1、【判断题】老年医学是研究预防和治疗与老年相关的疾病,最大限度地延长老年人生命科学。

2、【判断题】疾病发展过程中一个阶段的医疗干预服务模式，旨在为具有康复潜能的急性后期和亚急性患者提供综合性的医疗、康复和护理服务，称为长期照护。

3、【判断题】60岁及以上人口比例达7%即为人口老龄化国家。

1、【填空题】人体的组织结构和生理功能出现自然衰退的现象称为 。

2、【判断题】衰老是疾病，与许多慢性病的发生密切相关。衰老的生物学意义是使生物个体通过衰老走向死亡，从而保持物种的稳定性和进化压力。

3、【判断题】由于社会文明的进步及医学科技的快速发展，产生了全球性的人口老龄化难题。

4、【判断题】衰老对自然界的生物学意义：在食物链中，最先被其他动物捕食的个体是幼年动物和老年动物。这种动物个体之间自然选择的结果，使身体强健、反应敏捷、生存能力强的健康个体得以存活下来。

2、【判断题】老年综合评估的终级目标是：多方面治疗老年人的共病，提高治愈率。

3、【判断题】日常生活能力功能评估包括基本日常生活活动、工具性日常生活活动、高级日常生活活动。

1、【填空题】便秘是指排便次数减少、粪便干硬和(或)排便困难。排便次数减少是指每周排便次数少于 次

2、【填空题】慢性便秘的病程是 （ ）月

3、【判断题】聚乙二醇电解质散、乳果糖属于渗透性泻药。

4、【判断题】功能性便秘应首选药物治疗。

2.3老年营养不良，衰弱和肌少症

2、【判断题】老年营养不良，是指在老年人群中，机体需要与营养素摄入之间不平衡而引起的一系列症状，包括营养不良和营养过剩。

3、【判断题】老年营养不良，是指在老年人群中，机体需要与营养素摄入之间不平衡而引起的一系列症状，包括营养不良和营养过剩。

4、【判断题】衰弱仅是躯体功能障碍，可以等同于失能及疾病。

1、【判断题】跌倒包括以下两类:①从一个平面至另一个平面的跌落;②同一平面的跌倒

2、【判断题】重症肌无力，进行性肌萎缩等是运动传导通路病变引起的运动障碍。

3、【判断题】痛性运动障碍见于癔症。

2、【判断题】晕车、晕船、晕机等，大部分人的晕动病为生理反应，只要接受足够强的刺激，所有人都能产生晕动病。

3、【判断题】眩晕指的是自身不稳感和头脑不清晰感。头晕指的是自身或环境的旋转、摆动感，是一种运动幻觉。

1、【填空题】（ ）是急性发作和间断意识水平变化的过程,伴注意力不集中、思维混乱、不连贯以及感知功能异常。

2、【填空题】谵妄的临床分型谵妄的临床表现分为（ ）和兴奋型。

3、【判断题】谵妄的药物治疗标准药物治疗的原则:单药治疗比联合药物好;以小剂量开始;选择抗胆碱能活性低的药物;尽可能快地停药,主要纠正引起谵妄的潜在原因;持续应用非药物干预措施。

4、【判断题】谵妄可由多种原因诱发，急性起病，以定向力障碍、幻觉、焦虑、言语散乱、烦躁不安及妄想为其主要临床表现，有夜轻日重的波动特点。

5、【判断题】谵妄可呈现波动，有时间间隔，在24小时内症状可能加重或减轻，在短时间内症状可以消失，造成临床医师的误解。

1、【填空题】是认知功能出现了问题，是记忆、学习、定向、理解、判断、计算、语言、视空间等功能受损。

2、【判断题】AD的临床特点是隐性起病、持续进行性的智能衰退而无缓解。

3、【判断题】β淀粉样蛋白的生成和蓄积是AD发病机制的中心环节。

2、【填空题】老年焦虑的发病机制原因很多，包括 、心理．生物学因素、人格与认知、生活事件、躯体疾病等。

3、【填空题】老年期焦虑障碍与 ，帕金森病，躯体疾病和 的鉴别。

4、【判断题】引起老年人焦虑情绪的吏直接因素是丧偶、健康状况、经济收入、医疗保健、居住条件、子女关系、环境改变等生活事件。

5、【判断题】有子女老年人，易出现焦虑、抑郁、孤独等情绪问题。

2、【填空题】老年期抑郁症(Late Life Depression)是指首次发病于 岁以后，以持久的抑郁综合症为临床表现的精神障碍。 是抑郁症最危险的症状，

3、【判断题】在自杀和企图自杀的老年人中百分之50-70继发于“抑郁症” 。

1、【判断题】老年吸人性肺炎病原菌以革兰阳性杆菌为主,兼有厌氧菌的复合菌感染多见

2、【判断题】各种慢性疾病，如心肺疾病、脑血管疾病、帕金森综合征等神经系统疾病及各种病因引起的食管功能障碍、鼻饲管及人工气道等侵人性操作损害正常呼吸道的防御功能致误吸等均为诱发肺炎的危险因素

3、【判断题】老年病五联征尿失禁 精神恍惚、不想活动、跌倒、丧失社交能力

1、【填空题】老年高血压的定义年龄 ≥ 60 岁、持续或 3 次以上、非同日坐位测量血压，收缩压 ≥_______和/或舒张压 ≥ 。

2、【填空题】体位性低血压是指从卧位改变为直立体位3min内，收缩压下降≥（ ）mmHg或舒张压下降≥（ ）mmHg，同时伴有头晕或晕厥等脑循环灌注不足的症状。

3、【判断题】假性高血压是指袖带法所测血压值高于动脉内测压值的现象，收缩压增高≥10mmHg或舒张压增高≥15mmHg，多见于严重动脉硬化老年患者。

2、【判断题】老年心力衰竭可以有味觉异常，口腔内有味道等；而恶心、呕吐、腹痛，常与肝、胃肠淤血相关。

3、【判断题】老年心衰患者都需要严格限盐。

4、【判断题】对于老年舒张性心衰患者来说，更强调原发病的治疗，但在药物治疗上与收缩性心衰患者不同，例如禁用洋地黄、慎用利尿剂和扩血管药物等。

2、【判断题】糖尿病综合管理即糖尿病教育，医学营养治疗，运动治疗，血糖监测和药物治疗。

3、【判断题】磺脲类，可促进胰岛素分泌，降糖效果明显，但易引起严重低血糖和体重增加。

4、【判断题】老年糖尿病中95%以上是1型糖尿病。同时老年糖尿病还可分为老年前患糖尿病和老年后新发糖尿病两种情况。

1、【填空题】骨质疏松症的分类：骨质疏松症分2类: 和 。

2、【填空题】骨质疏松症的临床表现包括（ ）、（ ）、（ ）3个方面。

3、【填空题】骨质疏松症的发病率白种人____ （高或低）于黑种人。

4、【判断题】骨质疏松是一组以骨强度下降、骨折风险性增加为特征的骨骼系统疾病。

• 请写出常用的损失函数，平方损失、交叉熵损失、softmax损失函数和hinge

• 为了应对上面的两点挑战就有了下面这些算法：

  SGD 在 ravines 的情况下容易被困住， ravines 就是曲面的一个方向比另一个方向更陡，这时 SGD 会发生震荡而迟迟不能接近极小值：
  

  当我们将一个小球从山上滚下来时，没有阻力的话，它的动量会越来越大，但是如果遇到了阻力，速度就会变小。
  加入的这一项，可以使得梯度方向不变的维度上速度变快，梯度方向有所改变的维度上的更新速度变慢，这样就可以加快收敛并减小震荡。

  超参数设定值: 一般 γ 取值 0.9 左右。

  这种情况相当于小球从山上滚下来时是在盲目地沿着坡滚，如果它能具备一些先知，例如快要上坡时，就知道需要减速了的话，适应性会更好。

  这个算法就可以对低频的参数做较大的更新，对高频的做较小的更新，也因此，对于稀疏的数据它的表现很好，很好地提高了 SGD 的鲁棒性，例如识别 Youtube 视频里面的猫，训练 GloVe word embeddings，因为它们都是需要在低频的特征上有更大的更新。

  Adagrad 的优点是减少了学习率的手动调节。超参数设定值：一般η选取0.01

  它的缺点是分母会不断积累，这样学习率就会收缩并最终会变得非常小。

  这个算法是对 Adagrad 的改进，

  超参数设定值: γ 一般设定为 0.9

  RMSprop 与 Adadelta 的第一种形式相同：（使用的是指数加权平均，旨在消除梯度下降中的摆动，与Momentum的效果一样，某一维度的导数比较大，则指数加权平均就大，某一维度的导数比较小，则其指数加权平均就小，这样就保证了各维度导数都在一个量级，进而减少了摆动。允许使用一个更大的学习率η）

  这个算法是另一种计算每个参数的自适应学习率的方法。相当于 RMSprop + Momentum

  实践表明，Adam 比其他适应性学习方法效果要好。

  几种算法在鞍点的表现：
  

  几种算法在等高线的表现：
  

  上面两种情况都可以看出，Adagrad, Adadelta, RMSprop 几乎很快就找到了正确的方向并前进，收敛速度也相当快，而其它方法要么很慢，要么走了很多弯路才找到。由图可知自适应学习率方法即 Adagrad, Adadelta, RMSprop, Adam 在这种情景下会更合适而且收敛性更好。

• 随着梯度变的稀疏，Adam 比 RMSprop 效果会好。
• 整体来讲，Adam 是最好的选择。
• 很多论文里都会用 SGD，没有 momentum 等。SGD 虽然能达到极小值，但是比其它算法用的时间长，而且可能会被困在鞍点。
• 如果需要更快的收敛，或者是训练更深更复杂的神经网络，需要用一种自适应的算法。

请你用实例说明一下前向传播和反向传播。

一定要把各项定义提前写好，包括 w、b、h、o、sigmod、E、η

再做反向传播，根据计算图，从最后往前链式法则一项项推导，注意更新权重和偏差的时候，还要有学习率。

参考这篇博客，步骤写得非常详细！

白化（Whitening）是机器学习里面常用的一种规范化数据分布的方法，主要是PCA白化与ZCA白化。白化是对输入数据分布进行变换，进而达到以下两个目的：

• 使得输入特征分布具有相同的均值与方差。其中：
  • PCA白化保证了所有特征分布均值为0，方差为1；
  • ZCA白化则保证了所有特征分布均值为0，方差相同。
• 去除特征之间的相关性。

通过白化操作，我们可以减缓ICS的问题，进而固定了每一层网络输入分布，加速网络训练过程的收敛（LeCun et al.,1998b；Wiesler&Ney,2011）。

白化主要有一下两个问题：

• 白化过程计算成本太高，并且在每一轮训练中的每一层我们都需要做如此高成本计算的白化操作；
• 白化过程由于改变了网络每一层的分布，因而改变了网络层中本身数据的表达能力。底层网络学习到的参数信息会被白化操作丢失掉。

请说明BN的原理，为什么要进行批归一化？

在深度学习中，由于采用full batch的训练方式对内存要求较大，且每一轮训练时间过长；我们一般都会采用对数据做划分，用mini-batch对网络进行训练。因此，Batch Normalization也就在mini-batch的基础上进行计算。

BN一般置于每一层的激活层之前，通过如下公式，对数据进行规范化，保证数据变为均值为0、标准差为1的分布。这样使得激活输入值落在非线性函数对输入比较敏感的区域，网络的输出就不会很大，可以得到比较大的梯度，避免梯度消失问题产生，而且梯度变大意味着学习收敛速度快，能大大加快训练速度。

BN层的作用主要有三个：

2.1 加快网络的训练和收敛的速度

在深度神经网络中中，如果每层的数据分布都不一样的话，将会导致网络非常难收敛和训练，而如果把 每层的数据都在转换在均值为零，方差为1 的状态下，这样每层数据的分布都是一样的训练会比较容易收敛。

2.2 控制梯度爆炸防止梯度消失

梯度消失：在深度神经网络中，如果网络的激活输出很大，其对应的梯度就会很小，导致网络的学习速率就会很慢，假设网络中每层的学习梯度都小于最大值0.25，网络中有n层，因为链式求导的原因，第一层的梯度将会小于0.25的n次方，所以学习速率相对来说会变的很慢，而对于网络的最后一层只需要对自身求导一次，梯度就大，学习速率就会比较快，这就会造成在一个很深的网络中，浅层基本不学习，权值变化小，而后面几层网络一直学习，后面的网络基本可以表征整个网络，这样失去了深度的意义。（使用BN层归一化后，网络的输出就不会很大，梯度就不会很小）

梯度爆炸：第一层偏移量的梯度=激活层斜率1x权值1x激活层斜率2x…激活层斜率(n-1)x权值(n-1)x激活层斜率n，假如激活层斜率均为最大值0.25，所有层的权值为100，这样梯度就会指数增加。（使用bn层后权值的更新也不会很大

在网络的训练中，BN的使用使得一个minibatch中所有样本都被关联在了一起，因此网络不会从某一个训练样本中生成确定的结果，即同样一个样本的输出不再仅仅取决于样本的本身，也取决于跟这个样本同属一个batch的其他样本，而每次网络都是随机取batch，这样就会使得整个网络不会朝这一个方向使劲学习。一定程度上避免了过拟合。

参考链接：神经网络中BN层的原理与作用

为什么BN层一般用在线性层和卷积层后面，而不是放在非线性单元后？

原文中是这样解释的，因为非线性单元的输出分布形状会在训练过程中变化，归一化无法消除他的方差偏移，相反的，全连接和卷积层的输出一般是一个对称,非稀疏的一个分布，更加类似高斯分布，对他们进行归一化会产生更加稳定的分布。其实想想也是的，像relu这样的激活函数，如果你输入的数据是一个高斯分布，经过他变换出来的数据能是一个什么形状？小于0的被抑制了，也就是分布小于0的部分直接变成0了，这样不是很高斯了。

卷积神经网络主要由这几类层构成：输入层、卷积层，ReLU层、池化（Pooling）层和全连接层（全连接层和常规神经网络中的一样）。通过将这些层叠加起来，就可以构建一个完整的卷积神经网络。

• 卷积操作：通常和filter对应位相乘
  

• 带padding的卷积操作：池化一般通过简单的最大值、最小值或平均值操作完成
  

RNN 跟传统神经网络最大的区别在于每次都会将前一次的输出结果，带到下一次的隐藏层中，一起训练，每个神经元的输入是上一个神经元的输出。如下图所示：

这就是残差网路的核心公式，换句话说，残差是网络搭建的一种操作，任何使用了这种操作的网络都可以称之为残差网络。

• 残差网络的特点是容易优化，并且能够通过增加相当的深度来提高准确率。
• 其内部的残差块使用了跳跃链接，缓解了在深度神经网络中增加深度带来了梯度消失的问题。
• 通过直接将输入信息绕道传到输出，保护信息的完整性
• 整个网络只需要学习输入和输出有差别的那一部分，这样就简化了学习目标以及难度。