Адаптация первоклассников к школе Текст научной статьи по специальности «Науки об образовании»

АДАПТАЦИЯ ПЕРВОКЛАССНИКОВ К ШКОЛЕ Жураева Н.Б.

Жураева Наргиза Бобомуродовна — преподаватель начального класса,

Школа №64,

Гиждуванский район, Бухарский область, Республика Узбекистан

Аннотация: адаптация первоклассников — один из самых многогранных понятий в психологии. Психологами и педагогами различных эпох развития общества эта проблема изучалась всесторонне. Остаётся она актуальной и в наше время. В статьи приведен информацию, что обучение в первом классе — самый ответственный этап в развитии, так как именно здесь закладывается фундамент нравственности, происходит формирование социальных установок, отношения к самому себе, к другим людям, к обществу, формируется убеждение. Ключевые слова: адаптация, школа, первый класс, диагностика.

Школа ставит перед ребенком большое количество новых задач, которые требуют мобилизации его физических и интеллектуальных сил. Первокласснику необходимо привыкнуть к новым условиям, возникшим в его жизни, подстроиться под них. Речь идет об адаптации к школе — самом напряженном периоде в первый год обучения. Она происходит на социальном, физиологическом и психологическом уровне.

Адаптация детей первого класса к школьным условиям является одной из наиболее актуальных проблем психолого-педагогической науки. Обусловлен такой интерес со стороны ученых и тем, что в начальной школе число дезадаптированных детей увеличивается с каждым годом [1].

Адаптация младших школьников к новым условиям может развиваться по двум различным сценариям. Ребёнок может либо успешно адаптироваться к школе (он принимает и осознает свою новую социальную роль ученика, понимает предъявляемые к нему требования), либо же не адаптироваться к школе. В последнем случае можно говорить об дезадаптации ребёнка.

Признаками дезадаптации могут быть неуспеваемость, драчливость, капризы, плохое поведение, энурез, плохие отношения со сверстниками и учителем. Ученые говорят о том, что у ребёнка может формироваться «психогенное заболевание» и «психогенное формирование личности ребёнка, нарушающее его субъективный и объективный статус в школе и семье и затрудняющее учебно-воспитательный процесс» [2]. Психогенное заболевание возникает под воздействием психотравмирующих ситуаций. У первоклассников таким психотравмирующим фактором может быть неуспешность адаптации к школе, неблагоприятная психологическая атмосфера в школе, нескладывающиеся взаимоотношения с учителем и одноклассниками. Психологи отмечают что, до 30% первоклассников с дезадаптацией нуждаются в квалифицированной психологической помощи, а «еще больший процент детей нуждается в психологической помощи и профилактике в их допсихотерапевтических формах» [2].

По-нашему мнению, к тем факторам, которые были перечислены нами выше и влияют на формирование дезадаптации первоклассника, следует отнести и авторитарный стиль преподавания педагога. Наша позиция подтверждается и результатами многочисленных экспериментальных исследований. Кроме вышесказанного, на формирование дезадаптации существенную роль оказывают и семья, стиль отношений, который сложился в семье. Эмоциональный климат, психологическая атмосфера семьи оказывает существенную роль на формирование позиции ученика. Школа и семья должны придерживаться единых требований по отношению к ребёнку.

Изучение процесса школьной адаптации первоклассника, исходя из практической направленности работы педагога-психолога, предполагает выявление уровней, которые определяются на основании анализа диагностических данных, а также содержательного (качественного) анализа психологических трудностей, испытываемых ребёнком в адаптационный период. По результатам диагностики может строиться коррекционно-развивающая работа с учащимися, испытывающими трудности процесса школьной адаптации.

Ключевыми моментами успешности работы на начальном этапе обучения также являются: — первокласснику нужна помощь, в том, чтобы принять, понять и осознать новые требования школы, ему нужна поддержка для того, чтобы он легко принял новую роль ученика; — в первое время работа должна быть направлена не на обучение письму и счету, а на принятие и приучение ребёнка к режиму дня и соблюдению санитарно-гигиенических норм. Для улучшения самочувствия детей в период адаптации к школе желательно, чтобы педагог обеспечила выполнение следующих условий:

1. Не перезагружайте ребёнка большим объемом домашней работы. В первом классе основная задача педагога — это помочь в успешной адаптации к новым условиям жизни.

2. В качестве домашних заданий должны выступать только те задания, с которыми ребёнок в состоянии справиться самостоятельно.

3. Уроки в школе дополняйте короткими играми, физкультминутками, прогулками на свежем воздухе.

4. Посодействуйте тому, чтобы дети после занятий посещали какие-либо спортивные секции. Для этого вы можете переговорить с родителями или заинтересовать самих детей. Таким образом, проблема адаптации детей к школе является одной из наиболее важных проблем начальной ступени образования, от успешного решения которого зависит дальнейшее развитие личности первоклассника.

Список литературы

1. Корнеева Е.Н. Ваш ребёнок идет в школу. Проверяем готовность ребёнка к школе. Советы родителям первоклашек. Под редакцией О.А. Богатырева. 2-е изд., испр. и доп. Москва: Мир и образование, 2013.

2. Никифорова О.А. Психолого-педагогические и медико-физиологические аспекты школьной адаптации: учебное пособие. Кемерово: Кемеровский государственный университет, 2011.

Аналитическая справка по результатам диагностики адаптации учащихся 1 классов

учителя, касающиеся его поведения, отношений со сверстниками, подчиниться новому режиму дня, распорядку

занятий, иерархии дел и т. п. Несмотря на то, что выполнение многих правил достаточно трудно, воспринимаются они

учеником как общественно значимые и неизбежные.. Важно сразу показать ученику отличие его новой позиции, прав,

обязанностей от того, что было раньше, до школы.

Для выявления уровня адаптации на начальном этапе обучения разработана программа психолого-

педагогического сопровождения ( Приложение № 1 )

В рамках этой программы в 1а,1б, 1в, 1г классах была проведена проективная экспресс — диагностическая методика

«Школа зверей»

Цель которой- диагностика и определение уровня адаптации учащихся в школе, помощь в выявлении трудностей

возникающих у детей на раннем этапе обучения, и своевременное их устранение. А также методика дает возможность

выявить школьные неврозы на начальной стадии развития, выяснить причины и способы коррекции.

По результатам проведения данной не выявлено явных дезадаптантов среди учащихся.

Проведенные впоследствии наблюдения, беседы, анкетирование на степень адаптации к школе полностью подтвердили

данные методики «Школы зверей». На их основе будут разработаны и проведены тренинговые занятия адаптационного

курса для первоклассников.

Следущим этапом работы станет проведение методики «Проективный рисунок-тест Н.Г.Лускановой

«Что мне нравится в школе?» (методика выявляет отношение детей к школе и мотивационную готовность детей к

обучению в школе)

В дальнейшем планируется получение информации от родителей «Анкета психолого –педагогическое обследование

адаптации вашего ребенка к систематическому школьному обучению».(Приложение 2)

И непосредственно классного руководителя Методика Р.Рахманкуловой. (1 полугодие)

Изучение адаптации ребенка к школе (2 полугодие)

От отношения учителя к ученикам на этом начальном этапе адаптации к школе во многом зависит то, как будут

складываться взаимоотношения учитель – ученик, отношения, определяющие в значительной степени психологическую

адаптацию ребенка в школе. Как правило, учитель для ученика – высший авторитет, которому на первых порах уступает

даже авторитет родителей. Учитель не просто взрослый, а авторитетный наставник, требующий выполнения определенных

правил поведения, пресекающим их нарушения, вся деятельность которого подчинена основной задаче – дать детям

Аналитический отчет педагога-психолога Куб Асьет Хизировны

Аналитический отчет

педагога-психолога

Куб Асьет Хизировны

Цель психолого-педагогической работы:

Психологическое сопровождение учащихся и педагогов в образовательном процессе.

Задачи психолого-педагогической работы:

1.Отслеживание динамики развития учащихся, с целью создания условий для самовыражения, самопознания и саморазвития каждого учащегося.

2. Проведение диагностических, коррекционно-развивающих, психопрофилактических мероприятий с учащимися .

3.Помощь учащимся в осознанном и обоснованном профессиональном самоопределении.

4. Проведение мероприятий по психолого-педагогическому сопровождению и просвещению родителей учащихся и педагогов.

Приоритетные направления работы педагога-психолога:

1. Помощь в адаптации учащимся 1-го и 5-го классов.
2. Улучшение межличностного взаимодействия учащихся в классных коллективах.
3. Психологическое сопровождение старшеклассников в преддверии сдачи экзаменов.
4. Гармонизация детско-родительских отношений.

Виды работы педагога-психолога:

Диагностика;

Консультативная работа;

Коррекционно-развивающая работа;

Психопрофилактика;

Методическая работа;

Просветительская работа

КАЧЕСТВЕННЫЙ АНАЛИЗ РАБОТЫ

ДИАГНОСТИЧЕСКАЯ РАБОТА

Исходя из поставленных задач психолого-педагогической работы на 2015-2016 учебный год, был осуществлен ряд мероприятий. Обследование первоклассников на готовность к обучению в школе выявило следующее:

— уровень адаптации:

Диаграмма №1. Диагностика адаптации первоклассников

По результатам диагностики можно сделать вывод, что большинство первоклассников успешно адаптировались.

Для эффективного обучения и развития ребенка важно знать, какие мотивы доминируют в мотивационной сфере первоклассника – учебные или игровые, поскольку при слабом развитии учебной мотивации ребенок может не принимать поставленной перед ним задачи.

Исследования мотивации подтвердили преобладание «хорошей школьной мотивации» (32% респондентов на начало года и 43% на конец года) и «положительного отношения к школе» (54% респондентов на начало года и 50% на конец года). С учащимися, имеющими низкий уровень мотивации необходимо продолжать работу.

— уровень мотивации

Диаграмма №2. Диагностика уровня мотивации к учебной деятельности у первоклассников

Недостаточная мотивация может быть и отражением неправильного формирования самооценки ребенка, падения самоуважения. Излишняя критичность к детям, нетерпимость к их слабостям ведут  к нервозам и к повреждению самоуважения.

Еще одно исследование, проведенное среди учащихся первых классов — исследование их самооценки (Методика «Лестница»). Результаты следующие:

Диаграмма №3. Диагностика уровня самооценки у первоклассников

— уровень самооценки первоклассников:

С учащимися первых классов велись групповые адаптационные занятия, направленные на осознание детьми своего нового статуса школьника, формирование положительного отношения к школе, знакомство с навыками учебного сотрудничества, развитие познавательных процессов, снятие напряжения.

С учителями, работающими в первых классах, родителями учащихся, проводились профилактические беседы, консультации по итогам диагностики учащихся.

Диагностика уровня тревожности во 2 классе показала, что 16 человек имеют низкий уровень тревожности (84%), а 3 человека – средний уровень тревожности (16%).

С целью выяснения уровня мотивации с учащимися 2 класса в начале и в конце учебного года проводились методики «Пять домиков» и тест Лускановой.  После обработки результатов выяснилось, что у 12 учащихся уровень мотивации – высокий (64%), «хорошая мотивация» у 6 учащихся (31%), «положительное отношение» у 1 учащегося (5%). 

Таким образом, учащиеся 2 класса чувствуют себя свободно, не испытывают страхи.

С учащимися 2-4 класса велись групповые адаптационные занятия, направленные на формирование положительного отношения к школе, формирование навыков учебного сотрудничества, развитие познавательных процессов, снятие напряжения.

С учителями, работающими во 2-4 классах, проводились профилактические беседы, консультации по итогам диагностики учащихся.

Диагностика групповой сплоченности показала, что психологический климат в 4-х классах благополучный.

Диагностическое исследование адаптации и  эмоциональной сферы учащихся в 5х классах выявило следующие показатели:

На вопрос «Какие трудности испытываешь сегодня в школе?» — 7 учащихся ответили, что устают в школе; 4 ученика ответили, что нуждаются в дополнительной помощи родителей; многие с трудом усваивают английский язык.

После анкетирования с учащимися 5 класса с целью создания системы психолого-педагогической поддержки  в период адаптации, позволяющие им не только приспособиться к новым условиям, но и всесторонне развиваться в различных сферах общения и деятельности проводились адаптационные классные часы и профилактические мероприятия цикл «Я — пятиклассник».

После профилактической работы провела повторное диагностирование с учениками 5 класса испытывающими некоторые трудности в адаптации.

Учащиеся 5 класса полностью адаптированы.

Благополучные отношения с одноклассниками являются важнейшим ресурсом мотивации посещения школы. Сформированность у ребенка мотивационной сферы играет важную роль в успешности овладения учебной деятельностью. Познавательная мотивация призвана возбудить у учащихся интерес к изучаемому и его мыслительную активность.

В 5 классе был проведен тест на мотивацию по анкете Лускановой и были выявлены следующие результаты:

Диаграмма №4. Диагностика уровня мотивации у пятиклассников

Проведенные психологические исследования среди учащихся 5-х классов показали, что у пятиклассников не обнаружились признаков школьной дезадаптации. По итогам психодиагностики с классным руководителем 5 класса была проведена консультация и профилактическая беседа.       

В течение года была организована работа по подготовке к ОГЭ, с целью вооружить учащихся приемами борьбы со стрессом, помочь выработать правильную стратегию поведения в период больших физических и психологических нагрузок, научить справляться страхами, преодолевать неудачи. С выпускниками проводились беседы и  консультации о том, как лучше подготовиться к экзаменам психологически, индивидуальные занятия с отдельными учащимися информативного и треногого характера. Проводились занятия по программе «Путь к успеху». В эти занятия входят тесты, тренинговые упражнения, мини-лекции, дискуссии в малых группах.

Выводы:

1. Не все учащиеся 1-го класса быстро и успешно адаптируются к школьным условиям. Результаты исследования показывают, что у некоторых из них имеются эмоциональные проблемы, плохо развиты мыслительные операции, низка волевая регуляция поведения. После коррекционно- развивающей работы по программе «Лестница роста», первоклассники быстро адаптировались.
2. У учащихся 5-х классов, не обнаружены признаков дезадаптации обучения, учебная мотивация в норме.
3. Результаты исследования уровня тревожности учащихся показывают, что у большинства из них уровень тревожности не превышает норму, что говорит о психологическом комфорте учащихся в школе.

КОРРЕКЦИОННО-РАЗВИВАЮЩАЯ РАБОТА.

Данное направление предполагает активное воздействие педагога-психолога на процесс формирования личности и индивидуальности ребенка. Его задачи определяются ориентацией на обеспечение соответствия развития ребенка возрастным нормативам, помощь педагогам в индивидуализации обучения и воспитания детей, развитии их способностей, склонностей, становления личности.

В рамках данного направления проводилась:

— работа с учащимися 1-х, 2-х, 3-х, 5-х, 6-х классов, направленная на повышение уровня психологической готовности учащихся к обучению, познавательному развитию, общению, понижение уровня тревожности.

С учениками 1-го класса проведен цикл занятий по адаптации «Я в школе». Эти занятия направлены на снятие эмоционального напряжения, повышение уровня мотивации, улучшение адаптации в школе. В первое и последнее занятие была включена диагностика (методика «Домики»), чтобы проследить динамику эмоциональных изменений. Выявлена положительная динамика в эмоциональной сфере, улучшилось взаимодействие между учащимися.

С учениками 2-х, 3-х классов проводились коррекционно-развивающие занятия по снятию эмоционального напряжения, повышению уровня мотивации, улучшению взаимодействия между учениками.

В период адаптации пятиклассников были проведены групповые занятия, цикл «Я — пятиклассник», по окончании цикла занятий проведена диагностика по адаптации. Были даны рекомендации педагогам, а так же с учащимися с дезадаптацией проведены индивидуальная психологическая работа.

Профессиональная деятельность учителя является одним из наиболее напряженных видов социальной деятельности. Психологическое здоровье педагогов является необходимым условием здоровья детей. Эмоциональная поддержка учителя стала в последнее время острой необходимостью. Эту задачу в школе может решить проведение специально разработанных занятий с педагогами. Наиболее оптимальное время для эффективности таких мероприятий являются осенние и весенние каникулы, так как это время является наиболее напряженное по физической и психологической нагрузке. Необходимо продолжить работу по профессиональному эмоциональному выгоранию. Наполнить работу практическими занятиями и психотехниками по саморегуляции.

Анализ работы с «трудными детьми»

«Трудных» детей, склонных к побегам из школы, бродяжничеству, а также случаев наркомании, алкоголизма, табакокурения – нет. Но есть дети с нарушениями поведенческого характера. С детьми «группы риска»

 (1 человек)  проводилась диагностика, беседы по проблемам учащихся.

КОНСУЛЬТАТИВНАЯ РАБОТА

Всего за год было проведено 50 консультаций. Из которых 15 консультаций с педагогами, 7 консультаций с родителями, 28 консультаций с учащимися.

Диаграмма №5 Соотношение консультативной работы по участникам

МЕТОДИЧЕСКАЯ РАБОТА

Участие в круглом столе по преемственности пятиклассников. Подготовка материала к родительским собраниям. Обучение в АРИПК по теме «Инклюзивное образование». В течение года — посещение республиканских семинаров, научно — практических конференций.

Необходимо в рамках методической работы осваивать, а так же разрабатывать новые программы, новые методы работы.

План работы по адаптации учащихся 1 класса

План работы по адаптации учащихся 1А класса.

2013 -2014 учебный год

Кл. руководитель: Мишина Т. Е.

Цель: создать условия для благоприятной адаптации первоклассников.

Сроки

Адаптация ребенка к школе: трудности периода

Вместе с психологом-конфликтологом Домашней школы «ИнтернетУрок» Дарьей Кузнецовой выясняем, как легче адаптировать ребенка к школе. Как правильно действовать, чтобы не испортить отношения, а помочь.

Дарья Кузнецова

Практикующий психолог-конфликтолог. Имеет 12-летний опыт работы с детьми с различными особенностями психофизиологического развития.

Психологическое состояние первоклассника, его физическое самочувствие и желание посещать школу в первый год обучения во многом определяется способностью к адаптации. У некоторых детей она происходит с определёнными трудностями, на которые нужно вовремя обратить внимание. В сложных случаях может потребоваться помощь психолога, но этого не следует пугаться. Своевременная работа со специалистом поможет избежать проблем в будущем.

Трудности школьного адаптационного периода

Адаптация к школе — это процесс физического и психологического привыкания ребенка к новым социальным условиям в рамках учебного учреждения и переход к систематическому школьному обучению. Длительность периода зависит от многих факторов и в среднем занимает 3-6 месяцев.

Первый класс считается самым важным годом в жизни школьника. Правильная адаптация положительно влияет на учебный процесс, мотивирует к получению новых знаний, позволяет легко влиться в новый коллектив и завести друзей.

Привыкнуть к школе после садика сложно практически всем. В дошкольном возрасте от ребёнка не требовалось особой дисциплины, занятия проходили в игровой форме, было время побегать и отводился час для сна и отдыха. В первом классе привычный режим жизни меняется, и детям приходится подстраиваться под изменившиеся условия. Ребёнок попадает под влияние совокупно воздействующих на его психику факторов:

• нового распорядка дня;
• ограничения на подвижные игры в школе;
• необходимости выстраивания отношений с одноклассниками и учителем;
• новой обстановки и непривычных для ребёнка обязанностей.

Адаптация к школе сложнее протекает у детей с индивидуальными особенностями нервной системы. В группу риска входят:

• Гиперактивные малыши. Концентрация внимания у них снижена, в силу особенностей психики им необходимо постоянно двигаться, и высидеть целый урок за партой для них – настоящий подвиг. Такие первоклассники чаще всего нарушают порядок в школе и первые месяцы учёбы практически не усваивают новый материал.
• Дети с повышенным порогом утомляемости. Обусловлено это может быть индивидуальными особенностями личности или хроническими заболеваниями. Школьники с повышенной утомляемостью не могут долго концентрироваться на выполнении заданий, что снижает их успехи в учёбе.
• Одарённые первоклассники. До поступления в школу у таких дошкольников уже есть обширный запас знаний, и первые месяцы в школе им может быть просто скучно. Из-за этого они могут баловаться, не слушать учителей. Именно таким первоклассникам часто рекомендуют перейти на индивидуальную программу обучения, в том числе дистанционно.

Проблемы адаптации в школе могут быть связаны с повышенными требованиями родителей. Не стоит ждать от ребёнка невозможного — привыкание может занять не один месяц, и это считается нормальным.

Комментарий психолога:

В статье очень много сказано об адаптации дошкольника к обучению в первом классе. Всё это правильно. Но есть совсем простые и действенные вещи. В этом возрасте дети любят играть, и элемент игры для них важен. Поставьте дома парту, и пусть мама сыграет роль учительницы. Ребёнок пришёл в придуманную школу, сел за парту. Его вызвали к доске – он вышел и ответил. Потом, когда то же нужно будет сделать «взаправду», это не станет сюрпризом или неприятной неожиданностью. А значит, снизит уровень стресса и тревоги у ребёнка.

Если в такую игру поиграть несколько раз в предшествующий школьным занятиям месяц, то адаптация, как правило, пройдёт легко и быстро.

Понятно, что в случае с дистанционным образованием проблема адаптации так остро не стоит – воспитание настойчивости и усидчивости происходит постепенно и без стрессов. Но хочется обратить внимание, что и само по себе дистанционное образование может стать хорошим тренингом адаптации. Есть разные популярные программы для дошкольников, многие из которых упираются в платёжеспособность родителей. Но в той же Домашней школе «ИнтернетУрок» предлагается целая неделя бесплатных занятий. И если немножко позаниматься по программе первого класса, то это пойдёт только в плюс.

Хорошо, если у ребёнка есть опыт посещения занятий танцами, актёрским мастерством и т. д. Тогда школьный класс не станет местом, где социализация будет носить взрывной характер. В этом плане и садик имеет преимущества. Оптимально походить в группу «по интересам» за полгода до школы. Или – в разные группы.

В статье нигде не отмечено, что адаптация в первом классе и при смене школы имеет принципиальные отличия. Адаптационный период ребёнка, меняющего школу, зависит от возраста. Когда мне задают вопрос об этом, то я обычно предлагаю ещё до зачисления прийти в новую школу (если, конечно, она не находится в другом городе) и просто посидеть на уроке-двух. Появится понимание того, куда ты переходишь. Это обеспечит психологическую подготовку и очень поможет при адаптации. Получается, что «я уже знаю этих людей, и они меня видели…».

Факторы адаптации ребенка к школе

В первые месяцы учебы ребенку предстоит привыкать ко многим изменениям в жизни: школьный режим, общение с одноклассниками и учителями, новые знания и пр. Поэтому и приспособление к школе нужно оценивать по совокупности показателей. Можно условно выделить следующие виды адаптации:

• организационная – это способность приспособится к новому распорядку, обязанностям, школьным правилам;
• учебно-мотивационная – формирование желания учиться, осваивать новые знания и навыки;
• психологическая – нормализация эмоционального самочувствия малыша в разных школьных ситуациях, адекватное восприятие ребенка новой для него социальной роли школьника;
• социальная – формирование адекватного поведения в новой социальной среде, установление нормальных отношений со взрослыми и сверстниками.

Поскольку каждый привыкает к новым для него обстоятельствам по-разному, у школьника могут быть отклонения в различных показателях. Например, он может с готовностью получать новые знания, но не завести друзей или с трудом переносить школьный режим. В таком случае родители должны понимать, что сами по себе хорошие оценки не означают нормальную адаптацию к школе. Отклонения в любом из приведенных показателей говорят о нарушениях приспособления к школьной жизни. Поэтому внимание нужно уделять каждому фактору.

Только при нормальных показателях по всем аспектам можно говорить о хорошей адаптации ребенка к школьной жизни.

Как быстро школьник приспособится? Это зависит от разных факторов:

• особенности характера;
• уровень сложности образовательной программы;
• обстановка в семье;
• наличие сторонних стрессовых факторов;
• степень подготовленности малыша к школе и пр.

В связи с тем, что темпы адаптации индивидуальны, ребенку требуется внимание и посильная помощь от взрослых. Неудача может привести к развитию комплексов и страхов в детском возрасте, низким отметкам и другим негативным последствиям. Необходимо понимать всю ответственность периода адаптации, который важен для психического развития ребенка.

Что указывает на нормальное протекание процесса адаптации?

Комментарий психолога:

На нормальное протекание процесса адаптации явно указывает интерес к школе и занятиям. Хороший показатель, когда ребёнок много и взахлёб рассказывает о том, что происходит. Значит, он успешно занял своё место в кругу соучеников.

И важно, чтобы он рассказывал о ситуации, даже если не всё гладко. Тогда есть возможность ненавязчиво помочь советом. Оптимально посоветоваться с ребёнком: «Тебе нужна помощь? Мне сходить с тобой?». Сделать так, чтобы он сам это определил. Если скажет: «Да, помощь нужна», – то нужно сходить. И замечательно, если будет: «Я пока сам». Нужно понимать, что дети видят многое не так как взрослые. Когда они рассказывают свою версию событий, есть возможность своевременно разъяснить какие-то моменты. Подсказать иные трактовки или попробовать вместе посмотреть на события с другой точки зрения. То есть расширить возможности видения. Но для этого необходимо активное общение. Да и ребёнку будет легче. Ведь всегда лучше проговаривать проблему, а не держать её в себе.

Продолжительность привыкания малыша к новой для него школьной жизни по времени может занять от нескольких дней до 6-7 месяцев. Длительность периода адаптации зависит от характера ребёнка, степени его психологической готовности, типа школы, уровня сложности получения знаний, интеллекта и личностных качеств педагога. В первые месяцы для первоклассника очень важна и поддержка семьи – родителей, старших братьев и сестёр, бабушки с дедушкой.

На то, что ребёнку нравится в первом классе и дополнительной помощи в адаптации не требуется, указывают несколько признаков:

• Малыш с удовольствием посещает школу, рассказывает об одноклассниках, учителе, уроках, вспоминает смешные и неловкие моменты. Но при этом он чётко понимает, что ходит на уроки с целью получения знаний, а не для развлечений.
• Выраженной усталости после занятий нет. Малыш активен, у него сохраняется отменный аппетит, нет жалоб на головную боль, усталость, слабость.
• Появились новые друзья, о которых школьник с удовольствием рассказывает.
• Ребёнку нравятся педагоги и процесс получения знаний в школе.
• У малыша отсутствует желание вернуться в детский сад.

Социальная адаптация ребёнка в первом классе пройдёт гораздо легче, если дошкольника подготовить к учебному процессу заранее. Нужно научить его без проблем справляться со своей одеждой — застёгивать пуговицы и завязывать шнурки, правильно надевать верхнюю одежду. Школьник должен уметь общаться с взрослыми, правильно ориентироваться внутри и снаружи зданий.

Продолжительность привыкания к учёбе в школе

Адаптация ребёнка к школе может быть длительным процессом, протекающим полгода и больше. Она подразделяется на физическую и психологическую:

• Физическая адаптация оценивается родителями и учителем по уровню работоспособности, самочувствию в течение дня (в школе и дома), качеству сна и аппетита, частоте ОРВИ и обострению имеющихся хронических патологий.
• Психологическая адаптация – это настроение, готовность школьника к получению знаний, его мотивация к учёбе, соответствие психических процессов возрасту, адекватность самооценки.

Сколько будет привыкать ребёнок к школе, заранее предугадать нельзя. По продолжительности привыкания выделяют три группы детей:

• Малыши из первой группы привыкают к учебному процессу не более чем за 2 месяца. Они быстро и успешно вливаются в школьный коллектив, понимают правила поведения в учебном заведении и следуют им, заводят друзей. Требования учителя и домашние задания выполняют без затруднений. Первые недели возможен естественный психологический дискомфорт, который постепенно проходит. К концу первой четверти у таких детей стабильно хорошее настроение, они доброжелательны, у них нет внутреннего напряжения, они охотно выполняют домашние задания.
• Адаптация первоклассников к школе во второй группе продолжается до 6 месяцев. У детей отмечаются проблемы с дисциплиной, возникают трудности с усвоением учебного материала. Нередко выявляются конфликты со сверстниками, негативная реакция на замечания. При правильно построенной работе с ребёнком все эти трудности почти полностью исчезают к третьей четверти учебного года.
• К третьей группе относят первоклассников, у которых уровень психологической и социальной адаптации низкий. Информацию в школе они не воспринимают, крайне отрицательно реагируют на необходимость спокойно сидеть на уроках и замечания учителя. Нередко присутствует агрессия по отношению к одноклассникам. Они мешают учебному процессу в классе и негативно влияют на поведение других учеников.

Если выявляются признаки, указывающие на то, что ребёнок может входить в третью группу адаптации, желательно своевременно воспользоваться помощью школьного психолога. Социальный педагог привлечёт к работе и родителей, так как большинство проблем адаптации связано с ролью семьи.

Проблемы адаптационного периода

Трудности адаптации в школе в большинстве случаев вполне преодолимы, если своевременно обратить на них внимание. Подготовка малыша к учёбе должна начинаться задолго до его поступления в первый класс. Но и проблемы, возникшие в процессе учёбы, можно устранить.

Признаки того, что у ребёнка не всё в порядке с учёбой и вливанием в социум:

• Неуспеваемость. Ребёнок может отставать или полностью не воспринимать школьную программу. Проблема усугубляется, если родители ожидают слишком высоких результатов. Завышенные требования и даже скрываемое недовольство ухудшают период привыкания, делают первоклассника неуверенным в себе, мешают полноценно воспринимать учебные материалы. К успеваемости малышей в первом классе нужно относиться мягко, лояльно, желательно хвалить их даже за малейшие успехи. Не следует заострять внимание на неудачах.
• Лень. Причин для неё достаточно много. Это отсутствие мотивации, то есть увлечение школьника другими делами или играми, природная медлительность, неуверенность в собственных силах, боязнь сказать или что-то сделать неправильно. Лень может быть и следствием избалованности. Избавиться от неё можно только систематической работой дома с ребёнком. Желательно чем-либо мотивировать первоклассника и всячески избегать скандалов и выдвижения жёстких требований.
• Низкий уровень продуктивной деятельности. Присутствие ребёнка на уроке и его спокойное поведение не означают, что он понимает и усваивает сказанное учителем. Проблема может быть связана с личностными качествами, излишней отвлекаемостью, семейными проблемами. Пребывание в школе некоторые первоклассники воспринимают как возможность отвлечься от конфликтов дома. Решить такую проблему можно, только уделяя больше внимания малышу, показывая ему свою любовь и создавая спокойную обстановку в семье.
• Непослушание. Такая проблема чаще всего затрагивает избалованных вниманием детей. Привычка всегда быть в центре вселенной, неприятие общепринятых правил приводит к конфликтам в классе. Естественно, что всё заканчивается вызовом в школу мамы, беседой с социальным педагогом и директором. То есть ребёнок опять получает порцию пусть и негативного, но внимания. Проблему в большинстве случаев это не решает, а только усугубляет. Поэтому единственно правильное решение – какое-то время не обращать внимания на проделки малыша. Разумеется, если они не критичны для окружающих и не мешают учебному процессу. Родителям желательно выработать свою тактику поведения вместе с опытным социальным педагогом.
• Вербализм. Данным термином обозначают высокий речевой уровень ребёнка, протекающий с задержкой мышления. Бойкая речь первоклассника и даже заучивание длинных стихов не указывают на то, что он по умственному развитию способен адекватно воспринимать школьную программу. Ребёнку в такой ситуации необходимо развитие образного и логического мышления, что достигается систематическими занятиями – наклеиванием аппликаций, лепкой, рисованием, несложными тестами.

Школьная адаптация –сложный процесс для многих дошкольников. Задача учителя и родителей состоит в скоординированной помощи первокласснику. При выявлении сложностей мамам и папам нужно не бояться подойти к педагогу и рассказать о своих сомнениях и страхах. Учитель, в свою очередь, должен говорить о том, что его беспокоит, и предлагать варианты решения проблемы.

Комментарий психолога:

В современном мире мы пестуем уникальность наших детей, но на деле она часто выходит им боком. Плохо, когда все общаются, а ты, такой уникальный, где-то на выселках. И хорошо, когда уникальность на начальном этапе проявляется в умении находиться в группе. Находить общие темы для общения, со всеми дружить и контактировать. Со временем это может перерасти и в умение управлять, но это уже не про уникальность. Что точно плохо влияет – так это смущение. Тем, что «у меня бутерброды, а у всех упакованные шоколадки». «У меня – бутылка с морсом, а у всех – сок с трубочкой». «У меня сменка какая-то не такая, а у всех красивая». Это тот редкий случай, когда «быть как все» совсем не плохо, а для этого маме нужно быть в тренде происходящего.

Конечно, тут встаёт вопрос здоровья ученика и финансовой составляющей, но есть и масса вещей, в которых те же деньги не играют существенной роли. Например, если в классе принято носить завтрак в пластиковом контейнере, то не нужно вводить по этому поводу новые правила.

Важно соблюдать баланс уникальности и похожести.

Помощь ребёнку в период адаптации

Подготовка малыша к школе должна начаться задолго до его поступления в первый класс. Больше к учебным занятиям готовы дети, посещающие дошкольные учреждения. Однако им сложнее перестроиться с игровой формы обучения на ту, что принята в школе.

Дома с ребёнком следует периодически заниматься. Он не должен проводить все время возле телевизора или планшета. Домашним детям необходимо научиться общаться со сверстниками, их следует приучить к дисциплине и самостоятельности.

Что делать, чтобы время адаптации протекло без особых сложностей:

• Чаще хвалить малыша, а за промахи не осуждать.
• Организовать правильный режим дня. У первоклассника должно быть достаточно времени для сна, подвижных игр, общения с друзьями.
• Не сравнивать его успехи с учёбой других детей.
• Не игнорировать жалобы ребёнка на плохое самочувствие. В первое время первокласснику можно раз в одну-две недели разрешить не посещать школу.
• Не предъявлять повышенных требований.
• Прислушиваться к замечаниям учителя и стараться дома спокойно обсудить возникшую проблему.

Если первоклассник не может полностью адаптироваться к школе, а его успехи оставляют желать лучшего, целесообразно рассмотреть альтернативный вариант обучения. Это может быть онлайн-школа, уроки в которой проходят дистанционно.

По данным опроса Homeschool Report 2017 респонденты назвали основные причины перехода на домашнее обучение.

Таким образом, выбор альтернативной формы обучения поможет избежать многих проблем адаптационного периода ребенка при поступлении в первый класс.

Плюсы такой формы учёбы для ряда детей очевидны. Занятия проходят в домашней обстановке. Программа в каждом случае подбирается индивидуально. Нет психологического давления, которое непременно присутствует в школьном коллективе. Дистанционное обучение приравнивается к обычному. Программа позволяет в любой момент перейти на общепринятую форму учёбы или, при желании, продолжить так учиться до конца школы.

Комментарий психолога:

Очень часто невысказанные переживания отражаются на физическом здоровье ребёнка. Многим известна ситуация, когда у школьника перед контрольной вдруг поднимается температура и это отнюдь не симуляция. В адаптационный период важно наладить хорошие контакты с учителем, и это то, на что родители вполне в состоянии повлиять. Прийти. Познакомиться, пообщаться, объяснить особенности будущего ученика и попросить отнестись к ним с пониманием.

Важна поддержка со стороны матери – разъяснения, что всё хорошо и всё образуется. Их можно повторять день за днём, и в конце концов это даст свой позитивный результат. Вера родителей отражается на ребёнке.

Переходный период – как указано в статье – может длиться шесть месяцев. Если же и после этого очевидно, что хорошо далеко не всё и улучшений не предвидится, стоит подключать учителя или классного руководителя.

Адаптация к школе. Анкета для родителей.

Сегодня я предлагаю анкету для родителей, которая поможет оценить, как протекает адаптация вашего ребёнка  к школе.

Адаптация к условиям обучения у разных детей проходит по-разному. Адаптация ребёнка к школе зависит от разных факторов: его здоровья, умения общаться, готовности принять новые правила, от развития волевой, мотивационной сферы и других.

Успешность адаптации первоклассника влияет на его школьные успехи, проявляется в поведении, общении, здоровье.

Длиться адаптация может   до нескольких месяцев.

Предлагаемая анкета позволяют систематизировать ваши наблюдения за ребёнком и оценить степень его адаптации   к школе.

Анкету  можно использовать несколько раз: например, в конце  каждого месяца.

Что делать, если  результаты анкетирования  показали  низкий уровень адаптации или дезадаптацию?

Прежде всего не паниковать. Если вы отвечали на вопросы в сентябре, то возможно, что индивидуальные темпы привыкания вашего ребёнка к школе таковы, что он ещё не перестроился  «на новый лад».

Как помочь? Проанализировать и понять, в чём более всего необходима поддержка ребёнку. Возможно, это проблемы с принятием новых правил, тогда постарайтесь объяснить, для чего они нужны. Сложности в общении с одноклассниками? Помогите ребятам сдружиться: пригласите  в гости, организуйте совместную игру или мини-поход. Вы  предоставите детям возможность отдохнуть и подружиться.  Ребёнок устаёт, не выдерживает темпа работы на уроке, стал капризен? Возможно, нужна помощь в организации деятельности ребёнка, в налаживании его режима дня.

Если повторное тестирование,например, в ноябре, даст схожую картину (адаптация первоклассника не может быть названа успешной), то вы можете обратиться за советом и к учителю, и к школьному психологу. Возможно, понадобится консультация врача — особенно для детей часто болеющих, с хроническими заболеваниями, стоящими на учёте у узких специалистов (невропатолог, кардиолог).

Анкета для родителей первоклассников «Адаптация ребенка к школе» (Битянова М.Р.).

Данная анкета направлена на определение уровня сформированности предпосылок учебной деятельности и адаптации первоклассника к школьному обучению.

Родителям предлагаются вопросы и варианты ответов. Родители выбирают тот ответ, который является наиболее подходящим к их ребенку.

1. Охотно ли идет ребенок в школу?

· неохотно (ДА)

· без особой охоты (ВДА)

-охотно, с радостью (А)

2. Вполне ли приспособился к школьному режиму? Принимает ли как должное новый распорядок?

· пока нет (ДА)

· не совсем (ВДА)

· в основном, да (А)

3. Переживает ли свои учебные успехи и неуспехи?

· скорее нет, чем да (ДА)

· не вполне (ВДА)

· в основном да (А)

4. Часто ли ребенок делится с вами школьными впечатлениями?

· иногда (В ДА)

· довольно часто (А)

· затрудняюсь ответить

5. Каков преобладающий эмоциональный характер этих впечатлений?

· в основном отрицательные впечатления (ДА)

· положительных и отрицательных примерно поровну (ВДА)

· в основном положительные впечатления (А)

6. Сколько времени в среднем тратит ребенок на приготовление домашнего задания? (укажите конкретную цифру).

7. Нуждается ли ребенок Вашей помощи при выполнении домашних заданий?

· довольно часто (ДА)

· иногда (В ДА)

· не нуждается в помощи (А)

8. Как ребенок преодолевает трудности в работе?

· перед трудностями сразу пасует (ДА)

· обращается за помощью (ВДА)

· старается преодолеть сам, но может отступить (ВДА)

· настойчив в преодолении трудностей (А)

9. Способен ли ребенок сам проверить свою работу, найти и исправить ошибки?

· сам этого сделать не может (ДА)

· иногда может (ДА)

· может, если его побудить к этому (А)

· как правило, может (А)

10. Часто ли ребенок жалуется на товарищей по классу, обижается на них?

· довольно часто (ДА)

· бывает, но редко (ВДА)

· такого практически не бывает (А)

11. Справляется ли ребенок с учебной нагрузкой без напряжения?

· нет (ДА)

· скорее нет, чем да (ВДА)

· скорее да, чем нет (А)

А — адаптация; ВДА — возможная дезадаптация; ДА — дезадаптация.

При обработке результатов анкеты подсчитывается количество ответов по каждому показателю и делается вывод об уроне адаптации первоклассников к школе.

 Источник анкеты:  Битянова М.Р. Адаптация ребенка в школе: диагностика, коррекция, педагогическая поддержка. – М.: Образоват.центр “Педагогический поиск”, 1997

Что еще почитать?

Результаты диагностики адаптации 5-классников

Результаты диагностики адаптации 5-классников

                                 Результаты  психологической диагностики      

                адаптации учащихся   5-х классов к обучению в среднем звене.

Октябрь 2018 года

     На этапе перехода детей из начальной школы в среднюю перед психологической службой стоят следующие задачи:
создание условий для успешной адаптации детей в школе (формирование школьного коллектива; выработка единой системы обоснованных, последовательных требований; установление норм взаимоотношений детей со сверстниками, преподавателями и другими сотрудниками школы и т. п.).
повышение уровня психологической готовности к обучению, познавательному развитию, общению;
адаптация учебной программы, нагрузки, образовательных технологий к индивидуальным возможностям и по потребностям учеников пятых классов.
       В соответствии с этими задачами можно выделить основные направления работы по адаптации детей к новой школьной жизни:
1. Психологическая диагностика.
2. Консультативная работа с педагогами и родителями.
3. Методическая работа.
4. Профилактическая работа.
5. Коррекционно-развивающая работа.
6. Аналитическая работа.
      На этапе адаптации детей в среднем звене школы психологическая диагностика направлена  на изучение степени и особенностей приспособления детей к новой социальной ситуации. Диагностика  проводится в начале учебного года и в конце наряду с педагогическими наблюдениями.
По результатам диагностики определяются группы детей, нуждающихся в той или иной психологической помощи и разрабатываются конкретные рекомендации для педагогов и родителей учащихся.
      Основными методами диагностики являлись: наблюдение, беседы, анкетирование , а также конкретные методики:
1. Анкета по школьной мотивации Лускановой (адаптированная для старших классов)
2. Анкета «Определения психологического климата в классе» Федоренко
3. Методика «Незаконченное предложение».
4. Методика на выявление школьной тревожности Филлипса.

    По результатам проведенной диагностики выявлена ситуация общей школьной тревожности, что является нормой в этот период обучения. Также половина детей переживают социальный стресс, на фоне которого происходят его социальные контакты. Страх самовыражения испытывают 30% пятиклассников, страх проверки знаний, беспокойство при ответе на уроке 70%, страх не соответствовать ожиданиям окружающих 35% детей. Выявлена низкая сопротивляемость физиологическому стрессу у 10% учащихся. Равнодушное отношение и скуку испытывают 4 % детей. Проблемы  и страхи в отношениями с учителями имеют 2% учеников.
     По результатам диагностики была выявлена хорошая школьная мотивация у большинства учащихся, у 15% детей наблюдается внешняя школьная мотивация, такие дети достаточно благополучно чувствуют себя в школе,  но чаще они ходят в школу, чтобы общаться с друзьями и учителями. Познавательные мотивы у таких детей сформированы в меньшей степени и учебный процесс их мало привлекает. Низкая школьная мотивация  наблюдается у 1 % опрашиваемых, такие дети испытывают серьезные трудности в школе: они не справляются с учебной деятельностью, испытывают проблемы в общении с одноклассниками, во взаимоотношениях с учителями. Такие дети находятся в состоянии неустойчивой адаптации к школе.
      При исследовании психологического климата в классе было выявлено,что  большинству детей приятны люди, которые их окружают в школе, только 3% учеников безразлично с кем учиться. Дети, которые всегда с плохим настроением идут в школу и которые ощущают постоянный дискомфорт от пребывания в школе не выявлены.
     Дети, требующие сопровождения психолога испытывают социальный стресс, у них неблагоприятный психический фон, мешающий ребенку развивать свои способности. У таких детей наблюдается общая тревожность, заниженная самооценка, страх самовыражения, у некоторых  эмоциональная возбудимость. Психологом с такими детьми проводятся индивидуальные беседы и коррекционно-развивающие занятия.
   Во второй четверти психологом планируется проведение развивающих занятий, направленных на сплочение коллектива, на снижение общего уровня тревожности, и  формирование Я-концепции.

Педагог-психолог Дмитренко Ирина Михайловна

Адаптация домена

для диагностики болезни Альцгеймера

В этом разделе мы представляем наш подход к классификации AD с адаптацией домена. Задача классификации состоит в том, чтобы предсказать диагностическую метку y индивидуума на основе данных изображения и не-изображения, суммированных в векторе x . Сначала мы вводим полиномиальный классификатор, используемый для прогноза. Затем мы выводим наш подход к полиномиальной регрессии с адаптацией предметной области и, наконец, описываем извлечение основанных на изображениях признаков из МРТ-сканирований с акцентом на особенности формы из BrainPrint .

2.1. Полиномиальная регрессия с эластичной сеткой для классификации болезни Альцгеймера

Мы используем полиномиальную регрессию с обобщенной линейной моделью для классификации субъектов в трех диагностических группах (контрольная, MCI и AD). Высокомерная характеристика человека может привести к переобучению обучающего набора данных. Поэтому мы выбираем подмножество функций, чтобы создать компактную модель. Эластичная сеть регуляризует полиномиальную регрессию: во время оценки модели для прогнозирования диагностической метки y из наблюдения x она определяет наиболее прогнозирующие переменные (Friedman et al., 2010). Переменная категориального ответа y имеет K = 3 уровня с AD, MCI и CN. Мы используем мультилогитарифную модель, которая является обобщением линейной логистической регрессии на многоклассовую ситуацию. Условная вероятность для метки ℓ равна

p (y = ℓ∣x) = eβ0ℓ + x⊤βℓ∑k = 1Keβ0k + x⊤βk

(1)

с коэффициентами регрессии β . Модель аппроксимируется регуляризованным максимальным полиномиальным правдоподобием со штрафом для коэффициентов регрессии R ( β )

max {β0ℓ, βℓ} 1K∈ℝK (p + 1) [1N∑i = 1Nlogp (yi∣xi ) -κ∑ℓ = 1KRα (βℓ)]

(2)

, где N — количество обучающих выборок.Параметр κ уравновешивает член соответствия данных со штрафным членом.

Регуляризатор в эластичной сети объединяет лассо ℓ ₁ и гребенчатую регрессию ℓ ₂ штрафов, модулируемых параметром α

Rα (β) = (1-α) 12‖β‖22 + α ‖Β‖1.

(3)

Для коррелированных предикторов гребневая регрессия сужает их коэффициенты и позволяет им заимствовать силу друг у друга. Напротив, лассо будет выбирать одно и игнорировать остальные.Увеличение α от 0 до 1 будет монотонно увеличивать разреженность решения до тех пор, пока не будет достигнуто решение лассо. При сравнении методов выбора модели (Wachinger et al., 2014) мы получили лучшие результаты для эластичной сети по сравнению с ручным выбором или пошаговым выбором с информационным критерием Акаике.

2.2. Адаптация домена для классификации AD

Адаптация домена различает исходный домен и целевой домен (Quionero-Candela et al., 2009; Пан и Ян, 2010; Марголис, 2011). Схема адаптации контролируемого домена схематично показана на рис. Исходный домен — это обучающий домен с помеченными данными.
Ds = {(xis, yis)} i = 1Ns, в то время как целевой домен является тестовым доменом только с частью помеченных данных. Помеченные данные в целевом домене обозначаются как
Dt = {(xit, yit)} i = 1Nt и немаркированные данные в целевом домене как
Du = {(xiu, yiu)} i = 1Nu. Обычно при адаптации контролируемой области мы предполагаем, что N _s ≫ N _t и, кроме того, обучающее подмножество в целевом домене является репрезентативным для всего целевого набора данных.

Адаптация контролируемого домена с исходным (красный) и целевым (синий) доменами, где часть целевых данных (зеленый) доступна для обучения. В экспериментах мы используем данные ADNI в качестве исходных данных и данные AIBL в качестве целевых данных.

Для постановки задачи мы рассматриваем обучение с учителем как минимизацию эмпирического риска. Абстрактно оптимальная модель θ ^* в семействе моделей Θ выводится путем минимизации функции потерь L

θ ∗ = argminθ∈Θ∑ (x, y) ∈X × Yp (x, y) · L (x, y, θ)

(4)

с совместным распределением по наблюдениям и меткам p ( x , y ), входное пространство 𝒳 и набор меток 𝒴.= argminθ∈Θ∑i = 1NL (xi, yi, θ).

(5)

Эта настройка учитывает один набор данных. Для адаптации предметной области мы хотим вывести модель с минимальными потерями в целевом наборе данных D _t , в то время как исходная обучающая выборка D _s случайным образом выбирается из исходного распределения p _s . При адаптации предметной области с экземпляром с весом эта проблема решается путем повторного взвешивания элементов исходного набора обучающих данных.Вес зависит от вероятности исходных выборок в целевом домене, которая может быть получена следующим образом:

θt ∗ = argminθ∈Θ∑ (x, y) ∈X × Ypt (x, y) · L (x, y) , θ)

(6)

= argminθ∈Θ∑ (x, y) ∈X × Ypt (x, y) ps (x, y) ps (x, y) · L (x, y, θ)

(7)

≈argminθ∈Θ∑i = 1Nspt (xis, yis) ps (xis, yis) · L (xis, yis, θ).

(8)

Учитывая, что данные обучения также доступны из целевой области, оценка модели составляет

θt ∗ = argminθ∈Θ∑i = 1Nspt (xis, yis) ps (xis, yis) · L ( xis, yis, θ) + ∑i = 1NtL (xit, yit, θ).

(9)

Отношение

wi = pt (xis, yis) ps (xis, yis)

(10)

— весовой коэффициент для выборки (
xis, yis). Он оценивает вероятность выборки исходных данных (
xis, yis) при целевом распределении p _t , нормированном на вероятность при исходном распределении. Сложная часть — это оценка вероятности исходных данных при целевом распределении.
pt (xis, yis). Для адаптации контролируемой области у нас есть обучающие данные в целевом домене D _t , которые мы будем использовать для оценки целевого распределения.иллюстрирует исходный и целевой наборы данных. Функции плотности вероятности подчеркивают различное распределение обоих наборов данных. Вес подчеркивает точки, которые лежат в областях с высокой плотностью целевого домена и в областях с низкой плотностью исходного домена, на рисунке это красные точки справа. С этим повторным взвешиванием исходного домена мы делаем вывод о модели, которая лучше адаптирована к целевой области и, следовательно, дает более высокую точность классификации.

Схематическое изображение точек данных (субъектов) из исходного (синий) и целевого (красный) домена (вверху).Маргинальные распределения исходного домена p _s и целевого p _t (в центре) показывают различия между обоими доменами. При взвешивании экземпляра термином w = p _t / p _s (внизу) красным точкам исходных данных справа назначаются более высокие веса при оценке коэффициентов регрессии, а точкам исходных данных на левым присваиваются меньшие веса.

В отличие от ковариатного сдвига, который учитывает только вариации маргинальных распределений наблюдений p _s ( x ) ≠ p _t ( x ) (Shimodaira, 2000) и дисбаланс классов, учитывает только вариации в маргинальном распределении меток p _s ( y ) ≠ p _t ( y ) (Japkowicz and Stephen, 2002), мы рассматриваем вариации совместного распределения p _s ( x , y ) ≠ p _t ( x , y ).Чтобы облегчить оценку, мы используем факторизацию p ( x , y ) = p ( x ) p ( y ), что подразумевает предположение о независимости. Факторизация продолжается для многомерной переменной x , давая результат одномерных плотностей. Альтернативой может быть прямая оценка плотности стыков большой размерности, однако для надежной оценки потребуется, чтобы количество образцов росло экспоненциально с увеличением количества измерений.Учитывая ограниченное количество элементов в целевом наборе обучающих данных, надежная оценка в более высоких измерениях кажется невозможной. В этой работе мы выбираем диагностическую информацию, возраст, пол и номер аллеля APOE4, например, для взвешивания, поскольку они отражают важные характеристики человека. Распределения оцениваются с помощью гистограммы для дискретных переменных и оценки плотности ядра для непрерывных переменных.

Интеграция взвешивания экземпляров для адаптации домена в полиномиальной регрессии в уравнении.(2) дает

max {β0ℓ, βℓ} 1K∈ℝK (p + 1) [∑i = 1Nswilogp (yis∣xis) + ∑i = 1Ntlogp (yit∣xit) -κ∑ℓ = 1KPα (βℓ) ],

(11)

, где коэффициенты регрессии β соответствуют параметрам модели θ , а обучающие выборки в функции логарифмического правдоподобия взвешены. Веса w _i определены в уравнении (10) для обучающих выборок исходного набора данных. Выборки из целевого набора обучающих данных имеют постоянный вес. Для решения задачи оптимизации в формуле.(11) используется схема координатного спуска (Friedman et al., 2010). Во вложенных циклах по параметру κ и классам вычисляются частичные квадратичные приближения к логарифмической вероятности, где коэффициенты регрессии меняются только для одного класса за раз. Затем для решения взвешенной задачи наименьших квадратов используется метод координатного спуска.

В дополнение к установке весов в соответствии с уравнением, например, взвешивания, мы можем применять различные стратегии адаптации домена, установив веса на константу, w _i = c .Стратегии различаются данными, используемыми для обучения:

1. c ≫ 1: только исходный обучающий набор данных D _s ,

2. c = 0: только целевой набор обучающих данных D _t ,

3. c = 1: объединение обоих обучающих наборов D _s ∪ D _t .

Выбор одного из наборов данных или их комбинирование — простые подходы, которые не принимают во внимание проблемы адаптации предметной области.В разделе результатов показано, что выбранная стратегия существенно влияет на результат классификации.

2.3. Функции на основе изображений для классификации

Как упоминалось выше, выбор описательных функций для классификатора важен для производительности. Для извлечения функций на основе изображений мы обрабатываем отсканированные изображения с помощью FreeSurfer (Dale and Sereno, 1993; Dale et al., 1999; Fischl et al., 1999a, b, 2002). FreeSurfer автоматически сегментирует корковые и подкорковые структуры на изображении.На основе сегментации мы используем толщину 70 областей коры и объем 39 структур мозга. Наряду с объемом и толщиной мы используем характеристики формы, заимствованные из BrainPrint , которые более подробно описаны в Разделе 2.3.1. Особенности формы включают 14 боковых различий формы и 44 вариации формы PCA. Общее количество признаков изображения для классификации составляет 167. Согласно недавнему анализу нормализации переменных для классификации AD (Westman et al., 2013), мы нормализуем объемные измерения по внутричерепному объему (ICV), но не нормализуем измерения толщины коры. Остаточная доля возраста с линейной регрессией была выполнена для каждого признака, чтобы устранить влияние возраста в анализе. После нормализации ICV и резидуализации возраста возраст и пол не использовались в полиномиальной регрессии.

2.3.1. Дескриптор мозга BrainPrint

Мы создаем поверхностные и объемные сетки из корковых и подкорковых сегментов.На основе этих сеток мы вычисляем компактные представления формы для всех структур, составляющих BrainPrint (Wachinger et al., 2015). В качестве дескриптора формы используется shapeDNA (Reuter et al., 2006), который оказался одним из лучших при сравнении методов нежесткого восстановления трехмерной формы (Lian et al., 2012). Спектр Лапласа-Бельтрами вычисляется на основе внутренней геометрии объекта, чтобы сформировать shapeDNA . Рассматривая оператор Лапласа-Бельтрами Δ, можно получить спектр путем решения задачи на собственные значения Лапласа (уравнение Гельмгольца)

Решение состоит из собственного значения λ _i ∈ ℝ и собственной функции f _i пар, отсортированных по собственным значениям , 0 ≤ λ ₁ ≤ λ ₂ ≤… (положительная расходящаяся последовательность).Первые l ненулевых собственных значений, вычисленных с использованием методов конечных элементов, образуют shapeDNA : λ = ( λ ₁ , … , λ _l ). Чтобы добиться масштабной независимости, мы нормализуем собственные значения,
λ ′ = vol2Dλ, где vol — риманов объем D -мерного многообразия (Reuter et al., 2006), т.е. площадь поверхности для двумерных многообразий. иллюстрирует первые три собственные функции левой поверхности белого вещества.Собственные функции показывают собственные колебания формы при колебаниях с частотой, определяемой квадратным корнем из собственного значения. Мы также отображаем те же собственные функции на надутой поверхности, чтобы выделить характеристики собственных функций, не скрытых сложными паттернами кортикального сворачивания.

Левая поверхность белого вещества и первые три непостоянные собственные функции оператора Лапласа-Бельтрами, вычисленные на поверхности, где особенности формы получены из собственных частот собственных функций.Вверху: собственные функции показаны с цветовым градиентом. Внизу: надутая поверхность белого вещества с собственными функциями, показанными в виде наборов уровней. Основные направления изменения — передне-заднее, верхнее-нижнее и латерально-медиальное соответственно.

Собственные значения изометрии инвариантны относительно риманова многообразия, что означает, что деформации, сохраняющие длину, не изменят спектр. Изометрическая инвариантность включает движение твердого тела и, следовательно, позволяет сравнивать формы разных субъектов путем прямого сравнения shapeDNA .Второе свойство состоит в том, что спектр непрерывно изменяется с сохраняющими топологию деформациями границы объекта. Эти свойства делают shapeDNA хорошо подходящим для сравнения форм, так как первоначального выравнивания форм можно полностью избежать.

Мы вычисляем спектры для всех корковых и подкорковых структур на двухмерных граничных поверхностях (треугольные сетки (Reuter et al., 2009; Niethammer et al., 2007)) и дополнительно для кортикальных структур (белые и пиальные поверхности в обоих полушариях) также на полном трехмерном твердом теле (сетки из тетраэдров (Reuter et al., 2007)), образуя BrainPrint Λ = ( λ ₁ , … ,
λ _η ). BrainPrint содержит 36 подкорковых структур и 8 дескрипторов корковых структур (левое / правое, белое / серое вещество, 2D / 3D), что дает η = 44.

2.3.2. Возможности BrainPrint

В зависимости от количества вычисленных собственных значений l мы можем легко получить тысячи значений в Brain-Print , что может сделать подход более восприимчивым к переобучению.Чтобы уменьшить количество переменных и повысить надежность, мы (i) используем меру одномерной асимметрии (расстояние BrainPrint по полушариям) и (ii) применяем анализ главных компонентов. Важным аспектом BrainPrint является то, что собственные значения образуют возрастающую последовательность с увеличением дисперсии. В зависимости от меры расстояния это может привести к тому, что более высокие собственные значения будут доминировать над мерой сходства между двумя фигурами, хотя эти компоненты не обязательно содержат наиболее важную геометрическую информацию.Чтобы учесть эти проблемы, мы нормализуем BrainPrint и используем соответствующие вычисления расстояния, как описано ниже.

Asymmtery

В качестве первого признака формы мы измеряем асимметрию латерализованных структур мозга в BrainPrint . Поскольку shapeDNA инвариантен к зеркальному отображению, мы напрямую вычисляем расстояние Махаланобиса между дескрипторами латерализованной структуры мозга s

ds = ‖λsleft-λsrights,

(13)

с Σ _s ковариационная матрица по всем предметам для структуры s .Латерализованные структуры, которые мы используем, — это белое вещество и пиальные поверхности с треугольными и тетраэдрическими сетками, а также треугольные сетки для белого и серого вещества мозжечка, полосатого тела, боковых желудочков, гиппокампа, миндалины, таламуса, хвостатого тела, скорлупы и прилежащей кости.

Альтернативные функции расстояния, которые были предложены для shapeDNA , — это евклидово расстояние (или любая p-норма), расстояния Хаусдорфа, евклидово расстояние на повторно взвешенных собственных значениях λ̂ _i = λ _i / i (Reuter et al., 2006; Reuter, 2006) и взвешенное спектральное расстояние (Konukoglu et al., 2013). Взвешенные расстояния (последние два подхода) мотивированы необходимостью уменьшить влияние более высоких собственных значений на расстояние. Линейное изменение веса основано на наблюдении, что собственные значения демонстрируют линейную структуру роста (закон Вейля) и, следовательно, дают примерно равный вклад каждого собственного значения. Взвешенное спектральное расстояние аналогично делению на квадрат числа собственных значений и, следовательно, функционирует как фильтр нижних частот.Здесь мы используем расстояние Махаланобиса, потому что оно учитывает шаблон ковариации в данных и поддерживает равный вклад всех собственных значений в последовательности.

Анализ основных компонентов

Мы выводим второй набор функций из BrainPrint , вычисляя основные компоненты для каждой из 44 структур мозга. Проецирование shapeDNA на главный компонент сохраняет большую часть дисперсии в наборе данных, уменьшая при этом размерность.Проблемой в этом отношении снова является то, что более высокие собственные значения демонстрируют наибольшую дисперсию, так что они будут доминировать при идентификации главного компонента. Мы экспериментировали с (i) линейным повторным взвешиванием, λ̂ _i = λ _i / i , и (ii) нормализацией каждого собственного значения к единичной дисперсии в наборе данных. Оценка обоих подходов дала аналогичные результаты, поэтому мы использовали более простое линейное изменение веса.

2.4. Данные

Мы используем данные из базы данных Инициативы по нейровизуализации болезни Альцгеймера (ADNI) (adni.loni.usc.edu), Австралийское исследование визуальных биомаркеров и образа жизни старения (AIBL, Ellis et al. (2009)) и проблема CADDementia (Bron et al., 2015). суммирует наборы данных, используемые для прогноза деменции. Все наборы данных были обработаны с помощью FreeSurfer.

Таблица 1

Демографическая, диагностическая и генетическая информация о наборах данных, используемых в этом исследовании.

1

67511 1142

40503%

Для данных CADDementia у нас есть доступ только к диагностической информации для 30 субъектов в наборе обучающих данных. Для большего набора тестовых данных с 354 субъектами предоставляются только сканы с информацией о поле и возрасте.Данные CADDementia состоят из данных изображений из трех медицинских центров: Медицинский центр Университета VU, Амстердам, Нидерланды; Erasmus MC, Роттердам, Нидерланды; Университет Порту / Госпиталь Сан-Жуан, Порту, Португалия.

Методология исследования AIBL описывалась ранее (Ellis et al., 2009), а данные AIBL были собраны исследовательской группой AIBL. Исследование было начато в 2006 году и сосредоточено на раннем выявлении БА и изменении образа жизни. Данные собираются в двух центрах (40% субъектов из Перта в Западной Австралии, 60% из Мельбурна, Виктория).

ADNI был запущен в 2003 году Национальным институтом старения (NIA), Национальным институтом биомедицинской визуализации и биоинженерии (NIBIB), Управлением по санитарному надзору за качеством пищевых продуктов и медикаментов (FDA), частными фармацевтическими компаниями и некоммерческими организациями. 60 миллионов долларов, 5-летнее государственно-частное партнерство. Основная цель ADNI состояла в том, чтобы проверить, можно ли объединить серийную магнитно-резонансную томографию (МРТ), позитронно-эмиссионную томографию (ПЭТ), другие биологические маркеры, а также клиническую и нейропсихологическую оценку для измерения прогрессирования легкого когнитивного нарушения (MCI) и раннего Болезнь Альцгеймера (БА).Определение чувствительных и специфических маркеров очень раннего прогрессирования БА призвано помочь исследователям и клиницистам разрабатывать новые методы лечения и контролировать их эффективность, а также сокращать время и стоимость клинических испытаний. Главным исследователем этой инициативы является Майкл У. Вайнер, доктор медицины, Медицинский центр штата Вирджиния и Калифорнийский университет в Сан-Франциско. ADNI — это результат усилий многих соисследователей из широкого круга академических институтов и частных корпораций, а испытуемые были набраны из более чем 50 сайтов по всей территории США.С. и Канада. Продолжительность последующего наблюдения для каждой группы указывается в протоколе ADNI. Актуальную информацию см. На сайте www.adni-info.org.

Модель глубокой адаптации для диагностики неисправностей подшипников с выравниванием областей и распознаванием признаков

Методы глубокого обучения широко используются для достижения многообещающих результатов диагностики неисправностей. Во многих реальных приложениях диагностики неисправностей маркированные обучающие данные (исходный домен) и немаркированные тестовые данные (целевой домен) имеют разное распределение из-за частых изменений рабочих условий, что приводит к снижению производительности.В этом исследовании предлагается сквозная неконтролируемая адаптация домена, несущая модель диагностики неисправностей, которая сочетает в себе выравнивание домена и обучение распознаванию признаков на основе одномерной сверточной нейронной сети. Совместное обучение с потерей классификации, дискриминационной потерей на основе центра и потерей согласования корреляции между двумя доменами может адаптировать изученные представления в исходном домене для приложения к целевому домену. Такое совместное обучение также может гарантировать предметно-инвариантные функции с хорошей внутриклассовой компактностью и межклассовой разделимостью.Между тем, извлеченные функции могут эффективно улучшить производительность междоменного тестирования. Экспериментальные результаты на наборах данных пеленгов Case Western Reserve University подтверждают превосходство предложенного метода над многими существующими методами.

1. Введение

Традиционные методы машинного обучения, особенно глубокое обучение, недавно добились больших успехов в области диагностики неисправностей на основе данных [1–6]. Большинство методов машинного обучения предполагают, что обучающие данные (исходный домен) и тестовые данные (целевой домен) должны находиться в одном рабочем состоянии и иметь одинаковое распределение и пространство функций.Однако во многих реальных условиях работы распределение образцов исходного домена отличается от распределения образцов целевого домена, что приводит к снижению производительности.

Для решения этой проблемы основное исследование методов адаптации предметной области сосредоточено на том, как модель машинного обучения, построенная в исходной области, может быть адаптирована в другом, но связанном целевом домене, что необходимо во избежание усилий по реконструкции. В области инженерии знаний было найдено много полезных и многообещающих примеров адаптации предметной области, включая классификацию изображений, распознавание объектов, обработку естественного языка и изучение особенностей [7–10].

В последние годы были проведены значительные исследования по адаптации предметной области на основе глубинных архитектур. Большинство опубликованных работ по адаптации глубокой предметной области можно условно разделить на три категории [11]: (1) основанные на расхождениях, (2) состязательные адаптации и (3) методы, основанные на реконструкции.

Типичные методы, основанные на расхождениях, показаны в [12, 13]. Обычно они реализуются путем добавления потерь, чтобы минимизировать несоответствие распределения между исходным и целевым доменами в общем пространстве функций.Например, Tzeng et al. [12] применили одно линейное ядро ​​к одному слою для минимизации максимального среднего несоответствия (MMD), тогда как Long et al. [13, 14] минимизировали MMD, применяя несколько ядер к нескольким уровням в доменах. Еще одна впечатляющая работа — Deep Coral [15], которая расширяет CORAL [16] на глубокие архитектуры и выравнивает статистику второго порядка исходного и целевого распределений.

Еще одна набирающая популярность работа — это методы адаптации состязательной области, которые включают состязательные дискриминационные и генеративные методы.Первый направлен на поощрение путаницы в предметной области с помощью враждебной цели по отношению к дискриминатору предметной области. Tzeng et al. [17] предложили унифицированную структуру адаптации состязательной области, которая сочетает в себе дискриминационное моделирование, несвязанное распределение веса и потерю генеративной состязательной сети (GAN) [18]. Среди дискриминационных моделей Tzeng et al. предложили модель с потерей путаницы [19], а также рассмотрели потерю GAN с перевернутой меткой [17], тогда как Ganin et al. В [20] предложена модель с минимаксными потерями.Последний сочетает в себе дискриминативную модель с генеративным компонентом на основе GAN. Лю и Тузель [21] разработали связанную генерирующую состязательную сеть (CoGAN), которая использует две сети GAN, каждая из которых соответствует одному из доменов, а CoGAN изучает совместное распределение многодоменных выборок и применяет ограничение распределения веса для ограничения пропускной способности сети. . Метод, представленный в [22], также использует сети GAN для генерации изображений исходного домена, которые выглядят так, как если бы они были взяты из целевого домена.

Типичные методы, основанные на реконструкции, можно увидеть в [23–25].Реконструкция данных может рассматриваться как вспомогательная задача для поддержки адаптации предсказания метки. Ghifary et al. [23] объединил стандартную сверточную сеть для предсказания исходной метки с деконволюционной сетью [26] для восстановления целевых данных. Bousmalis et al. [24] ввели понятие частных и общих подпространств для каждого домена. Между тем, потеря реконструкции интегрируется в модель с помощью общего декодера, который учится восстанавливать входную выборку с помощью специфичных для предметной области и совместно используемых функций.Tan et al. [25] представили алгоритм выборочного обучения, который использует ошибку реконструкции для выбора полезных немаркированных данных из промежуточных областей.

Несмотря на успех, достигнутый адаптацией предметной области, можно найти ограниченные исследования в отношении ее применения для диагностики неисправностей. Zhang et al. [27] использовали необработанные вибрационные сигналы в качестве входных данных для глубокой сверточной нейронной сети с моделью сверточной нейронной сети с широким ядром первого уровня (WDCNN). Они также использовали адаптивную пакетную нормализацию (AdaBN) в качестве алгоритма адаптации домена для диагностики неисправностей в различных условиях нагрузки и шумных средах.Лу и др. [28] представили глубокую модель CNN с адаптацией предметной области для диагностики неисправностей, и эта модель интегрирует MMD как член регуляризации в функцию потерь модели, чтобы уменьшить разницу в распределении между доменами. Zhang et al. [29] разработали модель адаптации состязательной области, которая включает в себя экстрактор исходных признаков, экстрактор целевых признаков, дискриминатор домена и классификатор меток для диагностики неисправностей. Jian et al. [30] предложили объединенную модель CNN, которая сочетает в себе 1DCNN и теорию свидетельств Демпстера – Шейфера, чтобы расширить возможности кросс-доменной адаптации для диагностики неисправностей.Тонг и др. [31] предложили метод адаптации области диагностики неисправностей подшипников для нахождения передаваемых функций в разных областях, которые были получены путем одновременного сокращения маргинального и условного распределений на основе MMD. Ли и др. [32] представили метод глубокой адаптации для диагностики сбоев подшипников на основе максимальных средних несоответствий между доменами на нескольких уровнях для изучения представлений из исходного домена, применяемого к целевому домену. Кроме того, Han et al.[33] предложили новую интеллектуальную структуру диагностики неисправностей, которая расширяет адаптацию предельного распределения до совместной адаптации распределения и гарантирует точную адаптацию распределения.

Повышение производительности CNN за счет изучения дополнительных отличительных характеристик стало недавней тенденцией. Например, контрастная потеря [34] и потеря центра [35] представлены для изучения отличительных глубоких черт для проверки и распознавания лиц. Кроме того, Liu et al. [36] предложили потерю softmax с большим запасом для расширения потерь softmax до большого запаса softmax, что приводит к большой угловой разделимости между изученными функциями.Chen et al. [37] предложили два подхода к распознаванию признаков, а именно: дискриминативные потери на основе экземпляров и центр, с совместным выравниванием доменов и распознаванием признаков.

Вдохновленные этими методами, мы предлагаем новую модель глубокой адаптации для диагностики дефектов подшипников с помощью Deep Coral и обучения распознаванию признаков на основе центра. Комбинируя выравнивание предметной области и обучение распознаванию признаков, инвариантные к предметной области признаки, извлеченные с помощью модели, могут быть хорошо сгруппированы и отделены, что, несомненно, может способствовать адаптации и классификации предметной области.

Основные вклады в эту работу включают следующее: (1) Предлагается сквозной метод с адаптацией домена для диагностики неисправностей, то есть CACD-1DCNN. Этот метод напрямую работает с необработанными временными сигналами и не требует трудоемкой предварительной обработки шумоподавления и отдельного алгоритма извлечения признаков. (2) Комбинируя выравнивание домена и обучение распознаванию признаков, CACD-1DCNN стремится извлекать предметно-инвариантные признаки с улучшенной внутриклассовой компактностью. и межклассовая разделимость и гарантирует высокую эффективность классификации в двух областях.(3) Обширные эксперименты с наборами данных Case Western Reserve University (CWRU) демонстрируют, что CACD-1DCNN обеспечивает превосходную диагностическую эффективность по сравнению с существующими базовыми методами. (4) Кроме того, визуализация сети и анализ потерь обеспечивают интуитивное представление результатов адаптации и проверку эффективность нашего метода.

Остальные части организованы следующим образом. В разделе 2 формулируется проблема адаптации предметной области для диагностики неисправностей и вводятся базовые теории глубокого корреляционного выравнивания и централизованной дискриминативной потери.В разделе 3 представлен предлагаемый интеллектуальный метод диагностики неисправностей CACD-1DCNN. Методы сравнения, эксперименты и обсуждение приведены в разделе 4. Наконец, в разделе 5 сделаны выводы.

2. Теоретические основы

2.1. Формулировка проблемы

Традиционная диагностика неисправностей машинного оборудования направлена ​​на определение места неисправности и серьезности набора неизвестных неисправностей на основе набора ранее известных неисправностей. Если взять в качестве примера диагностику неисправностей, собранные помеченные необработанные временные сигналы вибрации берутся в качестве выборок исходной области, а собранные немаркированные необработанные временные сигналы вибрации — в качестве выборок целевой области.Предполагается, что распределения исходного и целевого доменов одинаковы, и выученные шаблоны отказов, полученные из помеченных обучающих данных, могут быть непосредственно применены к немаркированным тестовым данным. Однако в практических задачах неизбежно существует разница между исходной и целевой доменами, что ухудшает возможность обобщения модели в разных областях. Поэтому проблема адаптации предметной области для диагностики неисправностей привлекает все большее внимание. В этом исследовании основное внимание уделяется проблеме адаптации домена без учителя, то есть данные целевого домена не имеют метки.

Исследования по проблеме адаптации неконтролируемой области диагностики неисправностей подшипников качения обычно проводятся при следующих предположениях: (1) Исходная и целевая области связаны друг с другом, но имеют разные распределения (2) Для разных областей задача диагностики неисправностей то же самое, что и для общих меток классов (3) Помеченные образцы из исходного домена используются для обучения, тогда как немаркированные образцы из целевого домена доступны для обучения и тестирования

Формально домен состоит из m -мерное пространство признаков с маргинальным распределением вероятностей, где.Задача состоит из двух компонентов: пространство меток и функция прогнозирования f ( X ), соответствующая меткам. также является условным распределением вероятностей, и, где представляет возможное состояние работоспособности машины. Ниже приводится формальное определение проблемы адаптации домена без учителя для диагностики неисправностей. Дан помеченный набор данных исходного домена и немаркированный целевой набор данных, где и — количество выборок исходного и целевого доменов, соответственно.Предполагается, что собственные подпространства и (то есть), пространство меток (то есть) и условное распределение вероятностей одинаковы. Однако предельные распределения вероятностей двух областей, то есть, различны. Адаптация домена без учителя направлена ​​на использование классификатора с метками для обучения для прогнозирования меток, где.

2.2. Выравнивание глубокой корреляции

Чтобы заполнить пробел между доменами, CORAL-потеря принимается путем выравнивания статистики второго порядка исходных и целевых функций.В активациях, вычисленных на данном слое, и являются d-мерными представлениями. Потеря несоответствия области, измеренная с помощью CORAL loss () [16], как показано ниже, минимизирует несоответствие распределения между статистикой второго порядка (ковариацией) исходных и целевых характеристик. Где обозначает квадрат нормы Фробениуса матрицы, а — ковариация матрицы исходных и целевых объектов соответственно. Согласно ссылке [16], и, соответственно, вычисляются следующим образом: где — матрица центрирования [38].Если взять в качестве примера исходную область, это матрица, и она выводится следующим образом:

Процесс обучения реализуется с помощью мини-пакетного стохастического градиентного спуска (SGD), в котором только пакет обучающих выборок выравнивается на каждой итерации. .

2.3. Дискриминантная потеря по центру

Чтобы сделать глубокие особенности, изученные с помощью глубинной модели CNN, еще более дискриминационной, используются дискриминантные потери по центру [37], которые отличаются от потерь в центре [35]. Последний наказывает расстояние каждой выборки до центра соответствующего класса, тогда как первый не только имеет характеристику потери центра, но также обеспечивает большие различия между центрами в разных категориях.Потеря дискриминанта на основе центра определяется следующим образом:

Потеря состоит из двух элементов. Первый элемент используется для измерения внутриклассовой компактности, тогда как второй элемент используется для измерения межклассовой разделимости. — параметр компромисса, и — два поля ограничения. представляет собой глубокие особенности -го обучающего образца в полностью связанном слое, а n — количество нейронов полностью связного слоя. обозначает центр классов -го образца, соответствующий глубоким объектам, где c — количество классов.

Уравнение (4) показывает, что дискриминантные потери на основе центра заставляют расстояние между внутриклассовыми выборками быть не более чем, а расстояние между межклассовыми выборками не меньше. Очевидно, этот штраф может сделать глубокие особенности еще более разборчивыми.

В идеале центр класса должен рассчитываться путем усреднения глубоких характеристик всех образцов, что явно неэффективно и нереально. В практических приложениях мы обновляем центральную точку с помощью мини-пакетных обучающих выборок.На каждой итерации мы вычисляем центральную точку, усредняя признаки соответствующего класса. Обновленная формула на каждой итерации представлена ​​следующим образом:

Если условие истинно, и 0 в противном случае. b обозначает размер пакета, а λ — скорость обучения. Каждый центр классов инициализируется как «пакетный центр классов» на первой итерации и обновляется в соответствии с (5) и (6) для следующего пакета выборок на каждой итерации.

3.Структура диагностики неисправностей на основе CACD-1DCNN

3.1. CACD-1DCNN Диагностика неисправностей Модель

CACD-1DCNN предлагается для решения проблемы междоменного обучения в области диагностики неисправностей подшипников. Как показано на Рисунке 1, принимая CNN в качестве основной архитектуры, принимается двухпотоковая архитектура CNN с общими весами, а в модели перед классификатором используется уровень адаптации домена с выравниванием корреляции и потерями по центру.

В качестве входных данных двухпотоковой помеченный источник и немаркированные целевые данные вводятся в модель CACD-1DCNN во время процесса обучения.Затем объекты, не зависящие от предметной области, с отличительными необработанными сигналами вибрации извлекаются через несколько сверточных и объединяющих слоев. Несоответствие распределения минимизируется на последнем полностью подключенном слое. Теоретически корреляционное выравнивание может выполняться на нескольких уровнях параллельно. Эмпирические данные [15, 39] показывают, что хорошая производительность достигается, даже если это выравнивание проводится только один раз. Как правило, потеря выравнивания корреляции () выполняется после последнего полностью подключенного слоя.Аналогичным образом, дискриминативные потери по центру () обычно размещаются после последнего полностью подключенного слоя. Следовательно, два вида функций потерь в предлагаемой модели обучаются на основе характеристик, извлеченных последним полностью подключенным слоем. В дополнение к обычной функции потерь softmax (), основанной на области источника, функция потерь модели CACD-1DCNN определяется следующим образом: где и — параметры компромисса для уравновешивания вкладов несоответствия области и дискриминативных потерь.

Здесь различаются только данные исходного домена. В процессе обучения исходные функции обучаются дискриминанту и согласовываются с целевыми функциями. Совместное обучение с классификацией, корреляционным выравниванием и дискриминантными потерями на основе центра между двумя доменами в последнем полностью подключенном слое может адаптировать изученные представления в исходном домене для применения в целевом домене. Это совместное обучение также может гарантировать предметно-инвариантные функции с улучшенной внутриклассовой компактностью и межклассовой разделимостью.Между тем, извлеченные функции могут эффективно улучшить производительность междоменного тестирования.

3.2. Архитектура конструкции 1DCNN

Учитывая, что сигналы вибрации подшипников, собираемые датчиками ускорения, обычно являются одномерными, использование 1DCNN является разумным для обработки сигналов вибрации. В этом исследовании 1DCNN используется для диагностики неисправностей подшипников. Сетевая структура состоит из четырех слоев свертки и объединения, двух полностью связанных слоев и слоя softmax в конце.Первый сверточный слой использует широкое ядро ​​для извлечения признаков и подавления высокочастотного шума. Маленькие сверточные ядра в следующих слоях используются для углубления сети для многослойного нелинейного отображения и предотвращения переобучения [27]. Параметры 1DCNN представлены в таблице 1. Тип объединения — максимальное объединение, а функция активации — ReLU. Чтобы минимизировать функцию потерь, для обучения нашей модели применяется алгоритм стохастической оптимизации Адама, а скорость обучения установлена ​​на 1 e -4.Эксперименты проводятся с использованием набора инструментов TensorFlow от Google.

3.3. Расширение данных

Без достаточного количества обучающих выборок модель легко может привести к переобучению. Методы увеличения данных обычно используются в компьютерном зрении для увеличения обобщения сетей за счет добавления количества обучающих выборок. При диагностике неисправностей сигналы вибрации, собранные датчиком ускорения, являются одномерными, и с помощью выборки с перекрытием можно легко получить большое количество данных путем нарезания обучающих выборок с перекрытием. На рисунке 2 показан сигнал вибрации с 120000 точек.Мы можем взять 2048 точек данных из этого сигнала в качестве образца. Мы также можем компенсировать это на определенную величину, чтобы быть вторым образцом.

4. Экспериментальный анализ предложенной модели CACD-1DCNN

4.1. Описание данных

Данные о неисправностях подшипников, использованные для экспериментальной проверки, были получены из Центра данных подшипников CWRU [40]. Данные были собраны из механической системы привода двигателя при четырех различных нагрузках (0, 1, 2 и 3 л.с.) и в трех разных местах (конец вентилятора, конец привода и основание).Частота дискретизации составляет 48 и 12 кГц. Подшипник имеет три типа неисправностей: неисправность внешнего кольца (OF), неисправность внутреннего кольца (IF) и неисправность ролика (RF). Каждый тип разлома содержит разлом диаметром 0,007, 0,014 и 0,021 дюйма соответственно; есть также нормальное состояние (N), всего 10 состояний здоровья.

В этом исследовании для экспериментального исследования выбраны сигналы вибрации от различных мест неисправности и различных состояний работоспособности с частотой дискретизации 12 кГц на ведущей стороне подшипника качения.Подробное описание наборов данных показано в таблице 2. Три набора данных получены при трех нагрузках на 1, 2 и 3 HP соответственно. Каждый большой набор данных содержит обучающие и тестовые образцы, и каждый образец содержит 2048 точек данных. Для увеличения количества обучающих выборок используется методика выборки с перекрытием. В этом исследовании обучающие образцы перекрываются для дополнения данных. Однако в тестовой выборке перекрытия не наблюдается. Таким образом, каждый набор данных состоит из 6600 обучающих образцов и 250 тестовых образцов 10 состояний здоровья.

60 902 902 902 902 60 902 902 902 907 90 Местонахождение неисправности Нет RF IF OF 4 5 6 7 8 9 Диаметр дефекта (дюйм) 0 0,007 0,014 0.021 0,007 0,014 0,021 0,007 0,014 0,021 Набор данных A (1 л. 660 660 660 660 660 Испытание 25 25 25 25 25 10 25 25 10 25 25 10 25 Набор данных B (2 л. 25 25 25 25 25 25 25 25 25 25 9050 2 Набор данных C (3 л.с.) Поезд 660 660 660 660 660 660 660 7 902 902 902 902 902 660 7 902 902 902 902 660 25 25 25 25 25 25 25 25 25 25 2. Точность в разных доменах Образцы исходного домена имеют метки, а образцы целевого домена их не содержат. Благодаря трем доменам, эксперименты проводятся в шести сценариях переноса домена: A ⟶ B , A ⟶ C , B ⟶ C , C ⟶ B , C — ⟶ A и B ⟶ A . Если взять в качестве примера A ⟶ B , набор данных A является исходным доменом, а набор данных B — целевым доменом. Методы сравнения . Предлагаемый метод сравнивается с несколькими успешными методами машинного обучения для проверки эффективности модели CACD-1DCNN: (1) SVM (2) Многослойный персептрон (MLP) (3) Глубокая нейронная сеть (DNN) [1] (4) WDCNN предложенная в [27] и способность адаптации домена из AdaBN (5) OFNN-DE, предложенная в [30] (6) Состязательная адаптивная модель на основе 1-D CNN (A2CNN) [29] 1–3 и 6 являются методы, которые работают с данными, преобразованными с помощью быстрого преобразования Фурье, тогда как 4 и 5 — это методы на основе CNN, которые работают с нормализованными необработанными сигналами.Примечательно, что OFNN в [30] здесь не используется, потому что OFNN использует диагностический результат слияния данных между наборами данных приводного конца и конца вентилятора, которые отличаются от наборов данных, используемых в экспериментах в этом исследовании. Напротив, наборы данных, используемые OFNN-DE, такие же, как наборы данных, использованные в экспериментах в этом исследовании. Кроме того, точность диагностики OFNN несколько ниже, чем у метода, использованного в этом исследовании. Для честного сравнения мы принимаем точность, указанную другими авторами, с такими же настройками или проводим эксперименты с использованием исходного кода, предоставленного авторами. Всего проводится 10 экспериментов для каждого сценария переноса домена, чтобы уменьшить влияние случайных факторов. Экспериментальные результаты шести сценариев доменов показаны на рисунке 3. В сценариях сдвига домена A B , A ⟶ C , B ⟶ C и C ⟶ B точность тестирования каждого сценария достигает 100%. В сценариях сдвига домена C ⟶ A и B ⟶ A точность испытаний превышает 97.6% и 97,2% соответственно. Эти результаты показывают, что производительность предложенного метода по адаптации предметной области является замечательной и стабильной. Сравнение с другими подходами показано на рисунке 4. Средняя производительность CACD-1DCNN лучше, чем у A2CNN и шести других базовых методов. CACD-1DCNN также обеспечивает самую современную среднюю точность адаптации домена во всех сценариях передачи домена. Как показано на рисунке 4, производительность SVM, MLP и DNN при адаптации домена низкая, средняя точность составляет 66.63%, 80,40% и 78,05% в шести сценариях соответственно. Эти результаты предполагают, что распределение выборки различается в разных условиях, и модель, обученная в одном рабочем состоянии, не подходит для диагностики неисправностей в другом состоянии. По сравнению с недавними подходами, такими как OFNN-DE и A2CNN, наш метод достигает средней точности 99,47%, что выше, чем у OFNN-DE и A2CNN со средней точностью 98,73% и 99,21% соответственно. Этот результат показывает, что функции, изученные с помощью предлагаемого метода, имеют лучшую инвариантность домена и распознавание ошибок, чем функции, полученные с помощью других методов. В пяти сменах из шести, то есть A ⟶ B , A ⟶ C , B ⟶ C , C ⟶ B и C ⟶ ⟶ A , точность диагностики неисправностей предлагаемого метода достигает самых современных характеристик адаптации домена и достигает 100% в первые четыре сдвига домена. В сценарии переноса домена B ⟶ A точность предложенного метода составляет 98%, что соответственно равно 0.На 18% и 0,5% ниже, чем у методов A2CNN и OFNN-DE, и намного лучше, чем точность методов SVM, MLP, DNN и WDCNN. На основе этого CACD-1DCNN может хорошо изучать доменно-инвариантные и распознающие неисправности функции и эффективно решать проблему адаптации домена, вызванную различными нагрузками несущих данных. Взяв сценарии сдвига домена C ⟶ B , C ⟶ A и B ⟶ A в качестве примеров, для модели CACD-1DCNN мы сравниваем тестовую точность цели область под четырьмя функциями потерь,, и (для простоты коэффициенты каждой функции потерь опущены), как представлено в таблице 3.Аналогичны результаты других смен. Мы наблюдаем, что целевая точность теста хуже с функцией потерь, потому что между исходным и целевым доменами не применяется адаптивная стратегия. Целевая точность тестирования находится на среднем уровне с функциями потерь и, а целевая точность тестирования является наивысшей с функцией потерь. Следовательно, в случае и характеристики классификации модели сравнимы, и только при совместном контроле трех функций потерь предложенная модель может достичь наилучших характеристик. Потери Сдвиги домена C ⟶ B C ⟶10 A 9065 0,948 0,916 0,96 0,941 1 0,972 0.976 0,983 1 0,976 0,972 0,983 1 0,988 0,98 0,98 подтвердите, что (1) CACD-1DCNN эффективен в заполнении пробела в домене и (2) добавлен на основе, то есть путем комбинирования выравнивания домена и обучения отличительным признакам, предложенная модель гарантирует, что доменно-инвариантные признаки являются извлечены с улучшенной компактностью внутри класса и разделимостью между классами.Разрыв между кластерами классов и гиперплоскостью велик, что способствует правильной классификации целевых выборок вблизи края или вдали от соответствующих центров классов. Кроме того, если взять сценарий сдвига домена C ⟶ A в качестве примера, точность этапов обучения и тестирования в случае совместной потери показана на рисунке 5. Этот подход явно помогает нам достичь улучшенная производительность в целевом домене при сохранении высокой точности классификации в исходном домене. На примере сдвига домена C ⟶ A анализируются потери домена и внутренние потери. Примечательно, что предлагаемая модель принимает значения партии. Хотя пакетные значения не могут полностью представить расстояние между всем исходным и целевым доменами, это практичный и быстрый метод аппроксимации для классификации образцов. Потеря домена по четырем функциям потерь проиллюстрирована на рисунке 6. В случае, когда обучается только исходный домен, представления функций, полученные из исходного домена, вероятно, будут отличаться от целевых функций, поскольку образцы функций целевой области вообще не учитываются при обучении модели.Следовательно, происходит переоснащение, и потеря домена велика. В случае без учета выравнивания домена и только с учетом дискриминантного обучения потеря домена меньше, чем в случае, в диапазоне 0–0,55. Только и сравниваются на Рисунке 7 для ясности. Потеря доменов минимальна, а кривая потери доменов гладкая в случае, указывая на то, что небольшое изменение веса вызывает небольшое изменение расстояния между доменами. Дальнейшая стабильная и точная модель адаптации предметной области может быть получена путем рассмотрения выравнивания предметной области и обучения отличительным признакам. Внутриклассовые потери по четырем функциям потерь проиллюстрированы на рисунке 8. Очевидно, внутриклассовые потери велики в случае, потому что типовые характеристики целевой области не учитываются. Случай занимает второе место. Случаи и малы, предполагая, что дискриминантное обучение может достичь небольшой внутриклассовой потери только при обучении модели совместному выравниванию домена. Сравнение внутриклассовых потерь и показывает, что кривая гладкая в случае, что указывает на то, что модель в этом случае устойчива и разумна. 4.3. Анализ чувствительности неисправности Для каждого типа обнаружения неисправности мы вводим три оценочных индекса, а именно: точность, отзыв и F -Measure, для дальнейшего анализа чувствительности предлагаемого метода CACD-1DCNN. В задаче мультиклассификации диагностики неисправностей для каждой категории неисправности f , точность и отзыв определяются следующим образом: где истинное положительное (TP) представляет собой количество ошибок, правильно идентифицированных как категория неисправности f , ложное положительное (FP) означает количество неисправностей, ошибочно определенных как категория неисправности f , а ложноотрицательный (FN) представляет количество неисправностей c , неправильно обозначенных как не относящиеся к f . F -Мера определяется как эталон для диагностического анализа. Метод расчета F -Measure следующий: F -Measure обозначает геометрическое средневзвешенное значение точности и отзыва, с α в качестве веса. Установка α на 1 означает, что точность так же важна, как и отзыв. Когда α > 1, важна точность; когда α <1, важно помнить. В этом исследовании α установлен на 1; Чем ближе F -Measure к 1, тем лучше будет диагностика неисправностей.Этот метод оценки учитывает точность и отзыв. Наивысшее значение F -Measure равно 1. Показатели Precision, Recall и F -Measure каждого состояния работоспособности в методе сравнения A2CNN и предлагаемом методе CACD-1DCNN представлены в таблице 4, а результаты сравнения других методов похожи. диаметр 007 902 9010 902 100% 2 100 100% 902 902 902 907 % 100% % 93,00% 100% 902 % % % 100% N N 9994 1 1 1 1 9950 907 1 907 A Место сбоя N RF IF OF 0,014 0,021 0,007 0,014 0,021 0,007 0,014 0,021 Ярлыки категорий 0 9050 3 2 9050 2 2 9050 6 7 8 9 Прецизионный 9010 9010 9010 9010 A ⟶ B 100 100% 100% 99.88% 100% 100% 100% 100% 100% 100% A ⟶ C 93.46 100% 9050 100% 100% 100% 100% 100% 100% 100% B ⟶ C 100 100% 100% 100% 100% 100% 100% 100% C ⟶ B 100 10010% 100% 99.01% 100% 100% 100% 100% C ⟶ A 100 90.91% 90.40% 100% 100% 100% 100% B ⟶ A 100 99.88% 100% 100% 100% 100% 100% 100% 100% 100% 100% CACD-1DCNN 902 A ⟶ B 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 90 502 A ⟶ C 100% 100% 100% 100% 100% 100% 100% 10010 10010 B ⟶ C 100% 100% 100% 100% 100% 100% 100% 10010% C ⟶ B 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% C ⟶ A 100% 89% 100% 100% 100% 100% 100% % % 100% 9 0657 B ⟶ A 100% 89% 100% 100% 93% 100% 100% 100% 100% 100% 100% 100% Напомним A2CNN A ⟶ B 100 100% 99.88% 100% 100% 100% 100% 100% 100% 100% A ⟶ C 100 100% 100% 100% 100% 100% 100% 100% B ⟶ C 100 9050% 100% 81.75% 100% 100% 100% 100% 100% 100% C ⟶ B 100 10010% 100% 100% 100% 100% 99,00% 100% C ⟶ A 100 10050% 9050% 79,38% 100% 100% 100% 100% 100% 100% B ⟶ A 100 100% 9050% 99.88% 100% 100% 100% 100% 100% 100% CACD-1DCNN 9010 9050 A ⟶ B 100% 100% 100% 100% 100% 100% 10010% 100% A ⟶ C 100% 100% 100% 100% 100% 100% 10010% 100% B ⟶ C 100% 100% 100% 100% 100% 100% 10010% 100% 100% C ⟶ B 100% 100% 100% 100% 100% 100% % % 100% 100% C ⟶ A 100% 100% 100% 88% 100% 10010% 100% 100% B ⟶ A 100% 100% 100% 80% 100% 10010% 100% 100% F-Measure A ⟶ B 1 1 0,9994 1 1 1 1 1 1 A ⟶ C 0,966102 1 0,966102 1 1 1 1 B ⟶ C 1 0,9478 0,9615 0,899101 0,899101 1 C ⟶ B 1 1 1 1 1 1 1 1 1 C ⟶ A 1 0,9524 0,9496 0,8850 1 1 101 907 1 1 B ⟶ A 1 0,9994 1 0,9994 1 1 1 1 1 1 3 D 1 3 A ⟶ B 1 1 1 902 1 1 1 1 902 1 1 1 A ⟶ C 1 1 1 1 9050 2 1 1 1 1 1 1 B ⟶ C 1 1 1 1 1 1 1 1 1 1 1 C ⟶ B 1 1 1 1 1 1 C ⟶ A 1 0.9434 1 0,9362 1 1 1 1 1 1 B ⟶ A 02 1 0,9615 1 1 1 1 1 Для первого (тело качения) и четвертого (внутренняя дорожка качения) неисправностей, оба из которых имеют неисправности размер 0.007 дюймов, метод CACD-1DCNN имеет низкие значения точности в сценарии сдвига домена B ⟶ A , которые составляют 89% и 93% соответственно. Таким образом, примерно 10% таких предупреждений о сбоях в этом сдвиге домена ненадежны. Для первого типа неисправности Точность предложенного метода в сдвиге области C ⟶ A составляет 89%, что указывает на то, что 11% образцов неправильно классифицированы как эта категория неисправности. В A2CNN мы видим, что при некоторых сдвигах домена, основанных на первом, втором, третьем и пятом типах сбоев и нормальном состоянии, есть некоторые аварийные сигналы сбоев, которые не являются надежными. Для третьего типа разлома размер дефекта тела качения составляет 0,021 дюйма. Значения отзыва для метода CACD-1DCNN в сценариях сдвига домена C ⟶ A и B ⟶ A являются низкими, что составляет 88% и 80% соответственно. То есть 12% этих ошибок не обнаруживаются в сценарии сдвига домена C ⟶ A , тогда как 20% не обнаруживаются при сдвиге домена B ⟶ A . В A2CNN мы видим, что при некоторых сдвигах домена, основанных на втором, третьем и восьмом типах сбоев, есть некоторые необнаруженные сбои. Аналогично, значения F -Measure в сценариях сдвига домена C ⟶ A и B ⟶ A для первого типа сбоя все равны 0,9434. Для третьего типа неисправности значения измерения F в области сдвигов C ⟶ A и B ⟶ A равны 0,9362 и 0,8889 соответственно. F — Измерение сдвига домена B ⟶ A для четвертого типа неисправности равно 0.9615. Все остальные значения F -Measure классов сбоев равны 1. В A2CNN мы можем видеть, что в некоторых доменах сдвиги основаны на первом, втором, третьем и восьмом типах сбоев и нормальном состоянии. , значения измерения F меньше 1. В общем, точность, отзыв и F -Measure CACD-1DCNN выше, чем у A2CNN, что означает, что CACD-1DCNN имеет меньше ложных срабатываний и пропущенных срабатываний. За исключением нескольких третьих типов сбоев в сдвиге домена B ⟶ A , которые неправильно классифицируются на первый и четвертый типы сбоев, и нескольких третьих типов сбоев в смещении домена C ⟶ A , которые неверно классифицируемый как неисправность первого типа, метод CACD-1DCNN делит все категории на правильные классы.Результаты показывают, что после комбинирования выравнивания доменов и обучения отличительным признакам производительность классификации предлагаемого метода значительно улучшается. 4.4. Параметр Чувствительность В этом разделе мы изучаем гиперпараметр α , который является критическим коэффициентом для перекрестной проверки. Высокое значение α может заставить сети изучать упрощенное представление пространственных объектов с низким рангом. Хотя высокое значение может привести к идеально согласованным ковариациям, оно может оказаться бесполезным для классификации.Между тем, небольшой α может быть недостаточным для преодоления сдвига домена. Если взять в качестве примера сдвиг домена C ⟶ A , результаты для α с разными значениями показаны на рисунке 9. β зафиксировано на 0,003. Аналогичные тенденции наблюдаются и в других сценариях передачи домена. Большой диапазон α ( α [10 -1 , 10 4 ]) может быть выбран для получения лучших результатов, чем у лучших базовых методов.Когда значение α больше 10 4 , точность быстро снижается. Дальнейшая проверка эффективности и надежности предложенного метода. При фиксированном α , равном 100, мы учитываем влияние параметра β , который уравновешивает дискриминантные потери для увеличения внутриклассовой компактности и межклассовой дисперсии. Большой β может создавать глубокие отличительные признаки, тогда как маленький β недостаточен для улучшения различения признаков.На рисунке 10 показано изменение точности в сценарии сдвига домена для C ⟶ A , когда β ( β ∈ {0,0003, 0,003, 0,03, 0,3, 1, 10, 20}) принимает разные значения. Когда β очень мало, точность классификации целевой области высока. В это время играет роль потеря согласования корреляции, и производительность классификации модели высока. При увеличении β , когда выравнивание домена идет в ногу с изменением характеристик источника под влиянием дискриминантных потерь, получается модель адаптации домена с высокой точностью.Однако, когда β больше определенного интервала, который в данном случае равен 10, эффективность классификации целевого домена низка. Причина может быть в том, что дискриминантное влияние слишком велико, чтобы превысить скорость выравнивания домена. В этом случае мы можем сделать вывод, что когда берется β (0, 10), точность теста остается высокой. Экспериментальные результаты показывают, что соответствующие параметры компромисса между выравниванием домена и обучением дискриминантной функции в CACD-1DCNN Модель может улучшить производительность адаптации предметной области. 4.5. Сетевые визуализации Для дальнейшего описания эффективности CACD-1DCNN принята технология t-SNE [41] для визуализации представлений признаков предлагаемого подхода на всех сверточных и полносвязных уровнях. Сценарий домена B ⟶ C на рисунке 11 взят в качестве примера. Следует отметить три момента. (1) По мере увеличения количества уровней модели CACD-1DCNN сигналы становятся все более разделяемыми на каждом уровне, что указывает на необходимость глубокой структуры.(2) В третьем и четвертом сверточных слоях происходит явление линейной неразделимости представлений признаков. В полностью связанном слое представления всех разломов линейно разделимы. Следовательно, способность модели к нелинейному выражению возрастает с увеличением количества слоев. (3) Представление признаков сигналов в первом сверточном слое аналогично представлению исходных сигналов и не может показать какой-либо разделимости. В третьем и четвертом сверточных слоях образцы сигнала постепенно обнаруживают разделимость.На полностью связанном слое хорошо различимы разломы. Ниже описывается основная идея предложенной модели для реализации адаптации предметной области. Корреляция данных сначала удаляется, а затем операции записи выполняются на основе информации о целевом домене. 5. Заключение В этой работе мы предлагаем модель CACD-1DCNN для адаптации предметной области диагностики неисправностей подшипника путем комбинирования выравнивания предметной области и обучения отличительным признакам.CACD-1DCNN направлен на извлечение предметно-инвариантных функций с улучшенной внутриклассовой компактностью и межклассовой разделимостью, а также гарантирует высокую производительность классификации в двух доменах. Экспериментальные результаты на наборах данных подшипников CWRU подтверждают превосходство предложенного метода над многими существующими методами. Дальнейшие исследования могут быть сосредоточены на двух аспектах: (1) применение корреляционного выравнивания на нескольких уровнях между двумя доменами параллельно и (2) дальнейшее уменьшение сдвигов доменов в выровненном пространстве признаков за счет других ограничений. Доступность данных Данные, используемые в этом документе, получены из центра данных Bearing при университете Case Western Reserve (CWRU) и на веб-странице: http://csegroups.case.edu/bearingdatacenter/home (по состоянию на октябрь 2015 г.). Конфликт интересов Авторы заявляют об отсутствии конфликта интересов. Вклад авторов Цзин Ань задумал исследование, участвовал в его разработке, проводил эксперименты и написал статью.Пинг Ай разработал методологию и критически проанализировал рукопись на предмет важности интеллектуального содержания. Дакун Лю провел дополнительные эксперименты, включая расчет точности, отзыва и F -измерение методов сравнения и проверку эффективности предложенного метода. Все авторы прочитали и одобрили окончательную рукопись. Благодарности Это исследование было поддержано «Фондом естественных наук высших учебных заведений Цзянсу в Китае» (грант No.18KJB520050), «Фонд естественных наук Китая» (грант № 51805466) и «Фонд естественных наук провинции Цзянсу» (грант № BK20181055). Теория когнитивного развития Пиаже Адаптация — это способность приспосабливаться к новой информации и опыту. Обучение — это, по сути, адаптация к нашей постоянно меняющейся среде. Благодаря адаптации мы можем принять новое поведение, которое позволяет нам справляться с изменениями. В теории когнитивного развития швейцарского психолога и генетического эпистемолога ХХ века Жана Пиаже выделены четыре стадии, через которые проходят дети.Эти этапы включают сенсомоторную (от 0 до 2 лет), предоперационную (от 2 до 7 лет), конкретную операционную (от 7 до 12 лет) и формальную операционную (от 12 лет и старше) — тем не менее, возраст, в котором началась каждая стадия, мог отличаться. Согласно теории Пиаже, адаптация была одним из важных процессов, управляющих когнитивным развитием. Сам процесс адаптации может происходить двумя способами: через ассимиляцию и аккомодацию. Схемы и обучение Пиаже Схемы — это когнитивные или ментальные структуры, сформированные на основе прошлого опыта.Эта концепция была изобретена в 1932 году Фредериком Бартлеттом, и Пиаже включил этот термин в свою теорию когнитивного развития. Люди используют эти ментальные категории для информации, которая помогает понять окружающий их мир. Схемы влияют на формирование восприятия новой информации и упрощают ее организацию. Таким образом, схемы могут играть важную роль в обучении. Примером того, как схема будет работать в реальной жизни, может быть ребенок, увидевший собаку и узнав, что это такое.В следующий раз, когда ребенок увидит собаку, он сможет идентифицировать ее по существующей схеме. Адаптация — это одна из схем, описывающих, как люди изучают и понимают новую информацию. Здесь мы рассмотрим два способа, которыми это может произойти, согласно теории Пиаже, и то, как они связаны непосредственно со схемой, более подробно. Адаптация через ассимиляцию При ассимиляции люди принимают информацию из внешнего мира и преобразовывают ее, чтобы соответствовать своим существующим идеям и концепциям.При обнаружении новой информации ее иногда легко ассимилировать в существующую схему. Думайте об этом как о ментальной базе данных. Когда информация попадает в существующую категорию, ее можно быстро и легко ассимилировать в базе данных. Однако этот процесс не всегда работает идеально, особенно в раннем детстве. Вот один классический пример: представьте, что очень маленький ребенок впервые видит собаку. Если ребенок уже знает, что такое кошка, но не собака, он может подумать, что это кошка.В конце концов, это вписывается в их существующую схему для кошек, поскольку они оба маленькие, пушистые и имеют четыре лапы. Исправление этой ошибки происходит с помощью следующего процесса адаптации, называемого аккомодацией. Адаптация через приспособление В аккомодации люди обрабатывают новую информацию, изменяя свои мысленные представления, чтобы соответствовать этой новой информации. Когда люди сталкиваются с информацией, которая является совершенно новой или бросает вызов их существующим идеям, им часто приходится формировать новую схему, чтобы приспособить информацию или изменить свои существующие ментальные категории. Это очень похоже на попытку добавить информацию в компьютерную базу данных только для того, чтобы обнаружить, что не существует ранее существовавшей категории, которая соответствовала бы данным. Чтобы включить его в базу данных, вам нужно будет создать новое поле или изменить существующее. Неудивительно, что процесс адаптации оказывается намного сложнее, чем процесс ассимиляции. Люди часто сопротивляются изменению своих схем, особенно если это связано с изменением глубоко укоренившихся убеждений. Ребенок из предыдущего примера, который изначально думал, что собака — это кошка, может начать замечать ключевые различия между двумя животными. Один лает, а другой мяукает. Один любит играть, а другой хочет спать весь день. Через некоторое время ребенок приспособится к новой информации, создав новую схему для собак и в то же время изменив существующую схему для кошек. Адаптация в когнитивном развитии Процесс адаптации — важная часть когнитивного развития.Согласно теории Пиаже, именно этот процесс способствует росту на каждой из четырех стадий развития. Схемы продолжают меняться с течением времени по мере того, как люди испытывают новые вещи. Благодаря адаптивным процессам ассимиляции и приспособления люди могут воспринимать новую информацию, формировать новые идеи или изменять существующие, а также принимать новые формы поведения, которые делают их более подготовленными к взаимодействию с окружающим миром. Сестра Каллиста Рой: адаптационная модель сестринского дела Познакомьтесь с биографией сестры Каллисты Рой и адаптационной моделью сестринского дела в этом исследовании Руководство по теории сестринского дела . Биография Каллисты Рой Сестра Каллиста Л. Рой (родилась 14 октября 1939 г.), теоретик медсестер, профессор и писатель. Она известна своей новаторской работой по созданию адаптационной модели сестринского дела. Образование и карьера Каллиста Рой получила степень бакалавра медсестер в колледже Маунт-Сент-Мэри в Лос-Анджелесе в 1963 году и степень магистра медсестер в Калифорнийском университете в 1966 году. После получения степени медсестры Рой начала свое социологическое образование, получив степень магистра социологии в 1973 году и докторскую степень по социологии в 1977 году в Калифорнии. Во время работы над получением степени магистра Рой на семинаре с Дороти Э. Джонсон предложили разработать концептуальную модель сестринского дела. Рой работал педиатрической медсестрой и заметил большую жизнестойкость детей и их способность адаптироваться к серьезным физическим и психологическим изменениям.Впечатленный этой адаптацией, Рой работал над подходящей концептуальной основой для ухода за больными. Она разработала основные концепции модели, когда была аспирантом Калифорнийского университета с 1964 по 1966 год. В 1968 году она приступила к реализации своей модели, когда колледж Маунт-Сент-Мэри принял адаптационные рамки в качестве философской основы учебной программы для медсестер. Рой был адъюнкт-профессором и заведующим кафедрой медсестер в колледже Маунт-Сент-Мэри до 1982 года, а в 1983 году получил звание профессора как в колледже Маунт-Сент-Мэри, так и в Портлендском университете.Она помогла инициировать и преподавала в летней магистерской программе в Портлендском университете. Сестра Каллиста Рой. Фото: Бостонский колледж Она была научным сотрудником Роберта Вуда Джонсона в Калифорнийском университете в Сан-Франциско с 1983 по 1985 год в качестве клинической медсестры в области неврологии. За это время она исследовала вмешательства медсестер для когнитивного восстановления при травмах головы и влияние моделей медсестер на принятие клинических решений. С 1987 года по настоящее время Рой начала работать на недавно созданной должности теоретика-медсестры в Школе медсестер Бостонского колледжа, где она преподает докторантуру, магистратуру и аспирантуру. В 1991 году она основала Бостонское исследование адаптации в обществе медсестер (BBARNS), которое позже будет переименовано в Ассоциацию адаптации Роя. Другая научная работа Роя включает концептуализацию и измерение процесса совладания и разработку философской основы для модели адаптации и эпистемологии медсестер. Рой принадлежит сестрам святого Иосифа Каронделетского. Адаптационная модель сестринского дела Адаптационная модель сестринского дела Каллисты Рой была разработана сестрой Каллистой Рой в 1976 году.Известная теория сестринского дела направлена ​​на объяснение или определение предоставления сестринского дела. Согласно ее теории, модель Роя рассматривает человека как набор взаимосвязанных систем, которые поддерживают баланс между этими различными стимулами. Адаптивная модель сестринского дела обсуждается ниже. Завод Модель адаптации Роя (3-е издание) Старшая Каллиста Рой опубликовала множество публикаций, включая книги и журнальные статьи, по теории медсестер и другим профессиональным темам. Ее произведения переведены на многие языки мира. Рой и ее коллеги из Roy Adaptation Association подвергли критике и синтезировали первые 350 исследовательских проектов, опубликованных на английском языке, на основе ее адаптационной модели. Ее самая известная работа посвящена адаптационной модели ухода Роя. Опубликованные работы Рой С.С. (2014). Создание теории среднего уровня: от доказательств к практике. Нью-Йорк, штат Нью-Йорк: Спрингер. Рой, С.С., и Харрингтон, А. (2013). Исследование на основе адаптационной модели Роя: глобальный взгляд.Создание теории среднего диапазона: от доказательств к практике (стр. 355-365). Нью-Йорк, штат Нью-Йорк: Спрингер. Рой, С. С. (2013). С точки зрения американского медсестры-теоретика на человека и на благо общества: доктор Каллиста Рой (стр. 3), Кристина Монфорте, RN, MSN, доктор философии (ред.), Каталония: Международный университет Каталонии (UIC). Рой, С.С., Бароне, С.Х. (2013). Педагогические материалы для создания теорий среднего уровня: доказательства для практики. В С.К. Рой (ред.). Создание теории среднего диапазона: от доказательств к практике.Нью-Йорк, штат Нью-Йорк: Спрингер. Рой, С. К. (2011). Исследования, основанные на модели адаптации Роя: последние 25 лет. Ежеквартальное издание «Медсестринское дело», 24 (4), 312-320. Рой, С. К. (2011). Расширение модели адаптации Роя для удовлетворения меняющихся глобальных потребностей. Ежеквартальное издание «Медсестринское дело», 24 (4), 345-351. Сенесак П. М., Рой С. С. (2010). Модель адаптации сестры Каллисты Рой, В книге М. Паркер и М. Смит (ред.), Теории сестринского дела и практика сестринского дела (изд., Стр. 40-страничная рукопись). Филадельфия, Пенсильвания: F.А. Дэвис. Джонс, Д. А., Рой, С. С., К. А. (2013). Марджори Гордон Живая легенда. NANDA — Международный журнал сестринской терминологии и классификации, 21 (2), 2. Маккарри, М.С., Хантер Ревелл, С., и Рой, К. (2010). Знания на благо человека и общества: объединение философии, дисциплинарных целей, теории и практики. Философия сестринского дела, 11 (1), 42-52. Рой, К. (2009). Модель адаптации Роя, 3-е издание. Река Аппер Сэдл, штат Нью-Джерси: Prentice-Hall Health. Бароне С., Рой К. и Фредериксон К. (2008). Инструменты, использованные в исследовании, основанном на модели адаптации Роя: обзор, критика и дальнейшие направления. Ежеквартально по сестринскому делу. 21 (4), 353-362. Рой, К. (2007). Обновление из будущего: размышления о теоретике Каллисте Рой. Ежеквартальное издание «Медсестринское дело», 20 (2), 113-116. Рой, старший К. и Джонс, Д. (редакторы). (2007). Развитие медсестринских знаний и клиническая практика. Нью-Йорк, штат Нью-Йорк: Спрингер. Джонс, Д.А., Рой, К.А., и Авант, К. (2010). Марджори Гордон, живая легенда. НАДА — Международный журнал терминологии и классификации сестринского дела, 21 (2), 80-81. Рой, К. (2010). Оценка и модель адаптации Роя. (М. Ито, Пер.). Журнал Японского общества сестринской диагностики, 15 (1), 35-41. Рой, С.С., и Доулатшахи, М. (2010). Вперед. В глоссарии концепций сестринского дела и теорий сестринского дела (стр. 2-3). Тегеран, Иран: Издательский центр медицинских наук. Рой, С.К., Жан, Л. (2010). Модель адаптации сестры Каллисты Рой и ее применение. В М. Паркер и М. Смит (ред.), Теории сестринского дела и практика сестринского дела, 3-е издание (стр. 167-181). Филадельфия, Пенсильвания: Ф.А. Дэвис. Рой, К. (2010). Сестринская практика и исследования, основанные на адаптационной модели Роя. Вестник колледжа Святой Марии, 5-13. Рой, К. (2010). Мысли теоретика. Обзор адаптации Роя, 13 (1), 5. Рой, К. (2009). Вперед. В Дж. Катлиффе, К.Гиркас и Х. Маккенна (ред.), Модели медсестер: применение на практике. Лондон. Великобритания: Quay Books. Рой, К., и Солодюк, Дж. (2009). Глобальная конференция медсестер, сфокусированная на знаниях на благо людей и общества с размышлениями доктора философии. студенты. Информационный бюллетень Международной сети докторантуры по сестринскому делу (INDEN), 8 (1), 5-6. Рой, К., Ветселл, М.В., и Фредериксон, К. (2009). Модель адаптации Роя и исследования: глобальная перспектива. Ежеквартальное издание «Медсестринское дело», 22 (3), 209-211. Рой, К. (2009). Мысли теоретика. Nursing Science Quarterly, 12 (1), 4. Рой, К. (2009). Оценка и модель адаптации Роя. Японский журнал медсестер, 29 (11), 5-7. Рой, К. (2008). Проблемы и теория: общая картина. Ежеквартально по сестринскому делу. 21 (2), 138-139. О’Коннор, А. и Рой, К. (2008). Выбросы электростанций и здоровье населения. Американский журнал медсестер. 108 (2), 62-70. Маги, Т. и Рой, К.(2008). Прогнозирование поведенческих проблем школьного возраста: роль факторов риска в раннем детстве. Педиатрический уход, 34 (1), 37-43. Уиллис Д., Грейс П. и Рой К. (2008). Главный объединяющий центр дисциплины: содействие гуманизации, значению, выбору, качеству жизни и умиранию. Достижения в области сестринского дела. (31) 1. только онлайн: www.advancesinnursingscience.com Чайпут П. и Рой К. (2007). Психометрическое тестирование тайской версии шкалы обработки совладания и адаптации — краткой формы (TCAPS-SF).Тайский журнал Совета медсестер, 22 (3), 29-39. Рой, К. (2007). Обновление из будущего: размышления о теоретике Каллисте Рой. Ежеквартальное издание «Медсестринское дело», 20 (2), 113-116. Рой, К. (2007). Модель адаптации Роя: исторические и философские основы. У Марии Элизы Морено и др. (Ред.) Приложение Del Model Adaptacion en el Ciclo Vital Humano, 2-е издание. Чиа, Колумбия: Университет Ла Сабана. Рой, К. (2007). Фундаментальная история и философия модели адаптации Роя.В Guitierrez, M. DC (Ed.) Adaptacion y Cuidado en el ser Humano: Una Vision de Enfermeria. Богота: от редакции El Manual Moderno, Universidad de la Sabana, 1-12. Рой К. и Линдендолл Н. (2006). Определение международного консенсуса по наставничеству в докторантуре. Журнал исследований в области сестринского дела, 11 (4), 345-353. Morgillo-Freeman, S. & Roy, C. (2005). Когнитивно-поведенческая терапия и модель адаптации Роя: обсуждение теоретической интеграции. В S.M. Фриман и А.Фриман (ред.), Когнитивно-поведенческая терапия в сестринской практике. Нью-Йорк: Springer Publishing Company, 3-27. Рой, К. и Грей, М. (2005). Роль супервайзера / наставника. В Ketefian, S. & McKenna, H.P. (Ред.). Докторантура в области сестринского дела с международными перспективами. Нью-Йорк: Рутледж. Рой, К. (2003). Размышления об исследованиях в области сестринского дела и адаптационной модели Роя. Японский журнал Igaju-syoin, 36 (1), 7-11. Whittemore, R. & Roy, C. (2002). Адаптация к сахарному диабету: синтез теории.Ежеквартальный вестник медсестер, 15 (4), 311-317. Награды и почести Старшая Каллиста Рой получила множество наград за свою работу и вклад в профессию медсестры. В 2007 году Американская академия медсестер и Ассоциация зарегистрированных медсестер Массачусетса присвоили Рою « Living Legend ». Рой также является членом Sigma Theta Tau, и в 1981 году она получила Национальную премию учредителя за выдающиеся достижения в области внедрения профессиональных стандартов сестринского дела. Среди ее достижений — почетная докторская степень в колледже Алверно в 1984 году, почетная докторская степень в Университете Восточного Мичигана (1985 год) и в основном в колледже Св. Джозефа (1999 год). Она также получила награду American Journal of Nursing Book of the Year за Roy Adaptation Model Essentials . Вот еще ее награды и награды: 2013 — Премия выдающегося выпускника, епископ Конати / средняя школа Девы Марии Лоретто 2013 — почетная докторская степень, Университет Святого Семейства 2013 — Премия выпускников за профессиональные достижения, UCLA 2013 — Отличник медсестер, Университет Антиокии, Медельин, Колумбия, 2011 — Ежеквартальный специальный выпуск «Медсестринское дело», посвященный работе Каллисты Рой, Vol.24, Чис. 4 октября 2011 г. 2011 — Награда за образец плаката старшему научному сотруднику факультета, Центр исследований в области медсестер Ивонн Л. Манн и Комитет по медсестринским исследованиям, Массачусетская больница общего профиля 2011 — Премия Sigma Mentor Award, Sigma Theta Tau International Alpha Chi Глава 2010 — Картинная галерея теоретиков Университета Южной Алабамы, Университет Алабамы 2010 — введен в Зал славы медсестер-исследователей, первый класс, Sigma Theta Tau International, Honor Society of Nursing 2010 — «Шестьдесят тех, кто изменил мир», Школа медсестер Калифорнийского университета в Лос-Анджелесе, 6-я годовщина 2010 — Призывник, Зал славы международных медсестер-исследователей Sigma Theta Tau 2007 — Премия Американской академии медсестер Living Legend Адаптационная модель сестринского дела Каллисты Рой Адаптационная модель сестринского дела — это выдающаяся теория сестринского дела, цель которой объяснить или дать определение положениям сестринской науки.Согласно ее теории, модель сестры Каллисты Рой рассматривает человека как набор взаимосвязанных систем, которые поддерживают баланс между различными стимулами. Модель адаптации Роя была впервые представлена ​​в литературе в статье, опубликованной в журнале Nursing Outlook в 1970 г. и озаглавленной «Адаптация: концептуальные основы сестринского дела». В том же году адаптационная модель сестринского дела Роя была адаптирована в школе Маунт-Сент-Мэри в Лос-Анджелесе, Калифорния. Модель Роя была задумана, когда теоретик сестринского дела Дороти Джонсон предложила своим ученикам разработать концептуальные модели медсестер во время семинара.Модель сестринского дела Джонсона послужила толчком для разработки модели адаптации Роя. Модель Роя включала концепции теории восприятия на уровне адаптации известного американского физиологического психолога Гарри Хельсона, Системную модель Людвига фон Берталанфи и системное определение Анатоля Рапопорта. Сначала рассмотрим концепцию системы применительно к человеку. Рой рассматривает человека в целостной перспективе. Отдельные аспекты частей действуют вместе, образуя единое существо.Кроме того, как живые системы люди находятся в постоянном взаимодействии со своим окружением. Между системой и окружающей средой происходит обмен информацией, материей и энергией. Характеристики системы включают входы, выходы, элементы управления и обратную связь. Допущения Научные предположения Системы материи и энергии продвигаются к более высоким уровням сложной самоорганизации. Сознание и смысл конструктивны для интеграции человека и окружающей среды. Осознание себя и окружающей среды коренится в мышлении и чувствах. Люди своими решениями несут ответственность за интеграцию творческих процессов. Мышление и чувство опосредуют действия человека. Системные отношения включают принятие, защиту и поощрение взаимозависимости. Люди и земля имеют общие закономерности и неразрывные отношения. Преобразования человека и окружающей среды создаются в сознании человека. Интеграция смыслов человека и окружающей среды приводит к адаптации. Философские предположения Люди имеют взаимоотношения с миром и Богом. Человеческий смысл уходит корнями в конвергенцию омега-точки вселенной. Бог глубоко раскрывается в разнообразии творения и является общей судьбой творения. Люди используют человеческие творческие способности осознания, просвещения и веры. Люди несут ответственность за процессы создания, поддержания и преобразования Вселенной. Основные концепции адаптационной модели Ниже приведены основные концепции модели адаптации Каллисты Рой, включая определение метапарадигмы медсестер, как это определено теорией. Человек «Человеческие системы обладают способностями к мышлению и чувствам, основанными на сознании и значении, благодаря которым они эффективно приспосабливаются к изменениям в окружающей среде и, в свою очередь, влияют на окружающую среду». Согласно Рою, люди — целостные существа, которые находятся в постоянном взаимодействии со своим окружением.Люди используют систему адаптации, как врожденную, так и приобретенную, чтобы реагировать на раздражители окружающей среды, которые они испытывают. Человеческие системы могут быть отдельными людьми или группами, такими как семьи, организации и все глобальное сообщество. Окружающая среда «Условия, обстоятельства и влияния, окружающие и влияющие на развитие и поведение людей или групп, с особым учетом взаимности человека и ресурсов здоровья, включая фокусные, контекстные и остаточные стимулы.” Окружающая среда определяется как условия, обстоятельства и влияния, которые влияют на развитие и поведение человека как адаптивной системы. Окружающая среда — это стимул или вход, который требует от человека адаптации. Эти стимулы могут быть положительными или отрицательными. Рой разделил эти стимулы на фокальные, контекстные и остаточные. Фокусные стимулы — это те, которые противостоят системе человека и требуют наибольшего внимания. Контекстные стимулы характеризуются как остальные стимулы, присутствующие вместе с фокусными стимулами и способствующие их действию. Остаточные стимулы — это дополнительные факторы окружающей среды, присутствующие в ситуации, но эффект которых неясен. Это может включать предыдущий опыт использования определенных стимулов. Здоровье «Здоровье — это не свобода от неизбежности смерти, болезней, несчастий и стрессов, а способность грамотно с ними справиться». Здоровье определяется как состояние, в котором люди могут постоянно адаптироваться к раздражителям. Поскольку болезнь — это часть жизни, здоровье является результатом процесса, в котором здоровье и болезнь могут сосуществовать.Если человек сможет продолжать целостную адаптацию, он сохранит здоровье, чтобы достичь полноты и единства внутри себя. Если они не могут соответствующим образом адаптироваться, это может отрицательно сказаться на целостности человека. Сестринское дело «[Целью ухода является] содействие адаптации отдельных лиц и групп в каждом из четырех адаптивных режимов, тем самым способствуя здоровью, качеству жизни и достойной смерти». В модели адаптации медсестры являются помощниками в адаптации.Они оценивают поведение пациента для адаптации, способствуют положительной адаптации, улучшая взаимодействие с окружающей средой и помогая пациентам положительно реагировать на стимулы. Медсестры устраняют неэффективные механизмы выживания и в конечном итоге приводят к лучшим результатам. Адаптация Адаптация — это «процесс и результат, посредством которого думающие и чувствующие люди как отдельные лица или группы используют сознательное понимание и выбор для создания интеграции человека и окружающей среды». Внутренние процессы Регулятор Подсистема регулятора — это физиологический механизм выживания человека.Организм пытается адаптироваться через регуляцию наших телесных процессов, включая нейрохимическую и эндокринную системы. Cognator Подсистема когнитора — это психический механизм преодоления трудностей человека. Человек использует свой мозг, чтобы справиться с ситуацией через адаптивные режимы самооценки, взаимозависимости и ролевой функции. Четыре адаптивных режима Схематическое изображение адаптивных систем человека Роя. Нажмите, чтобы увеличить. Четыре адаптивных режима подсистемы — это то, как проявляются механизмы регулятора и когнитора; Другими словами, они являются внешними проявлениями вышеупомянутых и внутренних процессов. Физиолого-физический режим Физические и химические процессы вовлечены в функции и деятельность живых организмов. Это реальные процессы, запускаемые подсистемой регулятора. Основная потребность этого режима состоит из потребностей, связанных с оксигенацией, питанием, элиминацией, активностью и отдыхом, а также защитой. Сложные процессы этой модели связаны с органами чувств, жидкостями и электролитами, неврологической и эндокринной функцией. Режим групповой идентичности с самооценкой В этом режиме цель совладания с ситуацией — обрести чувство единства, то есть целеустремленность во вселенной, и чувство целостности личности. Это включает в себя образ тела и собственные идеалы. Ролевой режим В этом режиме основное внимание уделяется первичным, вторичным и высшим ролям, которые человек занимает в обществе, и знанию своего положения как члена общества. Режим взаимозависимости Этот режим направлен на достижение целостности в отношениях через дарение и получение любви, уважения и ценности.Это достигается за счет эффективного общения и отношений. Уровни адаптации Интегрированный процесс Различные режимы и подсистемы соответствуют потребностям среды. Обычно это стабильные процессы (например, дыхание, духовная реализация, успешные отношения). Компенсационный процесс Познающий и регулирующий орган сталкиваются с проблемами в связи с потребностями окружающей среды, но работают над их удовлетворением (например,г., горе, выход на новую работу, компенсаторное дыхание). Взломанный процесс Режимы и подсистемы не соответствуют требованиям окружающей среды (например, гипоксия, неразрешенная потеря, жестокие отношения). Шестиступенчатый процесс сестринского дела Роль медсестры в модели адаптации состоит в том, чтобы манипулировать стимулами, удаляя, уменьшая, увеличивая или изменяя стимулы для пациента. Оцените поведение, проявленное в четырех адаптивных режимах. Оцените стимулы, классифицируйте их как фокусные, контекстные или остаточные. Сделайте заявление или медсестринский диагноз об адаптивном состоянии человека. Поставьте цель способствовать адаптации. Осуществляйте вмешательства, направленные на управление раздражителями. Оцените, достигнута ли адаптивная цель. Анализ В качестве одного из слабых мест теории, что ее применение требует времени, применение модели к чрезвычайным ситуациям, требующим быстрых действий, является трудным для завершения, человек мог бы завершить весь процесс адаптации без преимущества проведения полной оценки для тщательного ухода. вмешательства. Адаптивные ответы могут различаться у каждого человека и могут занимать больше времени по сравнению с другими. Таким образом, контроль медсестер может быть затруднен к моменту выписки пациента. В отличие от Левина, хотя последний занимался адаптацией, Рой сосредоточился на самой адаптивной системе в целом. Каждая концепция была связана с механизмами выживания каждого человека в процессе адаптации. Когда человек демонстрирует неэффективную реакцию в процессе адаптации, роли медсестер четко не обсуждаются.Суть концепции заключалась в том, чтобы способствовать адаптации, но ничего не говорилось о предотвращении и устранении дезадаптации. Сильные стороны адаптационной модели Роя Модель адаптации Каллисты Рой предполагает влияние множества причин в ситуации, что является сильной стороной при общении с многогранными людьми. Последовательность концепций в модели Роя следует логически. В представлении каждой из ключевых концепций постоянно повторяется идея адаптации для сохранения целостности.Каждая концепция была определена оперативно. Концепции модели Роя изложены относительно просто. Основным преимуществом модели является то, что она помогает медсестрам использовать навыки наблюдения и проведения собеседований при проведении индивидуальной оценки каждого человека. Концепции модели Роя применимы во многих медицинских учреждениях. Слабые стороны Кропотливое применение модели требует значительных затрат времени и усилий. Модель Роя состоит из множества элементов, систем, структур и множества концепций. См. Также Вам также могут понравиться следующие руководства по теории сестринского дела: Список литературы Уиллс М. Эвелин, МакИвен Мелани (2002). Теоретические основы сестринского дела. Филадельфия. Липпинкотт Уильямс и Уилкинс. Эндрю, Х.А. и Рой, К. (1991). Обзор физиологического режима. В Джордж, Дж. (Ред.). Теории сестринского дела: основа профессиональной сестринской практики. Норуолк, Коннектикут: Appleton & Lange. Рой, К. и Маклеод, Д. (1981) Теория личности как адаптивная система. В Джордж, Дж. (Ред.). Теории сестринского дела: основа профессиональной сестринской практики. Норуолк, Коннектикут: Appleton & Lange. Рой, К. и Адрюс, Х.А. (1999). Модель адаптации Роя (2-е изд.). В McEwen, M. и Wills, E. (Ed.). Теоретические основы сестринского дела. США: Липпинкотт Уильямс и Уилкинс. Внешние ссылки При участии Уэйна Г., Рамиреса К., Веры М. кот | Породы и факты «Кошачий образец», установленный на очень раннем этапе эволюции современных млекопитающих, оказался успешным: ранние кошки уже были типичными по форме в то время, когда предки большинства других современных типов млекопитающих были едва различимы. Впервые они появились в эпоху раннего плиоцена (5.3–3,6 миллиона лет назад), и они продолжались с удивительно небольшими изменениями до наших дней. Хотя происхождение домашней кошки скрыто в древности, исследования митохондриальной ДНК (мтДНК) предполагают, что было две линии происхождения Felis catus . Одна линия ( F. silvestris silvestris ) появилась в Малой Азии, вероятно, еще 6400 лет назад и распространилась на север и запад в Европу. Другая линия появилась в Египте где-то между 6400 и 1000 лет назад, прежде чем распространилась по Средиземному морю (возможно, благодаря человеческому проникновению) по тропам, которые проходили параллельно торговым путям региона.Кошки обеих линий продолжали размножаться с африканской дикой кошкой ( F. silvestris lybica ) во время их соответствующих расселений. Получите подписку Britannica Premium и получите доступ к эксклюзивному контенту. Подпишитесь сейчас Самая ранняя известная ассоциация между кошками и людьми, возможно, восходит к возникновению сельского хозяйства на Ближнем Востоке, около 9500 лет назад. Скелет кошки того времени был обнаружен на юге Кипра. Хотя некоторые источники отмечают, что это открытие предполагает, что кошки подверглись некоторой степени одомашнивания в этом месте, другие источники (со ссылкой на доказательства того, что геном кошки не сильно отличался от генома африканской дикой кошки в этот период) утверждают, что кошки могли быть одомашнены. сами, решив жить в измененных человеком ландшафтах.Ископаемые останки, обнаруженные в Китае примерно 5300 лет назад, показали, что кошки, похожие по размеру на современных домашних кошек, питались в сельскохозяйственных условиях мелкими животными, питающимися зерном, такими как грызуны и просо. Хотя исследования показывают, что на самом деле эти кошки были леопардовыми кошками ( Prionailurus bengalensis ), которые были заменены современными домашними кошками ( F. catus ) до 3000 г. до н. хранилища зерна и, возможно, кормили кошек или позволяли им есть остатки пищи. Хотя кошка была провозглашена священным животным в Египте во времена 5-й и 6-й династий (около 2465–2150 гг. До н. Э.), В то время ее не обязательно приручили. Вероятно, древние египтяне стали партнерами кошки, потому что осознали ее ценность в защите житниц от грызунов. Их привязанность и уважение к этому хищнику привели к развитию религиозных культов кошек и храмового поклонения кошкам. Однако достоверных записей об одомашнивании ранее 1500 г. до н. Э. Кошки давно известны другим культурам. Настенная плитка на Крите 1600 г. до н.э. изображает охотящихся кошек. Свидетельства из искусства и литературы указывают на то, что кошка обитала в Греции с V века до нашей эры, а плитки с изображением кошек появились в Китае с 500 года до нашей эры. В Индии кошки упоминались в санскритских писаниях около 100 г. до н. Э., В то время как арабы и японцы не были знакомы с кошками примерно до 600 г. до н. Э. Самые ранние записи о кошках в Британии относятся к 936 году нашей эры, когда Хауэл Дда, принц южно-центрального Уэльса, издал законы для их защиты. Несмотря на то, что все кошки похожи внешне, трудно проследить происхождение отдельных пород. Поскольку на рисунках и на мумиях древнеегипетских кошек встречаются табби-метки, современные табби могут быть потомками священных кошек Египта. Абиссинец также напоминает изображения и статуи египетских кошек. Персы, окраска которых часто совпадает с окраской смешанных пород (хотя длина шерсти и телосложение различны), вероятно, в разное время скрещивались с другими породами.Бесхвостый кот Манкс, как и лысый сфинкс, и кудрявый девон-рекс, представляют собой мутацию. Предки персидских и сиамских кошек могут отличаться от предков других домашних пород, что представляет собой одомашнивание азиатской дикой кошки. Фактически, ничего не известно о происхождении сиамских типов, и нет ни одного живого вида азиатской кошки, который мог бы служить предком. Связь с человеческой культурой Кошка издавна играла роль в религии и колдовстве.В Библии «кошка» упоминается только в апокрифическом письме Иеремии. Кошка занимала видное место в религиях Египта, скандинавских стран и различных частей Азии. У египтян была богиня с головой кошки по имени Баст (или Бастет). Тысячи кошачьих мумий были обнаружены в Египте, и были даже мышиные мумии, предположительно для того, чтобы кормить кошек. Часто кошка ассоциируется с колдовством и колдовством, а суеверий относительно кошек бесчисленное множество. На протяжении веков кошки подвергались более жестокому обращению, чем, возможно, любое другое животное.В частности, черные кошки долгое время считались обладающими оккультными способностями и фамильярами ведьм. Статуя Бастет Статуя египетской кошки, представляющая богиню Бастет. © Kathleen R Grilley / Fotolia Кошка часто встречается в детских стихотворениях, рассказах и пословицах. Английская легенда о Дике Уиттингтоне и его коте особенно любима. Писатели Теофиль Готье и Шарль Бодлер воздавали ему должное, а в 20-м веке Редьярд Киплинг, Колетт и Т.С. Элиот писал о кошках, а британский композитор сэр Эндрю Ллойд Уэббер создал популярную сценическую постановку « Кошки ». Дик Уиттингтон и его кот Предполагаемый портрет Дика Уиттингтона и его кота, гравюра Ренольда (Ренье) Эльстраке, начало 17 века. Предоставлено попечителями Британского музея; фотография, JR Freeman & Co. Ltd. Телемедицина во время COVID-19: преимущества, ограничения, трудности, адаптация Поскольку вирус COVID-19 наносит ущерб системе здравоохранения, телемедицина становится все более популярной и помогает поставщикам медицинских услуг организации и лица, обеспечивающие уход, лучше реагируют на потребности американцев, заразившихся вирусом, и американцев, которым необходимо связаться со своими поставщиками по поводу состояния своего здоровья. Телемедицина вносит очень положительный вклад в здравоохранение во время пандемии и используется по-разному. Но технологии телездравоохранения имеют определенные ограничения, когда речь идет о лечении пациентов во время пандемии. Кроме того, существует вероятность того, что телемедицина усугубит загруженность больниц, если ее не использовать должным образом. Но больницы учатся адаптироваться к телездравоохранению во время пандемии. Как телемедицина используется в контексте COVID-19 Во время этой глобальной пандемии телездравоохранение превращается в эффективное и устойчивое решение для мер предосторожности, профилактики и лечения, призванных остановить распространение COVID-19. Telehealth сокращает разрыв между людьми, врачами и системами здравоохранения, позволяя всем, особенно пациентам с симптомами, оставаться дома и общаться с врачами через виртуальные каналы, помогая уменьшить распространение вируса среди массовых групп населения и медицинского персонала в больнице. — сказал Деди Гилад, генеральный директор и соучредитель Tyto Care, компании, занимающейся телемедицинскими технологиями. Он добавил, что больницы быстро внедряют телездравоохранение для лечения пациентов, находящихся на карантине, инфицированных COVID-19. «Развертывая решения и программы телемедицины, люди, страдающие другими заболеваниями в это время, могут получать помощь из дома, не входя в медицинские учреждения, что сводит к минимуму риск заражения вирусом». Деди Гилад, Tyto Care «Кроме того, CDC призывает общественность и медицинский персонал использовать решения телемедицины для несрочной связи, чтобы снизить нагрузку на отделения неотложной помощи и клиники», — пояснил он.«Развертывая решения и программы телемедицины, люди, страдающие от других заболеваний в это время, могут получать помощь из дома, не входя в медицинские учреждения, что сводит к минимуму риск заражения вирусом». Телемедицина широко используется для «предварительной сортировки» пациентов задолго до их прибытия в клиники первичной медико-санитарной помощи, сказал д-р Сиав Тунг Йенг, основатель и генеральный директор MaNaDr, компании, занимающейся телемедицинскими технологиями и услугами. Минимизация риска для медицинских работников «Врачи первичной медико-санитарной помощи неустанно работают на передовой в эпицентре деятельности», — сказал он.«С помощью MaNaDr мы можем разделить пациентов на группы риска и не входящие в группу риска. Затем можно принять соответствующие меры для минимизации рисков для медицинских работников и пациентов. Затем можно предпринять правильные действия в отношении пациентов, прошедших предварительное обследование, что сэкономит драгоценное время и сведет к минимуму риски передачи инфекции для всех ». Многие хронические пациенты могут назначить телеконсультации на дому, чтобы избежать личных посещений клиники и, следовательно, минимизировать риск заражения COVID-19, добавил он. «За многими визитами в клинику с легкой острой респираторной инфекцией можно очень внимательно следить, почти ежедневно». Д-р Сиав Тунг Йенг, MaNaDr «Хронические лекарства могут быть доставлены к ним домой», — отметил Йенг. «Кроме того, многие посещения клиники с легкой острой респираторной инфекцией можно отслеживать очень внимательно, почти ежедневно. Если в их клиническом состоянии произойдут какие-либо изменения, можно немедленно принять соответствующие меры.Телемедицина обеспечивает пациентам круглосуточную связь с поставщиками медицинских услуг в режиме 24/7. Это дает большой комфорт и уверенность пациентам в эти тяжелые времена ». Всплеск телездравоохранения Доктор Джейсон Хэллок, главный медицинский директор SOC Telemed, поставщика телемедицинских технологий и услуг, сообщает, что в сфере здравоохранения наблюдается рост числа поставщиков телемедицины, работающих напрямую с потребителями, которые работают в больших масштабах, помогая оказывать помощь пациентам, которым, возможно, интересно если им нужна помощь после проявления потенциальных симптомов, связанных с новым коронавирусом. «Одновременно мы также наблюдаем быстро растущую потребность в неотложной помощи по требованию с помощью телемедицины», — сказал он. «Это включает в себя программы интенсивной терапии для наиболее тяжелых пациентов. Тем не менее, телетрансляция стремительно растет с точки зрения количества вариантов использования, которые включают определение того, когда пациент приходит в отделение неотложной помощи, нужно ли ему предоставить койку или их можно увидеть в другом месте в больнице, чтобы обеспечить безопасность пациента и снизить потенциальное воздействие.” Это помогает ограничить подверженность поставщиков вирусу и другим инфекционным заболеваниям. «Как мы знаем, если работник больницы подвергнется облучению без надлежащей защиты, он будет помещен в карантин на 14 дней», — отметил он. «Использование экстренной телемедицины для дистанционной сортировки помогает удерживать персонал в категории низкого риска заражения за счет полного исключения воздействия на этих врачей или другой персонал больницы». Игра в догонялки с телездравоохранением К сожалению, провайдеры и политики прямо сейчас пытаются догнать технологии телемедицины и только начинают осознавать, что они являются важным решением для предотвращения попадания потенциально инфицированных людей в больницы и кабинеты врачей, сказал Г.Кэмерон Димер, президент DrFirst, компании, занимающейся технологиями телекоммуникаций и телемедицины в сфере здравоохранения. Однако по мере того, как кризис общественного здравоохранения продолжает нарастать, телемедицина быстро получает признание в качестве важного инструмента для замедления распространения COVID-19, добавил он. «Мы видим три основных роли технологий телездравоохранения во время этого кризиса», — сказал он. «Первый из них прост: удаленный скрининг пациентов, а не посещение клиники или больницы. Их можно использовать для сортировки пациентов с симптомами простуды и гриппа, а также для удаленной помощи тем, кто не нуждается в медицинском вмешательстве или может получать помощь на дому.Не позволяя потенциально инфицированным людям попадать в больницы и кабинеты врачей, система здравоохранения может снизить риск передачи инфекции другим пациентам и медицинскому персоналу ». «Мы знаем, что COVID-19 может быть очень вредным и даже смертельным для людей с ослабленным здоровьем, и с помощью видеосещений врачи могут помочь этим пациентам избежать заражения коронавирусом». Г. Кэмерон Демер, DrFirst Вторая роль телемедицины во время пандемии часто упускается из виду: помочь в предоставлении повседневной помощи пациентам с хроническими заболеваниями, которые подвергаются высокому риску в случае контакта с вирусом, добавил Демер. «Мы знаем, что COVID-19 может быть очень вредным и даже смертельным для людей с ослабленным здоровьем, и с помощью видеовстреч врачи могут помочь этим пациентам избежать заражения коронавирусом», — пояснил он. Третья важная роль парадоксальна, но не менее важна: поставщики медицинских услуг и их персонал не защищены от инфекции и подвергаются повышенному риску заражения COVID-19 из-за постоянного контакта с инфицированными пациентами, сказал он. После тестирования и подтверждения эти поставщики будут помещены в карантин и станут недоступны для системы здравоохранения именно тогда, когда они больше всего в них нуждаются, добавил он. «С внедрением технологий телемедицины поставщики, помещенные в карантин, имеют возможность продолжать принимать пациентов через удаленные каналы», — сказал он. Ограничения телемедицины от COVID-19? Телемедицина может быть инструментом для борьбы с COVID19. Однако есть одно вопиющее противоречие, которое необходимо устранить, сказал Джон Носта, президент NostaLab, аналитического центра цифрового здравоохранения. «Основой для внебольничного управления является тестирование», — сказал он. «Основным элементом управления пандемией является широко распространенное тестирование, и обычная телемедицина сегодня может не предложить этого.Возможно, «кризисная» эволюция телемедицины поможет найти местные центры тестирования, а также управлять потоком пациентов, желающих пройти тестирование ». Что касается COVID19, данные свидетельствуют о том, что у большинства людей инфекция протекает в легкой форме, и клиническое течение заболевания не примечательно. По словам Носты, в этих случаях телемедицина может оказаться не совсем необходимой. «Однако для небольшой группы пациентов с более высоким риском клиническое течение может не соответствовать традиционной телемедицине», — пояснил он.«Эти пациенты часто поступают с более серьезным заболеванием, которое приводит к быстрой декомпенсации и требует госпитализации. Реальность может заключаться в том, что для COVID19 телемедицина в том виде, в котором она существует сейчас, должна быть изменена, чтобы помочь управлять ранним тестированием, диагностикой и сортировкой для тех, кому может потребоваться стационарное лечение ». Еще не оборудован для телемедицины Наиболее существенное ограничение на использование телездравоохранения в ответ на COVID-19 прямо сейчас заключается в том, что, хотя некоторые больницы и крупные врачебные кабинеты оборудованы для оказания помощи таким образом, большинство больниц и частных практик нет, сказал Демер из DrFirst. «Телемедицина традиционно не использовалась в ответ на кризисы в области общественного здравоохранения, но это меняется с появлением COVID-19», — сказал он. «Меня воодушевляет то, что государственные и частные страховые компании вносят изменения в политику, чтобы способствовать ее использованию. CDC призывает медицинские учреждения внедрить телемедицину для защиты пациентов и персонала, и многие крупные больницы спешат внедрить и расширить эти возможности на своих передовых позициях ». Еще больше врачей внедряют телездравоохранение. «В Мэриленде MedChi, медицинское общество штата, призвало к более широкому использованию этой технологии, чтобы помочь врачам лучше заботиться о пациентах в условиях пандемии», — отметил он. «MedChi предоставляет врачам в своих организациях по трансформации медицинского обслуживания инструмент DrFirst для безопасной совместной работы, который включает в себя функции телемедицины, чтобы помочь им более безопасно и эффективно заботиться о своих пациентах». «Существует кривая обучения использованию телемедицины в традиционных отношениях между поставщиком и пациентом», — добавила Демер. «Практикам необходимо уведомлять пациентов о том, что посещения кабинетов могут быть заменены консультациями по телемедицине; им необходимо обучить поставщиков использованию этих инструментов, пересмотреть процессы составления графиков, определить процедуры сортировки, пересмотреть политику плательщиков в области телездравоохранения и установить методы выставления счетов », — предложил он. «Это не обязательно длительный процесс, но провайдерам полезно иметь набор руководящих принципов, чтобы облегчить переход». Отсутствие оборудования Есть некоторые ограничения; Главная из них — отсутствие в больницах оконечных устройств для внедрения телемедицины, что означает ограниченный доступ к оборудованию, сказал Хэллок из SOC Telemed. «Хотя в некоторых больницах могут быть специальные технологии для таких программ, как помощь при инсульте, в настоящее время больницы перепрофилируют некоторые из этих оконечных устройств для другой работы, такой как телетрансляция», — пояснил он. «Хотя многие телемедицинские программы не зависят от аппаратного обеспечения, провайдеры по-прежнему должны гарантировать, что эта технология оснащена необходимыми технологиями для данного типа исследования, такими как качество камеры, звук и т. Д.» Провайдерской организации не нужны лучшие в своем классе технологии, чтобы быстро реализовать программу; однако, чем лучше технология, тем лучше опыт для пациента, а услуги, которые могут быть предоставлены, расширяются, добавил он. «Еще одна проблема — это доступ к широкополосной связи — некоторые больницы испытывают трудности с обеспечением качественного соединения в своих учреждениях, и теперь мы сталкиваемся с необходимостью использовать это в потенциально новых местах оказания помощи, например, во внешней палатке», — пояснил он. «Поскольку больницы планируют аварийную способность, необходимо учитывать возможность подключения к Wi-Fi. Акустика в здании также может быть ограничением в зависимости от конструкции помещения ». Например, бетонные или облицованные плиткой комнаты создают эхо, когда может быть сложно услышать и поговорить с пациентом.Он посоветовал это легко исправить с помощью некоторых приспособлений для акустики, например, дек на стенах. «Еще одним ограничением для больниц может быть необходимость в аттестации новых врачей», — сказал Хэллок. «Это область, которая тщательно изучается организациями, включая Совместную комиссию. Хотя процесс можно ускорить, любые дополнительные временные сотрудники по-прежнему должны иметь надлежащие полномочия и лицензию для оказания помощи пациентам ». «Программы телемедицины » имеют собственную сеть врачей с широкими лицензиями, готовых и способных выполнять работу, которая помогает устранить барьер для привлечения новых врачей, добавил он. Телемедицина преобладает над больницами? Телемедицина может привлечь больше пациентов в больницу во время пандемии. Кроме того, для работы программ телемедицины требуются лица, обеспечивающие уход, и другой персонал. Сегодня, в связи с COVID-19, возникает один вопрос: является ли телемедицина каким-либо образом подавляющим большинством больниц или групповых практик? Большинство больниц до сих пор не имеют возможности предоставлять телемедицину, потому что до сих пор это в основном рассматривалось как средство амбулаторной или пост-неотложной помощи, сказал Демер из DrFirst. «Теперь, конечно, они быстро набирают обороты, чтобы их отделения неотложной помощи могли проводить сортировку пациентов за пределами четырех стен больницы», — сказал он. «Телемедицина также может помочь лицам, оказывающим первую помощь на местах, общаться с врачами неотложной помощи, помогая обеспечить быстрое и эффективное получение больничной помощи тем, кто нуждается в больничной помощи, и в то же время перенаправить тех, кто не нуждается в больничной помощи, в другие учреждения или [ держать] их в безопасности в их домах ». Большинство больниц работают почти на полную мощность в обычное время, поэтому телемедицина значительно снизит дополнительную нагрузку, утверждает Гилад из Tyto Care. «Кроме того, медицинский персонал заражается и помещается в карантин из-за COVID-19, что ограничивает круг доступных поставщиков», — сказал он. «Развертывая передовые решения телемедицины, врачи расширяют сферу своей деятельности — даже если они помещены в карантин — с возможностью удаленно обследовать и диагностировать большее количество пациентов за более короткий промежуток времени, сводя к минимуму количество пациентов, попадающих в больницы и медицинские учреждения». Фактически снижая нагрузку На самом деле, телемедицина снижает нагрузку на больницы, поскольку они борются с распространением COVID-19 и связанным с этим увеличением количества пациентов, сказала Лиза Хеджес, старший аналитик по контенту Software Advice.Хотя некоторые врачи теперь должны уделять время скринингу пациентов с помощью телемедицины, продолжая лечение других пациентов, они все равно будут это делать — и, что еще хуже, они будут делать это лично, отметила она. «Стоит отметить, что в настоящее время больницы имеют разные возможности для развертывания телемедицины, но те, которые могут предлагать услуги телемедицины в любой степени, видят преимущества», — сказала она. «Даже такая простая вещь, как использование функций онлайн-зала ожидания, не позволяет пациентам скапливаться в непосредственной близости друг от друга, пока они ждут своего обследования лично, так что все это оказывается большим подспорьем в сглаживании кривой и облегчении общей нагрузки. по всем больницам.” «В результате недавнего опроса пациентов в США, мы обнаружили, что 84% с большей вероятностью выберут поставщика, который предлагает телемедицину, а не поставщика, который этого не делает, поэтому очевидно, что пациенты хотят этой технологии». Лиза Хеджес, консультант по программному обеспечению В настоящее время дистанционная сортировка — это король для больниц, стремящихся управлять пропускной способностью, — сказал Хэллок из SOC Telemed. «Имея дело с пациентами на самом начальном этапе и отделяя больных от не очень больных, мы можем гарантировать, что врачи могут определить, где пациенты могут получить наилучшую помощь в отделении неотложной помощи», — сказал он.«Чтобы больницы действительно совершили скачок в телемедицине, им необходимо обратить внимание на проверенные технологии, такие как корпоративные платформенные системы, которые позволят им настраивать программу, быстро выполнять ее и извлекать уроки из передового опыта в других областях оказания помощи». Как больницы адаптируются к телемедицине во время пандемии? Больницы регулярно готовятся к кризисам, но в прошлом они не использовали технологии телемедицины, — сказал Демер из DrFirst. «Однако по мере того, как система здравоохранения борется с COVID-19, мы будем видеть, что все больше и больше больниц внедряют эти технологии, чтобы ограничить воздействие на переднем крае и защитить персонал, а также других пациентов», — сказал он.«Больницы, которые делают правильный выбор, обнаружат, что преимущества телездравоохранения выходят за рамки нынешних потребностей общественного здравоохранения, потому что обязательно наступят другие кризисы». Гилад из Tyto Care отмечает, что больницы в Израиле, например, интегрировали решения Tyto Care для телемедицины для обследования пациентов с COVID-19 в карантинных палатах, а также для наблюдения за пациентами, изолированными дома, с доставкой набора TytoHome. «Партнеры Tyto Care в США и Европе также расширяют использование решения для борьбы с этой пандемией», — сказал он.«Решение можно развернуть быстро и масштабно, с обучением медицинского персонала и внедрением в течение одного дня. При развертывании на дому Tyto Care может доставить пациента прямо на дом к пациенту, помещенному на карантин, а процесс адаптации прост и интуитивно понятен ». Расширение программ и обучение В настоящее время существует два основных направления адаптации телемедицины: больницы расширяют свои услуги телемедицины, а также находят способы обучать персонал в сокращенные сроки, сказал Хеджес из Software Advice. «Первый из них очевиден: телемедицина — настолько идеальное, готовое решение для борьбы с COVID-19, что не имело бы смысла не использовать его, и многие больницы прилагают усилия для расширения своих услуг телемедицины. чтобы лучше обслуживать пациентов в это время », — сказала она. «Объем функций телемедицины, которые могут быть развернуты в больницах, варьируется, но он может включать в себя вложения во что угодно, от видеооборудования для удаленных консультаций или тележек телемедицины для проведения обследований госпитализированных пациентов вне их палат.” Для тех медицинских организаций, у которых до вспышки не было телемедицины, или тех, которые добавляют дополнительные услуги в настоящее время, обучение является большим препятствием, добавила она. К счастью, большинство провайдеров телемедицины предлагают надежные учебные модули, чтобы помочь пользователям запустить их программное обеспечение, поэтому, по ее словам, практикующие в значительной степени полагаются на эти ресурсы для быстрого развертывания телемедицины. «Я также добавлю, что пациенты очень хорошо знакомы с телемедициной вне контекста COVID-19», — заключила она.«Из недавнего опроса пациентов из США, мы обнаружили, что 84% с большей вероятностью выберут поставщика, который предлагает телемедицину, а не поставщика, который этого не делает, поэтому ясно, что эта технология — то, чего хотят пациенты. Сегодня практикующие врачи инвестируют в телемедицину из-за необходимости лучше подготовиться к коронавирусу, но они должны рассматривать это как долгосрочное вложение, чтобы также улучшить качество обслуживания пациентов » Twitter: @SiwickiHealthIT Электронная почта автору: [email protected] Healthcare IT News — это издание HIMSS Media. Диагностика инфекционных и неинфекционных заболеваний на основе CRISPR | Биологические процедуры онлайн 1. Abbott TR, Dhamdhere G, Liu Y, Lin X, Goudy L, Zeng L, et al. Разработка CRISPR как противовирусной стратегии борьбы с SARS-CoV-2 и гриппом. Клетка. 2020; 181 (4): 865–76. 2. Ai JW, Zhou X, Xu T, Yang M, Chen Y, He GQ, Pan N, Cai Y, Li Y, Wang X, Su H. Быстрый и сверхчувствительный диагностический тест на основе CRISPR для микобактерии туберкулеза.Emerg Microbes Infect. 2019; 8 (1): 1361–9. PubMed PubMed Central Google Scholar 3. Анантараман В., Макарова К.С., Берроуз А.М., Кунин Е.В., Аравинд Л. Комплексный анализ суперсемейства HEPN: определение новых ролей во внутригеномных конфликтах, защите, патогенезе и процессинге РНК. Биол Директ. 2013; 8 (1): 15. CAS PubMed PubMed Central Google Scholar 4. Бахребах М., Нассар М., Алсуабейл М., Захер В., Мео С. Технология CRISPR: новая парадигма нацеливания на возбудителей инфекционных заболеваний. Eur Rev Med Pharmacol Sci. 2018; 22 (11): 3448–52. CAS Google Scholar 5. Бао В., Юрка Дж. Гомологи бактериального TnpB_IS605 широко распространены в различных эукариотических мобильных элементах. ДНК мафии. 2013; 4 (1): 12. CAS PubMed PubMed Central Google Scholar 6. Баррангу Р., Фремо С., Дево Х., Ричардс М., Боявал П., Муано С. и др. CRISPR обеспечивает приобретенную устойчивость к вирусам у прокариот. Наука. 2007. 315 (5819): 1709–12. CAS Google Scholar 7. Баррангу Р. Системы CRISPR-Cas и РНК-управляемая интерференция. Wiley Interdiscip Rev RNA. 2013; 4 (3): 267–78. CAS PubMed PubMed Central Google Scholar 8. Bassett AR, Tibbit C, Ponting CP, Liu J-L. Высокоэффективный направленный мутагенез дрозофилы с помощью системы CRISPR-Cas 9. Cell Rep. 2013; 4 (1): 220–8. CAS PubMed PubMed Central Google Scholar 9. Bauchner H, Fontanarosa PB, Livingston EH. Сохранение запасов средств индивидуальной защиты — призыв к идеям. Джама. 2020; 323 (19): 1911. Google Scholar 10. Bhattacharyya RP, Thakku SG, Hung DT. Использование эффекторов CRISPR для диагностики инфекционных заболеваний. ACS Infect Dis. 2018; 4 (9): 1278–82. CAS Google Scholar 11. Broughton JP, Deng X, Yu G, Fasching CL, Servellita V, Singh J, Miao X, Streithorst JA, Granados A, Sotomayor-Gonzalez A, Zorn K. Обнаружение SARS на основе CRISPR – Cas12- CoV-2. Nat Biotechnol. 2020; 16: 1–5. 12. Шарпантье Е, ван дер Ост Дж, Уайт МФ.биогенез crRNA. Системы CRISPR-Cas: Springer; 2013. с. 115–44. Google Scholar 13. Chen JS, Ma E, Harrington LB, Da Costa M, Tian X, Palefsky JM, et al. Связывание с мишенью CRISPR-Cas12a вызывает неизбирательную активность одноцепочечной ДНКазы. Наука. 2018; 360 (6387): 436–9. CAS PubMed PubMed Central Google Scholar 14. Cheng QX. Применение белка Cas, а также способ и набор для обнаружения молекулы нуклеиновой кислоты-мишени; 2017 г.п. CN107488710A. Google Scholar 15. Чо С.В., Ким С., Ким Дж.М., Ким Дж.С. Нацеленная геномная инженерия в человеческих клетках с помощью РНК-управляемой эндонуклеазы Cas9. Nat Biotechnol. 2013. 31 (3): 230–2. CAS Google Scholar 16. Чилинский К., Макарова К.С., Шарпантье Э., Кунин Е.В. Классификация и эволюция систем CRISPR-Cas типа II. Nucleic Acids Res. 2014. 42 (10): 6091–105. CAS PubMed PubMed Central Google Scholar 17. Конг Л., Ран Ф.А., Кокс Д., Лин С., Барретто Р., Хабиб Н. и др. Мультиплексная геномная инженерия с использованием систем CRISPR-Cas. Наука. 2013. 339 (6121): 819–23. CAS PubMed PubMed Central Google Scholar 18. Delannoy S, Beutin L, Burgos Y, Fach P. Специфическое обнаружение энтероагрегативных геморрагических штаммов Escherichia coli O104: h5 с использованием локуса CRISPR в качестве мишени для диагностической ПЦР в реальном времени.J Clin Microbiol. 2012; 50 (11): 3485–92. https://doi.org/10.1128/JCM.01656-12. CAS Статья PubMed PubMed Central Google Scholar 19. Ding X, Yin K, Li Z, Liu C. Универсальный двойной анализ CRISPR-cas12a (AIOD-CRISPR): случай для быстрого, сверхчувствительного и визуального обнаружения нового коронавируса SARS-CoV- 2 и вирус ВИЧ. bioRxiv. 2020. 20. Фосс Д.В., Хохштрассер М.Л., Уилсон Р.К. Клинические применения редактирования и диагностики генома на основе CRISPR.Переливание. 2019; 59 (4): 1389–99. Google Scholar 21. Фрёкьер-Йенсен К. Захватывающие перспективы точной инженерии геномов Caenorhabditis elegans с помощью CRISPR-Cas 9. Генетика. 2013; 195 (3): 635–42. PubMed PubMed Central Google Scholar 22. Gomes-Filho JV, Zaramela LS, VCdS I, Baliga NS, Vêncio RZ, Koide T. Смысловые перекрывающиеся транскрипты в генах транспозаз типа IS 1341 являются функциональными некодирующими РНК архей.RNA Biol. 2015; 12 (5): 490–500. PubMed PubMed Central Google Scholar 23. Гонг Б., Шин М., Сун Дж., Юнг С.-Х., Болт Э.Л., ван дер Ост Дж. И др. Молекулярное понимание интерференции ДНК с помощью CRISPR-связанной нуклеазы-геликазы Cas3. Proc Natl Acad Sci. 2014. 111 (46): 16359–64. CAS Google Scholar 24. Гутенберг Дж. С., Абудайе О. О., Келлнер М. Дж., Джунг Дж., Коллинз Дж. Дж., Чжан Ф.Мультиплексная и портативная платформа для обнаружения нуклеиновых кислот с Cas13, Cas12a и Csm6. Наука. 2018; 360 (6387): 439–44. CAS PubMed PubMed Central Google Scholar 25. Gootenberg JS, Abudayyeh OO, Lee JW, Essletzbichler P, Dy AJ, Joung J, et al. Обнаружение нуклеиновых кислот с помощью CRISPR-Cas13a / C2c2. Наука. 2017; 356 (6336): 438–42. CAS PubMed PubMed Central Google Scholar 26. Gulei D, Raduly L, Berindan-Neagoe I, Calin GA. Редактирование РНК на основе CRISPR: диагностические приложения и терапевтические возможности. Эксперт Rev Mol Diagn. 2019; 19 (2): 83–8. CAS Google Scholar 27. Гуо Л., Сунь Х, Ван Х, Лян Ц., Цзян Х., Гао Ц. и др. Обнаружение SARS-CoV-2 с помощью диагностики CRISPR. Cell Discov. 2020; 6: 34. CAS PubMed PubMed Central Google Scholar 28. Hale CR, Zhao P, Olson S, Duff MO, Graveley BR, Wells L, et al. РНК-управляемое расщепление РНК белковым комплексом CRISPR RNA-Cas. Клетка. 2009. 139 (5): 945–56. CAS PubMed PubMed Central Google Scholar 29. Hatoum-Aslan A, Maniv I, Marraffini LA. Зрелые сгруппированные, регулярно расположенные, короткие палиндромные повторы. Длина РНК (crRNA) измеряется линейным механизмом, закрепленным на сайте процессинга предшественника. Proc Natl Acad Sci U S A.2011. 108 (52): 21218–22. CAS PubMed PubMed Central Google Scholar 30. Хилле Ф., Рихтер Х., Вонг С.П., Братович М., Рессель С., Шарпантье Э. Биология CRISPR-Cas: назад и вперед. Клетка. 2018; 172 (6): 1239–59. CAS Google Scholar 31. Hou P, Chen S, Wang S, Yu X, Chen Y, Jiang M, et al. Редактирование генома CXCR4 с помощью CRISPR-Cas 9 придает клеткам устойчивость к инфекции ВИЧ-1.Научный доклад 2015; 5 (1): 1–12. Google Scholar 32. Hruscha A, Krawitz P, Rechenberg A, Heinrich V, Hecht J, Haass C, et al. Эффективное редактирование генома CRISPR-Cas 9 с низкими нецелевыми эффектами у рыбок данио. Разработка. 2013. 140 (24): 4982–7. CAS Google Scholar 33. Хуанг С.Х., Ли К.С., Дудна Дж.А. Применение ферментов CRISPR-Cas в терапии и обнаружении рака.Тенденции рака. 2018; 4 (7): 499–512. CAS PubMed PubMed Central Google Scholar 34. Ишино Ю., Крупович М., Фортерре П. История CRISPR-Cas от встречи с таинственной повторяющейся последовательностью до технологии редактирования генома. J Bacteriol. 2018; 200 (7). 35. Ishino Y, Shinagawa H, Makino K, Amemura M, Nakata A. Нуклеотидная последовательность гена iap, отвечающая за конверсию изофермента щелочной фосфатазы в Escherichia coli, и идентификация продукта гена.J Bacteriol. 1987. 169 (12): 5429–33. CAS PubMed PubMed Central Google Scholar 36. Джексон Р.Н., Лавин М., Картер Дж., Виденхефт Б. Включение CRISPR-ассоциированного Cas3 в генеалогическое древо геликазы. Curr Opin Struct Biol. 2014; 24: 106–14. CAS PubMed PubMed Central Google Scholar 37. Янсен Р., Д.Дв.Е., Гаастра В., Шоулс Л.М. Идентификация генов, связанных с повторами ДНК у прокариот.Mol Microbiol. 2002. 43 (6): 1565–75. CAS PubMed PubMed Central Google Scholar 38. Jiang W, Bikard D, Cox D, Zhang F, Marraffini LA. РНК-управляемое редактирование бактериальных геномов с использованием систем CRISPR-Cas. Nat Biotechnol. 2013; 31 (3): 233–9. CAS PubMed PubMed Central Google Scholar 39. Jinek M, East A, Cheng A, Lin S, Ma E, Doudna J.РНК-программированное редактирование генома в клетках человека. Элиф. 2013; 2: e00471. PubMed PubMed Central Google Scholar 40. Университет Джона Хопкинса. Панель мониторинга COVID-19 Центра системных наук и инженерии (CSSE) Университета Джонса Хопкинса (JHU). 2020. 41. Khambhati K, Bhattacharjee G, Singh V. Текущий прогресс в диагностических платформах на основе CRISPR. J Cell Biochem. 2019; 120 (3): 2721–5. CAS Google Scholar 42. Коджак Д., Герсбах К. От ножниц CRISPR до датчиков вирусов. Природа. 2018; 557 (7704): 168. CAS Google Scholar 43. Konermann S, Lotfy P, Brideau NJ, Oki J, Shokhirev MN, Hsu PD. Инженерия транскриптомов с использованием эффекторов CRISPR типа VI-D, нацеленных на РНК. Клетка. 2018; 173 (3): 665–76. e14. CAS PubMed PubMed Central Google Scholar 44. Кунин Э.В., Макарова К.С., Чжан Ф.Разнообразие, классификация и эволюция систем CRISPR-Cas. Curr Opin Microbiol. 2017; 37: 67–78. CAS PubMed PubMed Central Google Scholar 45. Li S-Y, Cheng Q-X, Wang J-M, Li X-Y, Zhang Z-L, Gao S, et al. Обнаружение нуклеиновых кислот с помощью CRISPR-Cas12a. Cell Discov. 2018; 4 (1): 1–4. Google Scholar 46. Li Y, Li S, Wang J. Liu G. Системы CRISPR-Cas для биосенсинга следующего поколения.Trends Biotechnol. 2019; 37 (7): 730–43. Google Scholar 47. Лю Дж, Ляо Х, Цянь С., Юань Дж, Ван Ф, Лю Й и др. Передача коронавируса 2 тяжелого острого респираторного синдрома в сообществе, Шэньчжэнь, Китай, 2020 г., 2020 г. Google Scholar 48. Лю X, Hao R, Chen S, Guo D, Chen Y. Ингибирование вируса гепатита B системой CRISPR-Cas 9 посредством нацеливания на консервативные области вирусного генома.J Gen Virol. 2015; 96 (8): 2252–61. CAS Google Scholar 49. Люсия С, Федерико П-Б, Алехандра ГК. Сверхчувствительный, быстрый и портативный метод обнаружения последовательности коронавируса SARS-CoV-2 на основе CRISPR-Cas12. bioRxiv. 2020. 50. Макарова К.С., Гришин Н.В., Шабалина С.А., Вольф Ю.И., Кунин Е.В. Предполагаемая иммунная система прокариот, основанная на РНК-интерференции: компьютерный анализ предсказанного ферментативного механизма, функциональные аналогии с эукариотической РНКи и гипотетические механизмы действия.Биол Директ. 2006; 1: 7. PubMed PubMed Central Google Scholar 51. Макарова К.С., Хафт Д.Х., Баррангу Р., Браунс С.Дж., Шарпантье Е., Хорват П. и др. Эволюция и классификация систем CRISPR – Cas. Nat Rev Microbiol. 2011; 9 (6): 467–77. CAS Google Scholar 52. Макарова К.С., Вольф Ю.И., Альхнбаши О.С., Коста Ф., Шах С.А., Сондерс С.Дж. и др.Обновленная эволюционная классификация систем CRISPR – Cas. Nat Rev Microbiol. 2015; 13 (11): 722–36. CAS PubMed PubMed Central Google Scholar 53. Макарова К.С., Вольф Ю.И., Иранзо Дж., Шмаков С.А., Алхнбаши О.С., Браунс С.Дж. и др. Эволюционная классификация систем CRISPR – Cas: всплеск класса 2 и производные варианты. Nat Rev Microbiol. 2019: 1–17. 54. Mammoth Biosciences. Диагностика — платформа обнаружения на основе CRISPR.Mammoth Biosci. 2020; [цитировано 1 июля 2020 г.]. Доступно по адресу: https://mammoth.bio/diagnostics/. 55. Metsky HC, Freije CA, Kosoko-Thoroddsen T-SF, Sabeti PC, Myhrvold C. Надзор за COVID-19 на основе CRISPR с использованием геномно-комплексного машинного обучения. BioRxiv. 2020. 56. Myhrvold C, Freije CA, Gootenberg JS, Abudayyeh OO, Metsky HC, Durbin AF, et al. Вирусная диагностика с возможностью развертывания в полевых условиях с использованием CRISPR-Cas13. Наука. 2018; 360 (6387): 444–8. CAS PubMed PubMed Central Google Scholar 57. Newire E, Aydin A, Juma S, Enne VI, Roberts AP. Идентификация системы CRISPR-Cas типа IV, расположенной исключительно на плазмидах IncHI1B / IncFIB в Enterobacteriaceae. bioRxiv. 2020; 11 (1937). 58. О’Коннелл MR. Молекулярные механизмы нацеливания РНК с помощью Cas13-содержащих систем CRISPR – Cas типа VI. J Mol Biol. 2019; 431 (1): 66–87. CAS Google Scholar 59. Ortiz-Prado E, Simbaña-Rivera K, Gómez-Barreno L, Rubio-Neira M, Guaman LP, Kyriakidis NC, Muslin C, Jaramillo AM, Barba-Ostria C, Cevallos-Robalino D, Sanches- Сан-Мигель Х.Клиническая, молекулярная и эпидемиологическая характеристика вируса SARS-CoV2 и коронавирусной болезни 2019 (COVID-19), всесторонний обзор литературы. Диагностика Microbiol Infect Dis. 2020; 30: 115094. Google Scholar 60. Озкан А., Пауш П., Линден А., Вульф А., Шюле К., Хайдер Дж. И др. Процессинг РНК CRISPR IV типа и образование эффекторных комплексов у Aromatoleum aromaticum. Nat Microbiol. 2019; 4 (1): 89–96. Google Scholar 61. Pan Y, Zhang D, Yang P, Poon LL, Wang Q. Вирусная нагрузка SARS-CoV-2 в клинических образцах. Lancet Infect Dis. 2020; 20 (4): 411–2. CAS PubMed PubMed Central Google Scholar 62. Парди К., Грин А.А., Такахаши М.К., Брафф Д., Ламберт Дж., Ли Дж. У., Ферранте Т., Ма Д., Донгиа Н., Фан М., Дарингер Н. М.. Быстрое и недорогое обнаружение вируса Зика с использованием программируемых биомолекулярных компонентов. Клетка. 2016; 165 (5): 1255–66. CAS Google Scholar 63. Park RJ, Wang T, Koundakjian D, Hultquist JF, Lamothe-Molina P, Monel B, et al. Полногеномный CRISPR-скрининг выявляет ограниченный набор факторов зависимости от ВИЧ-хозяина. Нат Жене. 2017; 49 (2): 193–203. CAS Google Scholar 64. Пинилла-Редондо Р., Майо-Муньос Д., Рассел Дж., Гаррет Р.А., Рандау Л., Соренсен С.Дж. и др. Системы CRISPR – Cas типа IV очень разнообразны и участвуют в конкуренции между плазмидами. Nucleic Acids Res.2020. 48 (4): 2000–12. CAS Google Scholar 65. Platt RJ, Chen S, Zhou Y, Yim MJ, Swiech L, Kempton HR, et al. CRISPR-Cas9 knockin мышей для редактирования генома и моделирования рака. Клетка. 2014. 159 (2): 440–55. CAS PubMed PubMed Central Google Scholar 66. Quan J, Langelier C, Kuchta A, Batson J, Teyssier N, Lyden A, Caldera S, McGeever A, Dimitrov B, King R, Wilheim J.FLASH: CRISPR-диагностика нового поколения для множественного обнаружения последовательностей устойчивости к противомикробным препаратам. Nucleic Acids Rese. 2019; 47 (14): e83. CAS Google Scholar 67. Рикс Дж., Нейсмит Дж. Х., Уайт М.Ф. Вмешательство CRISPR: структурная перспектива. Биохим Дж. 2013; 453 (2): 155–66. CAS PubMed PubMed Central Google Scholar 68. Samai P, Pyenson N, Jiang W, Goldberg GW, Hatoum-Aslan A, Marraffini LA.Котранскрипционное расщепление ДНК и РНК во время иммунитета CRISPR-Cas III типа. Клетка. 2015; 161 (5): 1164–74. CAS PubMed PubMed Central Google Scholar 69. Шванк Г., Ку Б.К., Сасселли В., Деккерс Дж. Ф., Хео И., Демиркан Т., Сасаки Н., Бойманс С., Куппен Е., ван дер Энт С. К., Ньювенхейс Е. Е.. Функциональная репарация CFTR с помощью CRISPR-Cas 9 в органоидах кишечных стволовых клеток пациентов с муковисцидозом. Стволовая клетка. 2013. 13 (6): 653–8. CAS Google Scholar 70. Шмаков С., Абудайе О.О., Макарова К.С., Вольф Ю.И., Гутенберг Ю.С., Семенова Е. и др. Открытие и функциональная характеристика разнообразных систем CRISPR-Cas 2 класса. Mol Cell. 2015; 60 (3): 385–97. CAS PubMed PubMed Central Google Scholar 71. Шмаков С., Смаргон А., Скотт Д., Кокс Д., Пизоча Н., Ян В. и др. Разнообразие и эволюция систем CRISPR – Cas класса 2.Nat Rev Microbiol. 2017; 15 (3): 169–82. CAS PubMed PubMed Central Google Scholar 72. Sigma-Aldrich. CRISPR-Cas 9 Продукты и услуги. Merck. 2020; [цитировано 29 июня 2020 г.]. Доступно по ссылке: https://www.sigmaaldrich.com/catalog/product/sigma/crispr?lang=en&region=ME&gclid=Cj0KCQjwoub3BRC6ARIsABGhnyYDx3aJs1fGoi7Y6tDKDw05uFWaLyzdUTx. 73. Sinkunas T, Gasiunas G, Fremaux C, Barrangou R, Horvath P, Siksnys V.Cas3 представляет собой одноцепочечную ДНК-нуклеазу и АТФ-зависимую геликазу в иммунной системе CRISPR-Cas. EMBO J. 2011; 30 (7): 1335–42. CAS PubMed PubMed Central Google Scholar 74. Sneed A. Наборы CRISPR, заказываемые по почте, позволяют любому человеку взломать ДНК. Sci Am. 2017; 2. 75. Strich JR, Chertow DS. Биология CRISPR-Cas и ее применение к инфекционным заболеваниям. J Clin Microbiol. 2019; 57 (4). 76. Такеучи Н, Вольф Ю.И., Макарова К.С., Кунин Э.В. Природа и интенсивность давления отбора на гены, связанные с CRISPR. J Bacteriol. 2012. 194 (5): 1216–25. CAS PubMed PubMed Central Google Scholar 77. ОДИН. DIY HUMAN CRISPR GUIDE. ОДИН. 2020 [цитировано 1 июля 2020 года]. Доступно по адресу: https://www.the-odin.com/diyhumancrispr/. Google Scholar 78. Тиан Х, Гу Т, Патель С, Боде А.М., Ли М.Х. Dong Z.CRISPR-Cas 9 — развивающийся набор биологических инструментов для биологии рака и онкологии. NPJ Precision Oncol. 2019; 3 (1): 1–8. Google Scholar 79. Уппада В., Гокара М., Расинени Г.К. Диагностика и терапия с использованием передовых инструментов CRISPR на основе CRISPR для диагностики в местах оказания медицинской помощи и раннего лечения. Ген. 2018; 656: 22–9. CAS Google Scholar 80. Ван Дер Ост Дж., Вестра Э. Р., Джексон Р. Н., Виденхефт Б. Раскрытие структурных и механических основ систем CRISPR – Cas. Nat Rev Microbiol. 2014; 12 (7): 479–92. PubMed PubMed Central Google Scholar 81. Van Diemen FR, Kruse EM, Hooykaas MJ, Bruggeling CE, Schürch AC, van Ham PM, et al. CRISPR-Cas 9-опосредованное редактирование генома герпесвирусов ограничивает продуктивные и латентные инфекции. PLoS Pathog. 2016; 12 (6): e1005701. PubMed PubMed Central Google Scholar 82. Venclovas Č. Структура Csm2 выявляет взаимосвязь между малыми субъединицами эффекторных комплексов CRISPR-Cas. FEBS Lett. 2016; 590 (10): 1521–9. CAS Google Scholar 83. Воронцова Д., Даценко К.А., Медведева С., Бонди-Деномы Дж., Савицкая Е.Е., Пугач К. и др. Для получения чужеродной ДНК системой I-F CRISPR-Cas требуются все компоненты механизма интерференции.Nucleic Acids Res. 2015; 43 (22): 10848–60. CAS PubMed PubMed Central Google Scholar 84. Wang W, Hou J, Zheng N, Wang X, Zhang J. Не спускать глаз с CRISPR: «атлас» редактирования генов. Cell Biol Toxicol. 2019; 35 (4): 285. Google Scholar 85. Вэй Ю., Тернс Р.М., Тернс М.П. Функция Cas9 и выборка генома хозяина в адаптации CRISPR-Cas типа II-A.Genes Dev. 2015. 29 (4): 356–61. CAS PubMed PubMed Central Google Scholar 86. Wu Y, Liang D, Wang Y, Bai M, Tang W, Bao S, Yan Z, Li D, Li J. Коррекция генетического заболевания у мышей с помощью CRISPR-Cas9. Стволовая клетка. 2013. 13 (6): 659–62. CAS Google Scholar 87. Xiang X, Qian K, Zhang Z, Lin F, Xie Y, Liu Y, Yang Z. Инструмент молекулярной диагностики инфекционных заболеваний и пневмонии, вызванной новым коронавирусом 2019 года (COVID-19), основанный на системах CRISPR-cas.J Drug Target, 1–5. Предварительная онлайн-публикация. 2020. https://doi.org/10.1080/1061186X.2020.1769637. 88. Xie K, Yang Y. РНК-управляемое редактирование генома растений с использованием системы CRISPR – Cas. Завод Мол. 2013. 6 (6): 1975–83. CAS Google Scholar 89. Zetsche B, Gootenberg JS, Abudayyeh OO, Slaymaker IM, Makarova KS, Essletzbichler P, et al. Cpf1 представляет собой одиночную РНК-управляемую эндонуклеазу системы CRISPR-Cas класса 2.Клетка. 2015; 163 (3): 759–71. CAS PubMed PubMed Central Google Scholar 90. Zhang F, Abudayyeh OO, Gootenberg JS. Протокол обнаружения COVID-19 с помощью диагностики CRISPR. Протокол обнаружения COVID-19 с помощью диагностики CRISPR; 2020. с. 8. Google Scholar 91. Zou L, Ruan F, Huang M, Liang L, Huang H, Hong Z, et al. Вирусная нагрузка SARS-CoV-2 в образцах верхних дыхательных путей инфицированных пациентов.N Engl J Med. 2020; 382 (12): 1177–9. PubMed PubMed Central Google Scholar . No related posts. alexxlab Добавить комментарий Отменить ответ Ваш адрес email не будет опубликован. Обязательные поля помечены * Комментарий * Имя * Email * Сайт