型：

它在CoNLL2003任务种是被应用得最成功的模型。参与JNLPBA-2004任务的MEMM系统使用了一个逻辑回归模型来为每个词在分类集（状态集）S={s1,s2,…,sn}上建立概率分布，即：确定某一确切位置的词oj是某类型si的概率，也获得了不错的成绩。对类型概率的定义如下[3][4]：

其中，λi是特征fi的权重因子，指fi确定oj是类型si的概率，通过它可使上式成为一个概率函数，其值可通过在训练库中统计得到。fi是二元特征向量函数，由1和0分别指出某词是否匹配特征fi：若o和s被fi描述为相关，则fi(o,s)=1；在其他情况下，则fi(o,s)=0。由此可以很简单地把特征fi的权重λi加入。为了提高系统性能，设计者在设计过程中引入了上下文特征s_，是该系统的一大特点。同时，为了方便计算，计算式中采用了指数函数对累加结果进行放大。同样可用Viterbi算法来找出最好的分类标记序列，以完成生物命名实体识别。

2.3 条件随机域模型（CRF，Conditional Random Field）

CRF实际上是一个连续优化最大熵模型，常被视为MEMM的一种高级版本模型，很适合做序列分析，在词性标注、浅层句法分析及新闻数据的NER中表现特别优秀，近来也被用来识别基因和蛋白质。

一般情况下，Bio-NER可视为一个序列分析问题，即每个词语作为序列中的一个词次而被打上标签。在CRF系统中，对于给定的观测序列O =o1o2…on，线性链CRF把与其对应的状态序列S =s1s2…sn存在的条件概率定义为[5][6]：

其中，Z0是所有状态序列的标准化因子，fi是特征向量函数，λi是特征权重。当训练状态序列被完全明确地标记后，可为该模型找到最优的λ值。一旦这些值被找到，一个新的、未标记序列的标记工作就可以用Viterbi算法来完成。其工作过程和MEMM一样，都可直接源自HMM的工作过程。

2.4 支持向量机模型（SVM，Support Vector Machine）

SVM是一种很著名的机器学习算法，由Vapnik于1995年最早使用，在一些分类问题中表现出了很好的性能。其主要思想是构造一个超平面，以超平面间的距离作为最大边缘来把训练实例分割为两类，并基于支持向量来决定选择哪一类作为训练集中唯一有效的实例。假设有N个训练实例（xi,yi），其中1≤i≤N，xi为特征向量，yi是在给定xi情况下的相应类型标记，取值{-1，+1}。SVM要找到一个超平面wx+b=0，能恰当地分开训练实例，并应用公式f(x)得到最大边缘[2][7]：

f(x)=+1指x属于该类，f(x)=-1指x不属于该类，k(xi,x)是核心函数，根据前人（Takeuchi和Collier）的工作证明，NER系统中较好的核心是二次多项式函数，如k(x)=(1+x)2。

由SVM得到的是非概率值，可通过以下模型把SVM输出值映射为概率（Platt，1999）：

3 讨论

3.1 关于HMM

在应用HMM时，仍存在一些问题，其中最关键的就是在计算∑P(Si|O )时的数据稀疏问题。最理想的是，对那些想要计算其条件概率的事件，能够有充分的训练数据。但不幸的是，在新数据上译码时，通常没有足够的训练数据来准确计算概率，特别是在考虑到复杂词语特征时，此问题更为突出。为解决数据稀疏问题，通常是采用一些平滑算法来对稀疏数据进行平滑处理，如期望似然估计、留存估计、线性插值、Katz回退算法等，另一种办法是用两级回退模型来近似P(Si|O)[8]，也可通过与SVM的联合来解决[2]。

另外，由于趋于在相同上下文中出现的词，都趋有相近的含义，所以根据序列中某一位置的词具有的上下文特征向量进行相似性比较，可以判断在该位置的不同词是否相似，这种基于词语相似性的平滑方法，可以自动从庞大的未标注语料库中获得词的各种信息，进行词类特征的自动获取而不再采用艰苦的手工编码，也可帮助解决数据稀疏问题，并提高整个系统的性能[9]。

3.2 关于MEMM

MEMM被成功用于NER任务，并以其合并大量重叠特征而著名，广泛使用了内部特征和句法特征，以及包括Web和gazetteers在内的外部特征。它的特征模板选择由人类专家知识形成的规则确定，特征权值在语料库中进行统计获得，故是一种典型的统计与规则相结合的模型。现在的任务中，许多实体没有好的内部暗示来辨别实体类型，如：不同的系统歧义和首字母缩略词意的广泛使用就是内部暗示所缺乏的，这就需要较好地使用上下文特征[3] [4]，MEMM就在这方面表现不凡。

3.3 关于CRF

HMM是被训练来学习联合概率P(o,l)而生成的模型，是一种产生式模型，它定义了一个标记和观测序列之间的联合概率，其中l的数据可能是稀疏的，要用Bayes规则来预测其最好的标记，而词性标注和NER感兴趣的是条件概率P(o|l)。CRF则不是生成的，是被训练来对P(o,l)直接最大化的辨别模型，它的每个状态概率都与整个序列的最大似然一致，可避免数据稀疏之扰[5]。

与MEMM的全局特征权重不同，CRF特征的权重是随状态不同而变化的。因此，CRF在序列标注方面具有多重非独立特征和整体优化的优点，而没有标注偏见的问题。

另外，CRF作为一种标记和分割序列数据的概率框架，其速度比SVM快。它的标记序列条件概率可以取决于观测序列任意非独立的特征，而不用强制模型说明那些属性的分布。

3.4 关于SVM

对SVM而言，NE词是由一些NE要素组成的复合词，所有其它无关词都被视为外部词，于是训练数据的不平均分布就会导致分类涉及范围逐渐减少。所以，SVM虽具有很强的分类能力，并能有效处理巨量参数，但一直都为低速和非平均分布数据所扰[9]。

为解决这两个问题，可通过两个步骤过滤掉训练数据中可能的外部词[10]：第一，去除不是一个基本名词短语组成要素的词，假定每个NE词都应在一个基本名词短语边界内；第二，按照词性标记排除一些词。

也可以通过与CRF联合来解决上述的两个问题[10]。SVM预测NE是基于在一个预定义好的框架中收集到的词的特征信息，而CRF是基于整个句子的信息来预测它们，所以，CRF可以处理那些被SVM标记为“O”（外部词）的NE。

SVM从根本上来说是一个二元分类器，在应用时，要完成的多是多类分类任务，需要把SVM扩展为多类分类器，此时就要考虑n个二元分类器的结合策略。比如，用一对一(one-against-one)策略取代一对多(one-against-the rest)策略[11]。

4 评测

F评测是在信息检索中常用的评价方法，在统计自然语言处理模型的评价工作中也取得了很好的效果，所以，F评测目前已成为该领域内大家所公认的统一评价方法。

在选择P和R相同权重的情况下，F评测简化公式为F=（2PR）/（P+R），其中P为精确率，是指系统选择正确项在全部选择项目中所占的比例；R为召回率，是指系统选择的目标项在全部目标项中所占的比例。

有8个系统参与了JNLPBA-2004 Bio-NER任务，分别使用了不同的方法和模型，最终的评测结果如表1所示[1]：

表1 JNLPBA-2004 Bio-NER任务参赛系统评测结果

模型缩写：S（SVM）；H（HMM）；M（MEMM）；C（CRF）

F值不同，一方面是由于不同的系统采用了不同的模型和算法，另一方面也同各个系统采用的特征集不尽相同有关，如：大部分系统都广泛使用了词汇特征，缀词信息特征，词性特征等，而Finkel的MEMM系统采用的句法标记特征和全球文本信息特征，在其他的系统中就没有使用。HMM则不同，由于其模型本身的统计特性，只使用了词汇特征和前实体标记特征。由此我们应该看到，为了提高系统的性能，除了模型的改进之外，特征，特别是Web特征的应用也会对系统性能造成不小影响。

从评测的F值来看，结果虽然不错，但距“近乎人类”的识别要求还相差甚远，说明在生物命名实体识别方面还有很多工作要做，这也要求研究者继续不懈地努力。

5 结束语

本文以JNLPBA2004生物命名实体识别任务为背景，通过对四种常用的Bio-NER机器学习模型进行简要介绍，初浅探讨了这些模型的本质及其应用中的问题。当然，随着研究的发展和深入，新的语言模型和数学方法也在不断的出现。以后我们将密切关注该领域的新动态，在提高Bio-NER模型性能方面进行更深入的研究。

参考文献：

[1]Jin-Dong Kim, Tomoko Ohta, Yoshimasa Tsuruoka, et. Introduction to the Bio-Entity Recognition Task at JNLPBA[R]. In Proceedings of JNLPBA-2004, Geneva, Switzerland, 2004.

[2]GuoDong Zhou and Jian Su. Exploring Deep Knowledge Resources in Biomedical Name Recognition[R]. In Proceedings of JNLPBA-2004, Geneva, Switzerland, 2004.

[3]Jenny Finkel, Shipra Dingare, Huy Nguyen, et. Exploiting Context for Biomedical Entity Recognition: From Syntax to the Web[R]. In Proceedings of JNLPBA-2004, Geneva, Switzerland, 2004.

[4]Jenny Finkel, Shipra Dingare, Christopher D Manning, et. Exploiting the Boundaries: Gene and Protein Identification in Biomedical text[J]. In BMC Bioinformatics 2005, 6:55.

[5]Burr Settles. Biomedical Named Entity Recognition Using Conditional Random Fields and Rich Feature Sets[R]. In Proceedings of JNLPBA-2004, Geneva, Switzerland, 2004.

[6]Tzong-han Tsai, Wen-Chi Chou, Shih-Hung Wu, et. Integrating Linguistic Knowledge into a Conditional Random Field Framework to Identify Biomedical Named Entities[J]. In Expert Systems with Applications 2006, 30, 117C128.

[7]Marc R?ssler. Adapting an NER-System for German to the Biomedical Domain[R]. In Proceedings of JNLPBA-2004, Geneva, Switzerland, 2004.

[8]GuoDong Zhou and Jian Su. Named Entity Recognition using an HMM-based Chunk Tagger[J]. In Proc. of the 40th Annual meeting of the Association for Computational Linguistics(ACL),2002, 473-480

[9]Shaojun Zhao. Named Entity Recognition in Biomedical Texts using a HMM model[R]. In Proceedings of JNLPBA-2004, Geneva, Switzerland, 2004.

[10]Yu Song, Eunju Kim, Gary Geunbae Lee, et. POSBIOTM-NER in the shared task of BioNLP/NLPBA 2004[R]. In Proceedings of JNLPBA-2004, Geneva, Switzerland, 2004.

[11]Tuangthong Wattarujeekrit. Exploring Semantic Roles for Named Entity Recognition in the Molecular Biology Domain[D]. In the dissertation for the degree of Doctor of Philosophy, submitted to the Department of Informatics,School of Multidisciplinary Sciences, The Graduate University for Advanced Studies (SOKENDAI), September 2005.

[12]Manning, C. D.等著，苑春法等译. 统计自然语言处理基础[M]. 北京：电子工业出版社， 2005.

测量生命体征的方法篇2

【关键词】亚细胞定位；特征信息提取；预测算法

亚细胞定位是指某种蛋白或某种基因表达产物在细胞内的具体存在部位，即根据所给出的蛋白质序列来预测其所在的亚细胞位置。蛋白质是基因功能的执行者，机体中的每一个细胞和所有重要组成部分都有它的参与，正是由于它是与生命及与各种形式的生命活动紧密联系在一起的物质，越来越多的生物学、生物信息学研究者开始对蛋白质的功能预测及分析进行了研究。然而，蛋白质只有经分选信号引导后运输到特定的细胞器中，才能参与细胞的各种生命活动，执行它的功能，如果其运送位置发生偏差，将会影响细胞功能甚至整个生物体。因此，蛋白质在细胞中的正确定位是细胞系统高度有序运转的前提保障。研究细胞中蛋白质定位的机制和规律，预测蛋白质的亚细胞定位，对于了解蛋白质结构、性质和功能，了解蛋白质之间的相互作用，研究疾病机理和发展新药物以及探索生命的规律和奥秘具有重要意义。

随着核酸和蛋白质序列等生物数据的高速膨胀，单纯以传统实验方法来确定蛋白质亚细胞定位具有成本高、实验时间长，预测精度不理想，会耗费大量的人力和物力等缺点，已经无法满足生命科学研究的需要。因此，需要寻找一种快速、有效、准确的计算方法来预测蛋白质亚细胞定位。近年来，生物信息学在这方面开展了广泛的研究并且取得一系列很有意义的成果，数据库的构建和亚细胞定位分析及预测加速了蛋白质结构和功能的研究。一方面，生物信息学研究可以对大规模的实验数据进行分析和提取生物学信息，同时可以根据现有数据对一些目前还未知的蛋白质做出预测；另一方面，不断增长的亚细胞定位数据也可以用来验证并改进预测结果。目前，利用生物信息学方法进行蛋白质亚细胞定位预测已经成为了一个研究热点。

从20世纪90年代初至今，蛋白质亚细胞定位预测一直是生物信息学研究的热点问题之一。通过分析国内外研究者的研究方法，不难发现这些方法的主要不同在于两个方面： 第一，蛋白质特征信息的提取，主要是指将蛋白质相关特征信息提取出之后转化成高维的特征向量，作为预测的输入。蛋白质序列特征信息主要包括氨基酸顺序相关性、氨基酸在蛋白质中出现的频率、氨基酸物理化学性质等。第二，预测算法的设计，根据提取的特征向量集，利用有效的算法预测蛋白质的亚细胞定位。算法影响亚细胞预测精度的重要因素，现有预测算法中，统计学和机器学习方法使用的最为广泛。

利用计算方法来预测蛋白质亚细胞定位属于统计模式识别中的模式多分类问题。问题的研究一般包括以下四个步骤：（1）具有客观代表性的蛋白质数据集的构建； （2）蛋白质序列的特征提取，即蛋白质序列编码，从蛋白质中提取特征参数，实现字母序列到数值特征的转换；（3）预测算法的选取，即如何根据提取的特征参数，设计有效的分类或识别模型类；（4）对预测结果进行评估，即预测模型的测试与检验以及结果性能的评估。

1 数据集的构建

研究蛋白质亚细胞定位的数据集基本来自SWISS-PROT数据库。该数据库建于1986年，是目前世界上存储蛋白质序列最主要的一级数据库之一。利用这个数据库研究蛋白质的亚细胞定位时，需要对其中的数据进行筛选。通常的筛选标准有：（1）针对研究对象，挑选特定物种的相关蛋白质序列；（2）在构建数据集时，需要知道每个蛋白质序列所在的亚细胞位置，所以只有包含明确的亚细胞定位信息的序列才被选入数据集中；（3）序列长度不能太短；（4）数据冗余度，要求同源性低；（5）排除样本量太少的亚细胞类别。

除了利用SWISS-PROT数据库外，还有LOCATE、TargetP家族数据集等。近年来，随着研究的不断深入，蛋白质序列数据集越来越复杂，目前最复杂的数据集是酵母蛋白质序列数据集，包含22种亚细胞蛋白质。

2 蛋白质特征信息的提取

蛋白质序列特征提取的目的是，从蛋白质序列中提取特征信息，并用适当的数学方法来描述或表示这些信息，使之能正确反映序列与结构或功能之间的关系，这于蛋白质亚细胞定位是至关重要的，也是研究蛋白质功能结构的关键。根据提取特征信息的不同，可以归纳为3类。

2.1 基于氨基酸的组成和性质

氨基酸组成是一种最基本的序列特征，也是亚细胞定位预测中使用得最为普遍的一种蛋白质特征信息。蛋白质一般有20 种氨基酸组成，氨基酸组成将每种氨基酸在蛋白质序列中出现的频率抽取出来作为一个20维的向量。1994年，Nakashima和 Nishikawa最早通过利用氨基酸组成进行了蛋白质亚细胞定位预测，对细胞内和细胞外蛋白质定位分别取得了88%和 84%的预测准确率。

2.2 基于蛋白质序列的N端分选信号的方法

一般认为蛋白质在合成的过程中，其N端包含一些特殊的分选信号，这些信号能够指导新合成的蛋白质分选到特定的亚细胞中，包括信号肽、线粒体转移肽、叶绿体运输肽、核定位信号、类囊体腔转移肽和过氧化物酶体定位信号等。这种信息的有效性取决于蛋白质序列完整性，一旦蛋白质序列的N端信号不完整或者丢失，预测结果就可能失效。

2.3 基于功能域和基因注释的方法

蛋白质序列在长期的进化过程中，某些特定位点上的氨基酸残基具有高度的保守性，这些位点称为功能域。2002年功能域组分的概念首次被用于蛋白质亚细胞定位，这种方法显著提高了亚细胞定位的质量。2006年，引入GO注释来预测人类蛋白质的亚细胞位置。但是，基于功能与和基因注释的方法对于数据库功能注释信息的完善程度依赖性较大，如果数据库中没有足够的功能域或基因注释条目，那么将无法确定蛋白质的亚细胞定位。

由于不同的特征从不同的角度刻画蛋白质序列，目前没有一种特征能够很好地刻画蛋白质的亚细胞定位特征，单独利用某种特征难以在预测效果上取得大的突破。将多种特征提取方法组合起来已经成为亚细胞定位预测中最为普遍的一种方法。

3 蛋白质亚细胞定位预测算法

蛋白质亚细胞定位预测中另一个重要因素是识别算法，成功的分类算法应该是能够高效、正确的将不同亚细胞位置的蛋白质分开。在蛋白质亚细胞定位预测方面，主要的算法包括5类：基于简单选择判别规则的方法；基于距离度量的近邻方法；基于人工神经网络的方法；基于马尔可夫模型的方法；基于向量机的方法。常用预测方法有神经网络、支持向量机 、最邻近算法三种。

（1）神经网络。神经网络是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。神经网络具有良好的鲁棒性和容错性，因此，不仅在蛋白质亚细胞定位领域受到青睐，在模式识别的其他领域也得到了广泛的应用。

（2）支持向量机。支持向量机是一种基于统计学习理论分类技术，它在蛋白质特征向量映射到的高维空间中，找到一个使（下转第32页）（上接第12页）分类误差最小的最优分类面。由于支持向量机具有较好的推广能力，许多学者选择它作为蛋白质亚细胞定位预测的首选分类器。

（3）基于距离的近邻方法。基于距离的近邻方法原理是根据某种距离度量方法来度量样本之间的相似性，距离越近则两样本有可能出现在相同细胞器中。随后的研究中，研究者将基于距离的近邻方法做了推广，如模糊K近邻方法，加权模糊K近邻方法等。基于距离的近邻方法，不需要人为的选择参数，适合求解大规模问题，运算速度较快。

随着研究的不断深入，将多种算法进行融合，来预测蛋白质亚细胞定位已经逐渐成为研究的趋势。2010年，赵禹等用离散增量结合支持向量机方法预测蛋白质亚细胞定位。多种算法的融合，在提高蛋白质亚细胞定位预测的精度和加快算法运行速度方面取得了良好的效果。

4 预测算法的检验和评估

选用适当的预测算法之后，需要对算法进行评估，即检验出算法的准确率，它是评价一个分类算法性能好坏的重要指标，也是与其它分类预测算法比较的依据。预测算法的检验方法主要有自身一致性检验、独立性检验、留一法检验三种[29]。

留一交叉验证（1eave-one-outcross-validation，LOOCV）每次取出数据集中的一条蛋 白质序列作为测试样本，而剩余的蛋白质序列作为训练集对测试样本的亚细胞进行定位预测。直到所有样本序列都被测试一遍为止。LOOCV的缺点是计算成本高，费时，但是其结果更加严格可靠，已经在很多方法中得到了应用。

评估预测算法常用的算法评价指标有 ：敏感性、特异性和 Matthew相关系数。敏感性指标是指每类样本中被正确识别的比例，反映了预测成功率；特异性指标是指被判别为第i类的样本中真正属于第i类的比例，反映了预测的可信度。

Sensitivity（i）=■×100%

Spencificity（i）=■×100%

Matthews相关系数MCC可以对算法的准确率进行评估。

MCC（i）=■

其中，tp（i）是第i类样本中被预测正确的数目，fn（i）是第i类样本被错误的判别为其他类别的数目，fp（i）是非第i类样本但被预测为第i类样本的数目，tn（i）是非第i类样本中被预测正确的样本数目。MCC指标取值0至1，取值越高说明分类器的性能越好，当MCC取1时，所有样本均被正确识别；当MCC取0时，分类器的判别效果与随机指派的结果一样，这样的分类器是最差的。

【参考文献】

[1]徐建华，朱家勇.生物信息学在蛋白质结构与功能预测中的应用[J].J Med Mol Biol， 2005，2（3）：227-232.

[2]张树波，赖剑煌.蛋白质亚细胞定位预测的机器学习方法[J].计算机科学，2009，36（ 4）：29-33.

[3]张丽.蛋白质亚细胞定位的序列编码及预测方法研究[D].湖南：湖南大学计算与通信学院，2010.

[4]郭丽丽，陈月辉.基于机器学习的蛋白质亚细胞定位预测[J].信息技术与信息化，2011，5：73-75.

[5]吴文佳.蛋白质亚细胞定位预测方法研究[D].南京：南京航空航天大学，2008.

[6]赵禹，赵巨东，姚龙.用离散增量结合支持向量机方法预测蛋白质亚细胞定位[J].生物信息学，2010，8（3）：241-244.

测量生命体征的方法篇3

关键词：计算机应用；中文信息处理；语义关系抽取；支持向量机；组合特征

中图分类号：TP391　文献标识码；A

1　引言

信息抽取就是从文本中抽取特定的事实信息。在大多数的信息抽取系统中，不但要识别文本中的实体，而且还要根据上下文确定和抽取这些实体之间的各种语义关系，即关系抽取。关系抽取已经日益成为自然语言处理研究的一个热门课题。和其他自然语言处理问题的解决方法一样，人们最初也试图使用基于知识库的方法来进行关系抽取。但这种方法需要专家构建大规模的知识库，既费时又费力。因此现在人们转向基于统计的机器学习方法。目前在关系抽取中所使用的机器学习方法一般分两类：基于特征向量的学习方法和基于核函数的学习方法。近期的机器学习方法主要基于特征向量，并取得了较好的成效。

在关系抽取中，典型的基于特征向量的方法包括最大熵模型(MaxEnt)和支持向量机(SVM)。但是基于特征向量的关系抽取的研究重点不在于机器学习方法本身，而在于如何获取各种有效的词法、语法、语义等特征，并把它们有效地集成起来，从而产生描述实体对象关系的各种局部和简单的全局特征。Zhou等系统地研究了如何把包含基本词组块在内的各种特征广泛结合起来，探讨了各种语言特征对关系抽取的贡献，在ACERDC2003基准数据上5个关系大类和24个子类的抽取中F指数分别达到了68.0和55.5。Wang等则又进一步加入了句子的简化谓词语义属性(SQLF)，在ACE RDC 2004基准数据的7个关系大类和23个关系小类的抽取中F指数分别达到了65.2和56.8。

与基于特征向量的方法不同，基于核函数的方法不需要构造固有的特征向量空间。在关系抽取中，基于核函数的方法直接以结构树为处理对象来计算它们之间的相似度。Zhang等通过聚类算法，探讨了基于树核函数的非指导性关系抽取。虽然核函数可以充分搜索长距离特征和结构化特征，但也导致了基于核函数的方法有一个致命的缺点，即训练和预测的速度太慢，不适于处理大量的数据。目前基于特征的语义关系抽取在选取特征时，对于词法、句法、语义等各部分的特征单独选取，没有考虑到各个部分特征之间的联系，本文并未通过发掘新的特征来提高语义关系抽取的性能，而是在各种基本特征内部以及它们之间对其进行有效的组合，从而产生出很多组合特征，实验证明这些组合特征对提高语义关系抽取性能作出了很大的贡献。

文章第2部分介绍了基于特征向量的关系抽取的基本概念及方法。在第3部分中，介绍了语义关系抽取中的特征选取以及特征之间的组合。第4部分给出了实验的结果以及对结果的分析。最后一部分是本文的结论及展望。

2　基于特征向量的关系抽取

在本文中，关系抽取问题被转化为一个使用机器学习方法的分类问题，和大多数需要人工指导的机器学习方法一样，本文所采取的基于特征向量的关系抽取需要一个较大规模的标注语料库，在本文中我们使用的是ACE2004的英文标注语料库。首先我们将经过标注的命名实体对转化为一个特征的集合：f1，f2，f3…，fn，然后将其映射到一个n维的特征向量空间。在训练时，分类器学习算法使用标注的关系实例来学习得到一个分类器；测试时，又利用学习所得的分类器判断待测试的关系实例所属的关系类别。我们可以将关系抽取的任务表示为如下公式：(Cpre，E1，Cmid，E2，Cpst)r，E1，E2分别代表实体1和实体2，Cpre，Cmid，Cpst分别代表实体1之前实体对中间以及实体2之后的上下文，r代表语义关系类别。

一般的分类器学习算法有最大熵(MaxEnt)和支持向量机(SVM)。研究显示，支持向量机在性能上优于最大熵。在本文中，我们使用的是二元分类学习器SVMlight。SVM是一种基于统计学习理论驱动的有指导的机器学习方法。基于统计学习理论中的结构风险最小化原则，SVM通过寻找一个最佳分类超平面将训练数据分成两类，然后利用从训练集中挑出有效的实例作为支持矢量(SVC)作为决策的依据。由于SVM是一个二元分类器，为了使它能适合我们的多元分类任务，比如说ACE RDC任务，我们需要将其扩展成一个多元分类器，本文中我们采取“一对多”的分类方法。与“两两”分类方法相比，对于K类分类任务，“一对多”的方法只需要构造K个二元分类器，而“两两”的方法则需要构造K×(K－1)/2个二元分类器。

3　关系抽取征的选取及组合

由于实体间的语义关系表达的复杂性和可变性，使得关系抽取成为信息抽取中的一个薄弱环节。由于语法结构在关系识别中起着重要的作用，而语法结构的多样性和复杂性使我们较难提取有效的语法特征，因此关系抽取的成功在于能否有效地集成各种有效的语言特征，包括结构化特征。目前关系抽取研究的最大挑战在于训练数据不足，而且各语义关系的分布很不平衡，而关系小类的问题尤为突出。对于基于特征向量的关系抽取，特征主要选择词法、句法、语义以及结构化信息，词法特征的提取相对简单，而句法、语义以及结构化特征的提取需要对原始语料进行句法分析、短语块标注等预处理工作，受制于这些预处理工作的性能，目前我们无法提取出更多准确而有效的新特征。

本文利用现有的基本语言学特征，通过对各部分特征进行合理的组合，主要有三种组合：词法特征内部的组合；语义特征内部的组合；句法特征和词法特征的组合，并使用机器学习的方法进行训练和预测。本文以ACE 2004标注语料库为实验对象，具体阐述如何提取实体之间的特征，以及如何将这些特征有效地集成起来。

3．1　实体词语及其上下文特征

词法特征代表了命名实体对最基本的特征，也是目前我们能够提取的最简单而最准确的特征。在 词语及其上下文的特征提取中，上下文窗口不宜设置得过大，否则会引入噪声，导致关系抽取性能的下降，本文中将上下文窗口设为2－3－2，通过对基本词法特征的组合形成组合特征，如图1所示。

基本特征：WM1：实体1的提及(mention)；HM1：实体1的核心词；WM2：实体2的提及；HM2：实体2的核心词；WBF：实体间第一个词；WBL：实体间最后一个单词；WBO：实体间除了第一个和第二个其他的单词；BM1F：实体1前的第一个单词；BM1L：实体1前的第二个单词；AM2F：实体2后的第一个单词；AM2L：实体2后的第二个单词。

组合特征：HM12：HM1+HM2；WB2L：WBF+WBL；BWM1：BM1F+BM1L；AWM2：AM2F+AM2L。

3．2　实体类别及其组合特征

实体类别特征属于浅层语义特征，目前的实验表明单独加入实体的大类或者子类特征对于关系抽取的作用并不明显，但是通过对这些基本语义特征进行组合形成了更丰富的语义特征。因此本文中提取的实体类别特征主要是组合特征。

ET1ET2：实体1实体2所属的大类(entitytype)及GPE角色(GPE－role)的组合；

EST1EST2：实体1实体2所属的大类、子类(entity subtype)以及GPE角色的组合；

ET1ET2X：如果实体对之间存在其他实体，则将其大类子类特征与ETIET2进行组合；

EC1EC2：实体1实体2参考类别(entityclass)的组合。

3．3　实体参照方式

实体参照方式(mention level)和参照类别(mention type)属于句法信息，对于每一个实体，我们会记录它所有的提及(mention)。而实体提及往往是嵌套的，即它们可能会包含其他实体的提及。实体参照方式和参照类别正是反映这一类信息的。

ML1ML2：实体1实体2参照方式的组合；

MSL1MSL2：实体1实体2参照方式及参照类别的组合。

3．4　交叠特征

实体的交叠特征主要反映实体之间的位置关系，属于结构化信息，实体对之间位置不仅是前后关系，还可能出现包含关系。但是，由于这些交叠特征单独使用并不能起到很好的效果，所以它们必须和别的特征组合起来使用，比如说和实体的类别进行组合。

基本特征：#MB：实体之间其他提及(men

don)的数目，0表示没有；

#WB：实体间词语的数目，－1表示实体之间是包含关系；

组合特征：OPNPM1：ETlET2+＜+HM1；OPNPM2：ETlET2+>+HMl；(“＜”表示实体1包含实体2，“＞”表示实体2包含实体1)；OPNP：ETIET2+能体现实体1实体2之间从属关系的名词；OPO：ETlET2+。实体1实体2上下文中的情态动词，BE动词；OPPP：ETlET2+实体1之前的修饰语；OPVP：ETlET2+实体1实体2之间的动词成分。

3．5　基本短语块及其组合特征

基本短语块特征的提取与词法特征类似，在提取出实体对上下文中的基本短语块后，再进行组合，形成组合特征。

基本特征：CPF：实体之间第一个短语块；CPL：实体之间最后一个短语块：CPO：实体之间其他的短语块；WM1、WM2：与词语特征中相同；CPNULL：实体之间不存在短语块；BCIF：实体1前第一个短语块；BCIL：实体1前最后一个短语块；AC2F：实体2后第一个短语块；AC2L：实体2之后第二个短语块。

组合特征：CPFL：CPF+CPL；BC1FL：BC1F+BC1L；AC2FL：AC2F+AC2L。具体组合见图2。

4　实验结果及分析

4．1　实验步骤及评测指标

(1)本文使用了ACE 2004评测的英文标注语料库作为实验数据进行关系抽取实验。该语料库包含了从广播、新闻、报纸等收集的317篇文章。本文中的关系抽取仅考虑在同一个句子内的命名实体对。表1列出了所有实例的统计信息。包含7个大类和23个子类。

(2)数据预处理阶段主要分以下几个步骤：(图3是一个具体的特征抽取实例)

1、将ACE2004语料文件转化为XML格式；抽取出已标注的命名实体以及实体关系实例并进行编号。

2、对文本进行语句切分，使用Charniak对语句进行句法分析产生句法树。

3、使用chunklink．p1工具将句法树转化为短语块序列，然后再从中抽取出各种基本特征并进行组合。

在图3的实例中，“jim SCiutto(实体1－PER)，abc news(实体2－ORG)，postville iowa。”中实体1和实体2之间存在雇佣(EMP－ORG)关系。

(3)使用SVMlight6.01进行训练和分类，在进行关系探测，大类抽取，子类抽取时参数c分别设为0.078，0.15，0.203。

(4)对于语义关系抽取的性能评测，本文中使用准确率(Precision)，召回率(Recall)，F值(F－score)作为评测指标。设T为测试数据中实例总数，S为识别出的正例数目，C为正确识别出的正例数目。

4．2　实验结果及分析

利用本文中抽取出的基本特征及组合特征，使用SVMlight进行训练和预测，在关系探测，关系大类抽取，关系子类抽取的最终结果及与wang等的比较如表2所示。表3、表4分别表示了本文系统以及wang等的系统的各个部分特征对语义关系抽取所作的贡献。

由表2的比较可以发现，通过加入组合特征，本文在关系探测、大类抽取、子类抽取任务中的性能均比未加入组合特征的wang等的高。在本文的实验中，加入基本特征后的子类抽取的F值为57.07，而加入了组合特征后F值提高了近2.5个百分点，说明本文所提取的组合特征能够显著地提高语义关系抽取的性能。由表3和表4比较看出，在加入了词法特征后，本文的关系抽取的F值达到了43.29，而Wang等的F值为33.38，词法组合特征的加入使得本文的系统性能有较大的提高。实体类型特征的加入使得F值提高了13个百分点，而在Wang等的系统中基本实体类别特征的加入使得F值也提高了近13个百分点，因此实体类别特征对于语义关系抽取的影响较大，而本文中实体类别组合特征的加入对语义关系抽取的影响并不显著。引用层次特征的加入使得F值提高了2.3个百分点，而交叠信息和短语块特征分别使得F值提高了0.5个百分点。

实验结果表明句法特征的加入没有显著提高系统的性能，这是因为命名实体对的句法结构比较相 似，多为复合名词词组，而词法特征及表征实体语义的实体类别特征则因为具有较高的区分度，因此对语义关系抽取的性能提高比较有效。实验表明本文中所提取的词法组合特征非常有效，这是因为词法特征具有较好的区分度，能够很好地表征命名实体对，因此词法特征的提取在整个特征提取过程中占有很重要的位置，直接影响了关系抽取的性能好坏。而其他类型的组合特征加入并未产生显著的效果，这是因为这些基本特征已经包含了比较丰富的信息，而组合特征是对这些基本特征进行组合，因此包含了很多冗余信息，不具有较好的区分度。

与Zhou等在ACE2003中的实验结果不同的是，我们发现在ACE2004中实体类别特征对关系抽取性能的贡献最大，而在ACE2003中基本短语块特征比实体类别特征更加有效，这是因为在ACE2003数据中，实体类型特征仅包含实体的大类及子类信息，而在ACE2004数据中，实体类型信息中不但包含类别信息，还包含了实体的参考类别、实体的GPE角色等其他信息，因此具有更高的区分度。Zhou等和Wang等的实验结果均显示，解析树、依存树等结构化信息的加入对关系抽取性能的提高并不明显，而从理论上来说语法结构信息在关系抽取中有着重要的作用。导致以上情况的原因可能是：一方面，在ACE的关系抽取任务中，其所定义的大多数关系实例中两个命名实体之间距离较短，而对于这种短距离的关系实例，我们可以通过加入一些简单的词语信息、类别信息就可以进行有效的关系抽取，而结构化信息对于长距离的关系实例的抽取的效果更加明显。另一方面，在我们进行语法结构分析时所提取出的解析树和依存树信息还比较简单，而且准确性也不高，它们不能很好地表征语法结构信息，因此在关系抽取中的作用并不大。为了使结构化信息在语义关系抽取中发挥更大的作用，我们必须深入挖掘隐藏在完全句法树中的各种有效的结构化特征，并尝试将语义信息与结构化信息结合。

5　结束语

本文介绍了信息抽取领域中的语义关系抽取任务，并使用基于SVM的机器学习方法在ACE 2004语料库上进行了关系抽取实验。在选取特征时，通过对基本特征进行组合形成了组合特征，从而提高了语义关系抽取的性能，其中词法组合特征能够显著地提高抽取性能，而其他类型的组合特征的影响则不太明显。同时我们还研究了各种特征在关系抽取中所作的贡献，实体类别特征相对于其他特征而言更加有效。基于特征的语义关系抽取的关键是构造特征丰富的特征向量，而目前无法获取更多有效的新特征，因此利用现有的基本特征进行合理组合，从而产生出区分度较高的组合特征会是一条比较有效的提高关系抽取性能的途径。

测量生命体征的方法篇4

学习者在认知过程中，对当前的认识通过过滤、选择、抽象等方式，进行整理归类、精确简约、协同组织，建构出一个科学规范的图式，并随之形成良好的记忆.当学习者需要对当前的知识状态作出解释时，图式就会被激活，形成相应的预测和推理，同时可产生触类旁通的学习迁移作用.物理学认知内容具有高度的抽象性、严密的逻辑性和丰富的组织性，学好物理需要获得规范的认知图式.

1物理模型图式的表征

物理模型是对物理客体或事项的一种抽象化、理想化的反映，力求准确地体现物理研究指向的主要内容，是对客观对象的一种简明近似反映.物理模型分为实物模型、状态模型、过程模型.学习者通过对物理模型中的概念、规律等典型特征信息及相应关系进行科学规范化的认知，便可建构出一种关于物理模型知识的有序组织结构，从而形成稳定的心理表征，获得一个相应的规范图式.

实物模型与自然实体相对应，其图式属于自然范畴图式.自然范畴图式表征对象是自然实体的属性，如物体、静电场等自然界实体范畴的知识点的集合，可表征出相应的自然范畴图式；自然范畴也指由人类文化所造就的一些客观实在范畴，如点电荷、单摆等经过科学抽象简化出的物理实在.自然范畴图式可用槽（属性）与值（内涵）的表征方式来建构.槽与值的一组配对，可以构成某一范畴相应图式的其中之一特征.若干组槽与值的配对构成图式的主要典型特征，通过对各元素（槽与值）的线性排序，可构成有组织的知识结构.槽可理解为自然客体或事项的属性名称， “值”是对“槽” 的内涵的具体说明.如单摆图式可用槽与值的结构表征（见表1）.

实物模型是对具体客观实体的物理简化，主要关注客观实体在结构方面的物理主旨信息的提取.实物模型图式的物理教学策略以模型的结构特征为主线，以与反映结构特征相关的物理量为认知对象，达到组建简洁明确的模型图式为目的.图式建构的设计程序为：列出若干个典型的研究实体对象――研究各单个实体结构――进行信息加工提炼――确定信息表征的图式内容――组成实物模型的图式结构.例如单摆模型图式，首先要对各类具有单摆特征的同类自然对象进行归类抽象，得到简化的模型图示，列出其若干典型的共有特征，将各知识要点相互关联、组织集合，形成如表1所示的科学的单摆图式.

本图式共选取了九个知识点作为图式的要素，并给出了九个槽（属性）的简洁名称，同时前八个槽采用命题的形式给出了对应的物理内涵，表象这个槽则是用图示的方式展现出来.按物理内涵相近进行线性排序，共分出三个组块，各组块中的槽顺序在逻辑上关联递进，便于学习者记忆，同时也使知识的关联组织有序化，易于理解和学习迁移.模型构成要素反映了单摆装置的实体特点，运动特征要素则反映了单摆运动学与动力学的特点.将表象要素纳入图式，可使学生在处理问题过种中能在大脑中浮现出单摆的简洁图象，可从中联想解读出单摆各个知识要点内容.

物理状态模型、过程模型一般是关于物理特征的综合内容结论式描述，其图式可采用汇聚图式来表征.汇聚图式要求将内容的主题汇聚成有组织的简明知识结构，从而使认知者能获得一个明确的认知图式.汇聚图式的结构与自然范畴图式类同，建构方法也相近，但其认知对象是结论式的内容.后面提到的物理量、物理定律和结论性的内容等也常用汇聚图式来表征，另有详述.关于状态与过程模型的汇聚图式建构方法，在此不再讨论.

2物理量图式的表征

一些有关测量与计量的国际组织联合制定的《国际通用计量学基本术语》（1993）书中，将物理量定义为：物理量是物理现象、物体或物质的可以定性区别和定量确定的属性.因此物理量既有质的限定性，又有量的规定性.在物理教学中为了认知上的方便，又将物理量归类为可测性的物理概念.

物理量定义式具有测量上的操作性，其量度方法及定量关系能进一步揭示物理实在的内在本质.学习物理量主要关注其测度的数学表征方式和物理本质内涵要点的主旨信息提取.“物理学是研究物质的最基本、最普遍的运动形式和相互作用以及物质的基本结构的科学.” 据此可将物理量分为物质性质量（简称物性量）、运动状态量、运动过程量和物质作用量四大类.物理量是人类在从事科学文化活动过程的产物，是一种结论式的文本，其内容的主题汇聚成有组织的简明知识结构，可采用汇聚图式的结构来表征物理量.

物理量的定义具有严密的科学规范性，其形成方式与内容可概括为：引入目的、基本定义及其来源、符号表征，测量规范，量度单位及其换算等六个部分.其中引入目的反映了该物理量所属的研究范畴和方向，为物理量类别的判断提供了依据；测量规范为物理量确定了科学的量度方法.此外物理量的数学表征有标量、矢量之分.依据上述分析可设计出物理量图式的基本结构，按数学结构、物理内涵和表象的顺序则进行线性排序，综合调整得到物理量图式“槽”的要素集合，即符号表征、测量定义、度量单位、数学性质、物理定义、物理意义等六个结构要素.

这些要素只是物理量图式的共有“属性”要素，对于不同类别的物理量，除了上述共同的属性要素之外，还应有它们独有的能够反映其特点的属性要素.描述物性的物理量一般由物质自性决定，其图式的“槽”应加上“物理特性”项.物质运动状态量与运动过程量在时域上分别对应时刻和时间区域，都存在“时间特性”的表征.故二者的图式“槽”项应外加“时间特性”要素.物质作用量与相互作用机制相关，其图式“槽”项需增加“作用机制”要素.有时为了使物理量的内涵能形象地表征出来，常采用图示的方法来说明，所以还要加上图示表象要素.

建构物理量图式应注意，其一“槽”名称的选取要准确典型，“值”是对“槽”的内涵的说明，其表述务必简洁明了；其二线性排序的逻辑顺序要规范明确，实行分块组合，块间层次分明，块内各要素存在递进关联；其三图式在整体上使物理知识形成科学规范的组织结构，各图式间也可形成有机联系.下面以电场强度为例，给出其汇聚图式的具体内容和表征形式.此图式将槽的要素分成了三个组块，按物理上的逻辑关系与意涵关联递进的方式进行线性排序，其中数学表征组块反映电场强度的量的规定性要点；物理表征组块显示其质的限定性内涵；表象组块可将电场强度的抽象表达直观形象化.

整个图式通过槽与值对应内涵的简明解释，实现了电场强度认知的系统化、组织化和有序化，有利于学生对电场强度的记忆、理解及运用！

按照上述方式，可以建构出其它类型的物理量图式，也可以对那些不能量化的物理概念建立相应的物理图式.

3物理规律图式的表征

物理规律是物质相互作用和有关物理现象、过程在一定条件下发生发展的必然趋势及内在的本质联系，其表示方式可分为物理原理、定律、定理及结论等.物理基本规律一般侧重于用数学公式来表示，有些也运用命题的形式来阐明，即物理规律的在表征形式上有两种――命题式与数学式，命题式表示方式是以言语来综合陈述，如伽利略相对性原理、牛顿第一定律和安培定则等；数学式表示方式是运用若于个物理量之间的因果关系来组织成精确的数学公式，如牛顿第二定律、动能定理和匀变速直线运动的推论等.，物理规律的内涵抽象深刻，逻辑严密，内容要点的因果关系密切相关，表征形式简洁明了，在整体上可组织成一种协同有序的知识结构.物理规律的表征形式是典型的科学文化活动的内容，其图式可采用汇聚图式的结构来表征.命题式与数学式的物理规律对应的图式在结构上既有相似性也存在差异性，需要依据具体对象的特征来设计建构.认知物理规律主要关注其原创发现过程所采用的思想、方法的主要特点及其物理结论的关系表述和内涵的主旨信息提取.本文以数学式的物理定律为例来建构图式，其它形式的物理规律图式可仿此来设计.

数学式的物理定律的研究及形成要涉用到如下内容：建立模型，选取实验或观察对象，确立寻找定律的方法，确定因果物理量，得到因果关系，给出数学表征，进行相应的物理解释.据此可选取物理模型、有代表性的实验对象、实验方法、适用范围、数学公式、物理内涵、实例解读、表象实例等九个要点，组构出物理定律图式的基本结构.按照这一建构的策略，我们建构出牛顿第二定律的认知图式如表3所示.

此图式分成了三个组块，第一组块将物理定律的实验考察要点提炼出来，槽的要素顺序依照实验操作的先后过程排序，符合认知规律；第二组块对物理定律的数学显示与物理解释的精致化说明，按照思维的认知顺序排列，符合物理逻辑关联特点；第三组选取得三个典型的物理运动，将牛顿第二定律的物理内涵形象化地表现出来，使抽象的内涵形象化.总体而是对“槽”与“值”的提炼遵循精准简明、科学规范的原则，知识要点的集合符合组织化与有序化及形象化的要求，达到深化理解和灵活运用的目的.

按照上述方式，可以建构出其它类型的数学式物理规律图式，也可以对那些命题式的物理规律建立相应的物理图式，只要对图式的基本要素作恰当的修改即可.

4结语

在图式理论中关于事件图式和文本图式也有详细的论述，其特点也可以方便地用于教学.事件图式是人对所从事的文化活动按先后次序所做的有组织的认识，其认知对象为自然或社会中发生的事件.该图式对于某一事件要从中分解、概括出具有个性特征的各项活动，用命题的形式表征关键信息，按活动先后来组织排序，形成规范图式.如物理实验过程就可以按照时间先后建构成一个操作简明的事件图式.文本图式的认知对象为各种体裁的文本，建构图式要求将各段文本内容特征点进行提炼，对关键信息实行分块组织排序，形成规范的文本图式.如教师的教学设计规范格式就可用文本图式来编排.

总之教师在物理教学中，可从物理认知对象本身的特点出发，有目的地围绕图式的规范与认知规律来设计教学方案，引导学生按图式的要求来认识、记忆和理解物理学的知识，帮助学习者自主建构出科学规范的物理图式，使学生在学习之初就能快速地形成结构合理、内容简明、要点关联有序、抽象内涵能直观表达的知识系统，最终达到学习者能准确运用物理知识解决相关问题的目的.

测量生命体征的方法篇5

人类在生活中不断地接受机体内外环境中的各类信息。从信息对人的健康的影响来分，可分为良性信息和恶性信息。与人类健康相关的信息依人类接收信息的方式大致可分为有物质外壳的信息（非语言文字）和无物质外壳的信息（语言文字）两大类。

人类要学会充分吸收对健康有益的良性信息并处理“心灵的垃圾”，才能有利于自己的健康。

健康形态学

1．健康态的基本要素：

生理功能、心理状态、营养状态、体能状态、体质特征、思想意识形态完美程度

2．健康态的基本分类：

健康常态指符合目前健康标准的人的生存状态。生存状态是用系统健康学的一些参数（代表着生命过程中的具体现象）来描述的。随着对人的生命和健康的认识的不断深化，健康标准也会随之修正或补充完善的。

超健康态超健康态有两层含义，其一即目前少数人能够达到的近乎“天年”。所谓“天年”，就是天赋的年寿，即天然寿命，一个人理论上应该活到的岁数。随着科学的发展和物质文化生活水平的不断提高，寿过百岁的健康之星越来越多。在中医典籍《黄帝内经》中对养生与健康长寿的关系及何谓“终其天年”有精辟的论述。“延缓人的衰老，提高人的寿命”就是系统健康学所要追求的、人类想要达到的境界，也有人称之为对人类的终极关怀。其二是主动的智慧的“开悟”状态，能使人达到最高的生存境界，其三是潜能迸发的状态，人的智能和体能在某种状态下可以超极限发挥，多与被动的应激状态有关。

次健康态就是所谓第三状态或慢性疲劳综合征。简单说就是非疾病状态，也非健康状态，处于两者之间，可能向健康或恶化两个方面发展。若长期处于次健康状态，将对人的生命质量造成负面影响。

对健康态基本不影响正常代谢和寿命的机体完整性的轻微损伤。

偏离健康态主要指疾病恢复期和一些慢性病迁延状态。心理上的轻度异常也属此类。

非健康态疾病活动或发作期。

个体生命过程不同阶段的健康问题――健康过程论孕育健康学，发育健康学，普通健康学，老年健康学

完美健康态的六大要素――健康；道德；安宁；智慧；潇洒；长寿

健康是指身体、心理的健康，是完美健康态最基本的条件，是另外五项的基础。

道德即其人的道德意识符合其人所处社会之道德规范，正确分辨真伪善恶美丑荣辱也是人类健康的内容。孔子的“仁者寿”已在世界范围内引起了人们的高度重视。

安宁即是佛经中所说的正受，是一种没有忧虑、没有恐惧、没有私欲、没有攀缘、没有矛盾、离开一切执着，相对调和、统一的心境。这是东方文化及养生学中很重要的一个观念，对人类实现完美健康态是必不可少的条件。所谓“静神以摄生防病”之意。

智慧佛经中的“般若”一词就是智慧，是说人类应该把自己从各种贪婪和执着中解脱出来，达到恬悦、闲适和睿智的理想境界，通过适当的修为，把平凡单调的人生与生活变为一种充满喜悦、真实与创造性的人生艺术。

潇洒是一种人生态度，潇洒之人通常被认为是位于生活最高层次的人，他们能够让思想游曳于无穷的境地。

长寿是人类永恒的追求目标、也是健康的重要外在表现。随着科学和文明的进步，人类的平均年龄已经大为提高，“终其天年”经过不懈的努力终究会变成现实。正如《内经》中所描述的：“上古有真人者，提挈天地，把握阴阳，呼气，独立守神，肌肉若一，故能寿敝天地，无有终时，此其道生。中古之时，有至人者，淳德全道，和於阴阳，调於四时，去世离俗，积精全神，游行天地之间，视听八达之外，此盖益其寿命而强者也，亦归于真人。其次有圣人者，处天地之和，从八风之理，适嗜欲于世俗之间，无恚嗔之心，行不欲离于世，举不欲观于俗，外不劳形于事，内无思想之患，以恬淡为务，以自得为功，形体不敝，精神不散，亦可以百数。其次有贤人者，法则天地，象似日月，辨列星辰，逆从阴阳，分别四时，将从上古，合同于道，亦可使益寿而有极时。”（《内经》上古天真论篇第一）。这里也反映了古代人以“自我内在操作方式”进行的养生实践活动及其对人的生命质量有益的影响。

健康测量学

健康测量学是对可观察到的生命的外在现象甄选、参数化并进行测评，取得关于健康状况的量化指标。

健商（HQ）即生活质量参数。在生理、心理和对社会适应能力、健康的基础上，健商代表一个人的健康意识、健康智慧、健康知识和技能。像智商、情商一样，健商也是一个人的特征之一。其与智商的特点不同的是，健商不是先天决定的，教育、认识、毅力和情商都可以影响一个人的“健商”。

心理学参数的测定焦虑、抑郁、生活质量和疾病自评量表。

分子生物学与生物化学水平的参数基因与癌；分子疾病；端粒与端粒酶测定与人的生物年龄；激素水平测定；维生素与微量元素测定；蛋白质、脂肪、醣类、核酸四大物质代谢。

细胞水平参数细胞形态学的改变；线粒体改变与人的衰老；微循环状态检测。

器官水平参数CT、B超、骨密度测定等器官形态学；踏车试验、心输出量测定、肺功能测定、肾功能测定等器官功能学。

整体水平参数心率、呼吸、体能测定、体质测定、代谢速率等。

心理健康水平评估

社会学参数包括国家健康方面的政策、家庭、爱情与婚姻、工作与收入、社会安定与治安稳定、生存压力、教育背景等。个体健康态的确定是多个参数加权综合的结果。

疾病风险预测

健康常态的维持和发生跃迁的要素

生命的内在自作与生命状态的跃迁

中国生命科学的实践表明，人的主体意识的能动性对生命的存在形式通过比如瑜伽修炼等进行操作，的确能达到相当高深的生命境界，这是不容怀疑的事实。

健康心理学研究心理健康的维护和心理因素与健康的关系

健康体质学健康体质学是个性化养生保健方案的理论依据。体质学涉及个体生命过程中的一些基本问题，体质是在先天遗传和后天获得的基础上表现出的人体的形态结构、生理机能和心理状态方面综合的相对稳定的特质。这种特质反映在生命过程中的某些形态特征和生理功能特性方面，对自然、社会环境的适应能力和对疾病的抵抗力方面，以及发病过程中对某些致病因素的易感性和病理过程中疾病发展的倾向性等方面。每个人的体质各有特点。这就决定了保健养生的具体方案必须是依据个人的体质来确定的个性化的才可能是比较科学和实用有效的。

健康动力学研究各类具体的保健养生技术与方法。包括饮食与健康的理论与实践、运动与健康的理论与实践、瑜伽与健康、刮痧与健康、自然养生法（植物精油、SPA等与健康）、体质养生等。

健康教育与传播学健康知识与健康理念的传播。

健康行为学研究健康意识转化为健康的行为与生活方式；不利于健康的行为的纠正。

健康社会学研究社会因素与人类健康的影响。

健康的本体论认识与健康哲学关于健康理论和实践研究的指导性研究，包括对人类生存与健康的本质的理论研究及认识论和方法论等。

健康生态学研究生态环境与人类健康的关系。

测量生命体征的方法篇6

关键词：机械传动 关键零部件 故障预测

0 引言

在机械传动系统的运行当中，因为长时间连续性的工作，所以其关键零部件非常容易磨损，以及出现各种各样的故障情况。由于故障因素的出现，进而使得整个系统无法保持正常状态运行。而我国在这方面的研究起步晚，对于故障预测技术之上还存在很大的不足，无法有效的进行故障预测。

1 机械传动系统关键零部件故障预测技术概述

从广义而言，故障预测技术有三大功能，第一是能够有效的进行故障检测，并且将早期故障进行隔离处理。第二是确认设备目前所存在的故障程度。第三是对故障发生时间进行预测，估计其剩余使用寿命。

2 HSMM故障预测技术研究

2.1 故障预测模型 首先建立，预测模型图。其中利用高斯分布函数表示每个宏观状态，其所驻留的时间所显示的分布函数为P（dn/hi），则：

T=∑■■D（hi）

logP（Sλ，T）=∑■■logP（dn/hi）

当满足以上条件，则每个退化状态所驻留的时间是：

D（hi）=μ（hi）+ρσ2（hi），ρ=（T-■μ（hi）/■σ2（hi））

在以上式子①的基础之上，再利用后向递归法进行计算，最终确认已经进入退化状态的关键零部件剩余使用寿命。假设目前关键零部件的退化状态是i，而使用寿命则用RULi表示其剩余寿命时间。

2.2 预测步骤 对于故障的预测有以下四个步骤：第一，提取特征信息。将所有的相关数据进行预处理，使之符合使用需求。根据相应的方式提取所需特征信息，并且将其当做该关键零部件的观测值，以表示其在整个寿命周期当中的任意时刻。最后形成观察值序列O（k），设置其长度是T。第二，参数估计。在第一个步骤的基础之上可以得出一个转移矩阵aij，其中i不小于零，j不大于N，利用该矩阵表示其退化状态。每个退化状态持续时间密度函数均值是μ（hi），以及σ2（hi）方差。最后依据式子①计算出在该状态之上所驻留的时间单元，D（h0）、D（h1）、D（hN-1）。第三，确定退化状态。第四，根据所获得的相关信息，利用后向递归法进行计算，最终得出所剩寿命的平均值，以及方差。

2.3 实例分析 第一，对HSMM进行全寿命预测模型训练。首先将所获得有关寿命数据编号，每三十分钟从中提取一个样本，并将样本编号，最终可以获得六十三个文件。为了获取在相同的工作条件之下，发生同样故障的多组寿命数据，则可以使用递进方式，同样进行相应编号。如此到最后能够得到三个周期数据，将前两组当做训练样本，最后一组是测试样本。利用提取特征信息的方法获得尺度一和尺度二，使其能够将故障程度反映出来，并且将特征信息相量定为与其有关的特征尺度熵。进而可以得出长度是六十三的观测值序列O（k），将两组数据所形成的序列当做HSMM全寿命预测模型的训练样本集。

由于关键零部件在整个寿命过程当中的运行状态可以划分为七个，相应的就会有七个对应HSMM模型，通过假设得出初始概率的分布矢量。由于模型训练和状态转移矩阵之间相互影响不大，所以在产生转移矩阵之时可以通过等概率方式进行。

在以上的条件之下，假设最大的迭代步是一百，收敛误差是0.000001，则可以得到七个对应预测模型。在该实例当中迭代为四十次左右，则进行模型收敛，最后获得退化状态驻留时间均值和方差。

第二，预测和验证。利用以上提到的特征尺度熵确认样本的退化状态，以及第二章第一部分提到的公式，选择十个样本进行预测和验证。最终得出结果如图1所示。通过图表内容可以得出结论，退化状态2、3、4验证之后的实际结果不在预测所划分的区间之内，说明该项预测不正确。其余则被包含在剩余寿命的预测区间之内，说明其正确。整体看来正确率较高，预测结果效果显著。

■

3 结语

综上所述针对机械传动关键零部件进行故障预测技术，可以首先建立有关模型，然后针对退化的状态和剩余寿命进行预测，最终确认预测结果，以最大限度提高寿命利用率。

参考文献：

[1]周志刚.随机风作用下风力发电机齿轮传动系统动力学及动态可靠性研究[D].重庆大学，2012.

[2]曾庆虎.机械动力传动系统关键部件故障预测技术研究[D].国防科学技术大学，2010.

[3]吴斌.旋转机械易损关键零部件故障诊断方法研究[D].大连理工大学，2012.

测量生命体征的方法篇7

【关键词】 胃十二指肠；溃疡大出血；手术前后；护理

doi：10.3969/j.issn.1004-7484（s）.2013.11.511 文章编号：1004-7484（2013）-11-6552-02

胃十二指肠溃疡大出血是临床常见急腹症之一，临床常表现剧烈腹痛、黑便、便血等症，临床常给予手术治疗，在手术前后提高护理质量，有助于顺利开展手术，及促进患者早期康复[1]。为此本文将对2012年3月――2013年3月期间我院收治的28例胃十二指肠溃疡大出血患者加强围术期护理，取得显著效果，现将结果报道如下。

1 资料与方法

1.1 临床资料 选择2012年3月――2013年3月期间我院收治的28例胃十二指肠溃疡大出血患者，其中男19例，女9例；年龄25-62岁，平均年龄（38.6±2.3）岁。所有患者均经x线和胃镜检查确诊，其中胃溃疡8例，十二指肠溃疡16例，复合溃疡4例。

1.2 护理方法

1.2.1 术前护理

1.2.1.1 护理 患者入院后，采取头足抬高20°，以保护心肝肾等重要器官供血，预防器官缺氧，并将患者头部偏向一侧，保持呼吸道通畅，清理口腔呕吐物及分泌物，避免误吸造成窒息。

1.2.1.2 严密观察病情 严密监测患者生命体征变化，包括血压、脉搏、心率、瞳孔、神志等，若患者主诉头晕、心悸、恶心、面色苍白、出冷汗、暴躁等症状，应及时通知医生；并严密观察患者是否有休克迹象，若有休克表征应及早发现判断，通知并协助医生及早采取有效措施，积极预防病情恶化。

1.2.1.3 出血量观察 严密观察并测量患者出血量，若出血量>5ml时，大便试验检查呈阳性；>60ml者有大便呈黑色；>300ml者有黑便或呕血症状；500-1000ml者表现脉搏加快、心悸等循环代偿症状；>1000ml者表现血压下降、脉搏细弱。

1.2.1.4 实验室监测 加强患者实验室监测护理，包括血红蛋白、红细胞、血电解质等，其中监测血红蛋白浓度，可判断出血程度，一般早期出血，血红蛋白浓度无明显改善，待后期血液被稀释，血红蛋白浓度开始下降，因此需持续性动态监测。

1.2.1.5 心理护理 患者因见呕血、黑便往往产生恐惧、紧张等负性心理，同时也对手术治疗效果产生担心。为此护理人员应主动与患者交流，并通过简单易懂的形式进行健康宣教，让患者正视自身疾病，并让其认识到手术治疗的安全性和必要性，以此解除患者的思想包袱，消除恐惧不安心理，并讲解手术配合要点，争取患者的配合。

1.2.1.6 术前其他准备 为患者采血配血，迅速建立静脉通道，为患者输血输液，并做好备皮、置胃管和尿管等，为及早开展手术治疗做好前提准备。

1.2.2 术后护理

1.2.2.1 护理 待患者术毕送至病房后，及时了解麻醉剂手术方式，并妥善固定引流管、氧气管、输液管等管道，对全麻患者去枕保持患者平卧6h，头部偏向一侧，保持呼吸通畅，预防舌下坠，待血压平稳后方可指导患者取半卧位，以利于减轻切口张力，促进呼吸通畅，预防膈下脓肿。

1.2.2.2 生命体征监测 术后密切监测患者生命体征，每隔30min监测一次血压、脉搏、心率、呼吸、体温等生命体征，若出血量较多或术前有休克的患者，应每隔15min测量一次，待生命体征平稳后，方可每1h监测一次。监测期间，预防静脉通道弯折、脱落，及早恢复血容量，并详细记录24h出入量。监测体温时，一般在37-38.5℃，无腹部症状，可给予物理降温。

1.2.2.3 胃肠减压护理 ①严密观察胃管24h引流的色、质、量，术后多为陈旧性血液，待术后24h后转为草绿色胃液；②持续胃肠减压，促进减少胃内积气、积液，促进吻合口吻合，降低腹胀、吻合口梗阻并发症发生；③预防胃管堵塞，若堵塞查明原因，并用注射器抽吸，生理盐水冲洗，疏通胃管管道。

1.2.2.4 饮食护理 术后早期给予静脉补液，待术后72h胃肠恢复蠕动后，给予少量饮水，待无不良反应后，给予牛奶、蛋汤等流食，每次100ml，4-8次/d，并减少输液量。待给流食无呕吐、腹胀后，逐渐过渡到米粥、面条等半流食，2-3周后无异常，可给予易消化的普食，切忌生冷刺激饮食。

2 结 果

28例胃十二指肠溃疡大出血患者经手术治疗，并在手术前后给予针对性护理干预，治愈27例（96.43%），死亡1例（3.57%），死因失血性休克合并多脏器功能衰竭。术后并发症3例，分别为切口感染2例，吻合口梗阻1例。

3 讨 论

对于急性胃十二指肠溃疡大出血患者，应及时给予手术治疗，控制溃疡出血，为进一步提高手术预后质量，术前应加强对患者生命体征和实验室监测，给予患者心理支持，使之配合医护人员开展手术治疗；术后在加强常规生命体征监测的同时，应做好胃肠减压、饮食指导，积极预防并发症，以此提高手术治疗质量[2]。

本文研究结果显示，治愈27例（96.43%），死亡1例（3.57%），术后并发症3例，占11.11%。结果提示，加强胃十二指肠溃疡大出血患者手术前后护理，有助于手术顺利开展，保障手术预后质量，促进患者早期康复，值得临床应用和推广。

参考文献

[1] 赵金英，郑喜春.胃十二指肠溃疡大出血36例的急救及术后护理[J].中国误诊学杂志，2010，35（12）：158-160.

测量生命体征的方法篇8

关键词：出血；血液净化治疗；局部抗凝；护理

功能失调性子宫出血简称功血，是一种常见的妇科病。它是由于神经内分泌系统调节紊乱引起的异常子宫出血，而全身及内外生殖器宫均无明显的器质性病变，功血者常表现为月经失去正常规律，经量过多，经期延长，甚至不规则阴道流血等。绝大多数功血都可以用药物治疗[1]。2015年4月我科收治一诊断为功血的患者，同时有慢性肾功能不全及肾病综合征病史，肌酐水平大于1000μmol/L，在我科给予抗休克、止血、血液净化等治疗；在血液净化治疗中应用局部抗凝的方法，延L了滤器的使用时间，增强了治疗效果，同时未影响功血的治疗，患者住院10d后好转出院，现将护理体会报告如下。

1 临床资料

患者于入院前10d，无明显诱因出现阴道出血，伴压痛，以下腹为重，于入院前一日症状加重，入我院急诊，查HCG（-），血红蛋白21g/L，肌酐1275μmol/L，钾6.9mmol/L，以失血性休克、慢性肾功能不全收治入我科。患者转入时，意识清楚，予悬浮红细胞、血浆补充血容量，酚磺乙胺、缩宫素止血治疗。因患者肌酐高钾高同时阴道持续出血，有文献指出：连续血液净化（continuous blood purification，CBP）的应用使得合并急性肾功能衰竭（ARF）的重症患者病死率明显下降。CBP不仅能够支持肾脏等器官的功能，还可以重塑重症患者内环境平衡[3]。故行无抗凝血液净化治疗，治疗时间6 h因血栓形成，静脉压上升至500mmHg而停止血滤治疗。入院第三日患者行血液净化治疗采用局部肝素抗凝方法，在常规使用肝素抗凝的同时，在静脉回路端泵入鱼精蛋白，通过监测循环管路及患者体内血液ACT（全血活化凝血酶原时间）数值，调节肝素和鱼精蛋白的比例 ，延长血液净化治疗时间。治疗效果达到预期，且阴道出血无增加。入院第8 d行第三次血液净化治疗采用相同的抗凝方法 ，计划下机，患者无出血。入院第10 d患者肌酐降至256 μmol/L，24 h尿量1445 ml。连续6 d阴道无出血，血红蛋白71 g/L，生命体征平稳，出院。

2 护理

2.1阴道出血的观察护理 准确记录患者阴道出血量，有报道指出：“一次性计血量产妇纸不但能科学精确计量产后出血量，克服了主观目测法测定出血量的误差、称重法反复计算出血量的烦琐，聚血盆收集出血量的不舒适等方法的缺点，而且一次性使用防止了交叉感染。”[2]我科应用一次性计血量产妇纸，准确计算患者出血量，并描述出血性质，并做到及时更换，做好会阴擦洗，保持局部清洁、干燥；尤其在血液净化治疗期间，重点关注患者出血倾向、阴道出血情况，通过患者主诉及查看等方式及时观察有无出血；遵医嘱按时应用酚磺乙胺、缩宫素等止血药物；遵医嘱查血常规、凝血功能，关注结果回报，血红蛋白的动态变化，执行安全输血制度，按标准流程予悬浮红细胞输入补充血容量。

2.2肾功能衰竭的护理 密切监测患者尿量及尿液的颜色、性质，准确记录出入量；遵医嘱每日留取化验标本监测患者肾功能水平变化；遵医嘱并协助医生行血液净化治疗：①按无菌操作原则安装管路并预冲，上机治疗前回抽股静脉两腔血液，评估其管路通畅程度；②治疗初始做好生命体征的监测，确保静脉通路，备好静脉液体，警惕因血容量不足而发生低血压；③并做好管路的妥善固定，保护导管，预防导管相关感染的发生；④血液净化治疗治疗中密切监测患者生命体征，做好记录，及时处理安全报警，关注患者主诉，观察有无失衡综合征发生；⑤定时监测血气分析电解质，遵嘱及时调整置换液方案，预防酸碱失衡及电解质紊乱；⑥治疗完成后按标准操作流程予股静脉置管换药、冲封管。患者3次血液净化治疗，上机时无血压波动，治疗过程中无失衡综合征发作，并无导管相关感染发生，治疗顺利。

2.3血液净化抗凝治疗护理 因患者功能失调性子宫出血，转入时阴道持续出血，故第一次行血液净化治疗时未给予抗凝，治疗时间仅6 h即非计划下机，第二次及第三次采用局部抗凝的方法治疗满意，均计划下机。治疗前将肝素泵连接在血液进入滤器前，鱼精蛋白泵连接在患者静脉回路端，抽取患者血液测量ACT值，告知医生，遵嘱调节肝素泵及鱼精蛋白泵入剂量；治疗过程中在第1 h、第3 h、第5 h、之后每间隔4 h测量患者体内及管路内的ACT值进行比较，及时告知医生，遵嘱调节肝素泵及鱼精蛋白泵入比例；治疗中注意安全用药，更换泵管时先取下原泵管，将新泵管安装在泵上，再连接延长管，避免勿推；准确记录。

2.4正确采集标本 取患者体内ACT样本，经血液净化管路未连接肝素泵段采集；管路内ACT样本，经管路肝素泵连接后、进入滤器前的一段管路的采血口采集，将ACT测量机放置于患者床旁，采集完成后立即检验，提高测量值准确率；两个位置的样本采集，当一项测量完毕读数后立即采集下一项的标本，减少两个样本的间隔时间，提高比对度。

2.5心理护理 患者为青年女性，急性发病，行血液净化治疗，实施各种有创操作，治疗费用昂贵，对相关疾病知识缺乏，对预后及治疗过程非常担心。医护人员及时将好转的化验指标告知患者，血液净化治疗时及时消除报警，减轻患者紧张、焦虑的情绪，探视时积极与家属沟通，以增强患者的信心并配合治疗。治疗过程中患者积极配合，各项治疗护理措施顺利进行。

3 小结

功能失调性子宫出血是非器质性病变的子宫出血，大部分可经药物治疗，该患者既往慢性肾功能不全及肾病综合征病史，应激下患者肾功能水平迅速下降，入我科予血液净化治疗，在无抗凝治疗的情况下不能达到治疗预期，故应用局部抗凝的方法行血液净化治疗，及时有效监测ACT，安全用药，患者肾功能恢复至此次发病前水平，并且患者未出现出血加重，应用酚磺乙胺、缩宫素等专科治疗后阴道再无出血，患者顺利出院。

参考文献：

[1]孟君雅.功能失调性子宫出血病人的护理[J].全科护理，2010，8（1B）：126-127.

[2]应红华.产后出血量的科学计量方法及临床观察[J].护理杂志，2005，22（08）.