I.J. Engineering and Manufacturing 2011, 4, 25-31
Published Online August 2011 in MECS (https://www.doczj.com/doc/d515106446.html,)
DOI: 10.5815/ijem.2011.04.04
Available online at https://www.doczj.com/doc/d515106446.html,/ijem
Mining Associated Factors about Emotional Disease Bases on FP-
Tree Growing Algorithm
XU Ai-ping a, TANG Yuan b, WANG Qi c,QIAO Ming-qi d, ZHANG Hui-yun e, WEI Sheng f a,b,c School of Computer, Wuhan University, Wuhan, China, 430079 d,e,f Basic Medicinal College, Shandong University of Chinese Traditional Medicine, Jinan, China, 250355
Abstract
The objective of this paper is to mine the useful information from anger and anger-in life events questionnaire, Eysenck Personality Questionnaire (EPQ) , State Trait Anger eXpression Inquiry (STAXI) Scale, Trait Coping Style Questionnair (TCSQ), Perceived Social Support Scale (PSSS) , anger and anger-in predisposition questionnaire, anger and anger-in Physiological State Questionnaire (PSQ) and a number of test indicator data, Look for associated factors, fumble rule, guide people to do early prevention and treatment. In this paper the forming process of FP-tree of the Emotional database is analyzed, the algorithm of structuring frequent model FP-tree and mining frequent itemsets are designed, the database information scanned is recorded by using FP-Tree growing algorithm through state-trees, frequent itemsets meet minimum support required are generated through reducing the search space of project sets and scanning database only one. The mine of all factors associated with emotional disease is actualized. The experiment shows strong factors associated with emotional disease can be mined from database system by the mining algorithm bases on FP-Tree frequent itemsets. The mining results can provide scientific basis for the analysis, prevention and treatment of symptoms.
Index Terms: Frequent itemsets; FP-Tree; Associated factors; Emotional disease; Mining
? 2011 Published by MECS Publisher. Selection and/or peer review under responsibility of the Research Association of Modern Education and Computer Science.
1.Introduction
With the increasing of social competition and work pressure, diseases caused by emotion become more and more, and the influence on health and disease exerted by emotional abnormity becomes increasingly seriously, which have aroused great social attention[1,2]. To study the main reason and rule of Emotional Disease, herbalist doctors apply questionnaire in general psychology condition, evaluation of mood ,study of Chinese medicine diseases and evaluation of curative effect, setting anger and anger-in life events questionnaire, Eysenck Personality Questionnaire (EPQ), State Trait Anger expression Inquiry (STAXI) Scale, Trait Coping Style Questionnair (TCSQ), Perceived Social Support Scale (PSSS)[3], anger and anger-in predisposition * Corresponding author.
E-mail address:a Xap1464@https://www.doczj.com/doc/d515106446.html,
questionnaire, anger and anger-in Physiological State Questionnaire(PSQ) [3] and a number of test indicator data. To reveal the pathogenesis which induces Emotional Disease, and look for effective interventional way, the DBMS of Emotional Disease should be built[4], providing experimental data for study of epidemiology, clinical retrospective research and prospective study, and then excavating associating factors associated with disease from a large amount of collected data. This is the purpose of study in this paper.
To excavate factors associated with Emotional Disease, we should firstly find out the itemsets that satisfy pathogenic condition, and then find out the itemsets that met minimum support. Accordingly, the key issue of this paper is to finding out related frequent itemsets in a large data sets at high efficiency. The main problem of classical excavation bases on FP-Tree frequent itemsets is the high cost of I/O caused by repeated scan, and the later studies put forward a lot of methods that can reduce the scanning times of database [5]. Recently, the method that reducing the scanning of database through decreasing the search space of itemsets has been widely studied. For instance, the classic representation is the FP-Tree growth algorithm putted forward by Han [6], which scans information through records of state tree rather than use candidate frequent itemsets, thus building frequent itemsets through scanning database for only one time. This paper applies this algorithm to the database of emotional disease, building the final largest frequent itemsets step by step through one time scanning, and then listing pathogenic associated factors.
2.The Representation of FP-Tree
FP-Tree is a kind of compressed representation of the input data, it’s constructed by reading transaction one by one and mapping each transaction to path of FP-Tree. Because different transactions may have several kinds of the same items, their path may overlap. The more the path overlapping, the better the compressed results that got by FP-Tree structure will be. If a FP-Tree is small enough to stored in the memory, you can directly extract frequent itemsets from this in-memory structure, without repeatedly scanning data in the hard disk. Every items in the emotional questionnaires have many parts, such as when you encounter difficulties or unpleasant in the daily life, how would you treat it? We choose five kinds of grade which from 5 to 1 that represent answer from "affirmation is" to "affirmation isn't", that is "Certainly is" choose 5 and "surely not" choose 1. In so way, each items in transaction has five values, Ti_1, Ti_2, Ti_3, Ti_4 and Ti_5. Table 1 shows a transaction database table, it contains 10 transaction and five items, suppose minimum support is 30%,the frequent items, namely {t1_5},{t2_2},{t2_4},{t2_5}, {t3_3},{t3_4},{t4_1},{t4_4},{t5_4},{t5_5} that the least counting is less than three are non-frequent item. According to the support degree's degressive sort, the frequent items's dataset are shown as Table 2.
Table 1. Transaction Database Table
TID t1 t2 t3 t4 t5
1 2 3 1 2 4
2 2
3 1 2 3
3 3 2 3
4 2
4 3 4 2 3 2
5 2 3 2 4 3
6 3 4 2 3 2
7 3 3 2 3 3
8 5 3 4 1 5
9 2 3 1 2 4
10 3 5 2 3 2
Table 2 Transaction Dataset Table
TID Item
2 {t2_3,t1_2,t3_1,t5_3,t4_2}
3 { t1_3,t5_2}
4 {t1_3,t3_2,t5_2,t4_3}
5 {t2_3,t1_2,t3_2,t5_3}
6 {t1_3,t3_2,t5_2,t4_3}
7 {t2_3,t1_3,t3_2,t4_3,t5_3}
8 {t2_3}
9 {t2_3,t1_2,t3_1,t4_2}
10 {t1_3,t3_2,t5_2,t4_3}
To facilitate the algorithm's top-down search, every node in the FP-tree that the algorithm has used will at least composed by five fields [7]: "node-name", "node-count", "node-link", "node-child" and "node-parent". "node-count" counts the number of transaction which mapped to a given path. "node-child" points the child of the node. Because there may be many children, "child node" will be able to expand. The basic node fields are as follows:
At first, the FP-Tree only contains a root node which marked with a symbol Null. Then, expand the FP-Tree with the following methods:
(1) Scan dataset one times and determine support counting of each items. The support degree is an important measure, because the rules with lower support degree is not convincing and it just happened accidentally. Support degree is often used to delete those uninteresting associated factors. Suppose the minimum support degree is 30%, items that support are less than three are non-frequent items. Sort the frequent item according to the support degree descending order. For datasets in table 2, t2_3's support degree counting is six, it's is the most frequent item. The next is t1_3:5; t3_2:5 and t1_2:4 respectively. Items that the support degree is more than three are frequent items;
(2) The algorithm will construct a FP-Tree at the second time's scanning. After read the first transaction, namely {t2_3,t1_2,t3_1,t4_2}, it will create nodes that tag with t2_3, t1_2, t3_1 and t4_2 and then it will form
a path: Null→t2_3→t1_2→t3_1→t4_2, all nodes of this path’s frequency counting is one.
(3) The second transaction, {t2_3,t1_2,t3_1,t5_3,t4_2}, will share the same prefix item with the first one, the path of the second transaction and the first one will be partly overlap, so the frequent counting of nodes: t2_3,t1_2 and t3_1 can be increased to two, while the newly created node t5_3 and t4_2’s frequent counting equal to 1;
(4) After the algorithm read the third transaction, { t1_3,t5_2}, it will create new node set for items t1_3 and t5_2 which connect Null and form a path representing the transaction. Frequent counting of each node in this path will be equal to one.
(5) Continue the process until each transaction is mapped to a path in the FP-Tree.
After read all the transactions, the FP-Tree will be shown as Fig 1.
Fig 1. A complete FP-Tree
Fig 2. The process of FP-growth finding frequent itemsets
The algorithm of structuring FP-Tree is as following:
(1) Scan the transaction database, collect the frequent sets and the corresponding supporting degree, discard non-frequent items, and make a frequent item table L.
(2) Put all transactions into the array of the memory and obtain a transaction set List.
(3) Scan the frequent item table L and arrange the frequent items in the frequent item table by descending order through the bubble sort algorithm.
(4) Scan the transaction sets of the memory, discard the first transaction in the non-frequent item by comparing with the frequent item table L which has been arranged in order, then arrange the frequent items of the first transaction according to the supporting degree count by descending order.
(5) Firstly, create root node of the FP-Tree which is remarked by NULL, then read the first transaction sequenced, set the item table of the transaction as [p | P], in which p is the first frequent item, P is the frequent items that is derived. Call the procedure createTree ([p|P], _topNode, L), in which _topNode is the current root node, L is the frequent item table. If _topNode has child node which makes N.ItemName equal to p.ItemName, N's support degree count is added by 1, or else create a new node N, and set its support degree count as 1, connect it to its parent node _topNode, and connect it to the nodes which have the same ItemName through NextNode. Finally, delete the first frequent item from the first transaction , reduce the indexs of the rest of the frequent items by 1 at the same time, then obtain a new transaction item table [p1|P], set the _topTreeNode as p. If the frequent item of the first transaction is non-null, recursively call the procedure createTree, each new _topTreeNode is the frequent item which was deleted last time until the first transaction is completely read.
(6) Now back to step 4, scan the transaction sets in the memory, filter and sort the second transaction, and then do the step (5), loop around the steps until the last transaction is processed, a complete FP-Tree is formed in the end.
In general, the size of FP-Tree is smaller than the uncompressed data, because the transactions of the data table often share some common items. In the best case, all transactions have the same item sets, FP-Tree contains only one node path. When each item has a unique item set, the worst thing happens. As the transaction contains none of the common item, the size of FP-Tree is actually the same as the original data, however, the additional space is used for stored pointers and count for the nodes, the demand of FP-Tree storage is greater.
3.The MINING Frequent Itemsets
The FP-growth algorithm seeks tree from bottom to up, generate frequent itemsets via FP-tree. As the tree shown in Fig 1, firstly algorithm seeks the itemsets end up with t4_2, then t5_3, t3_1, t1_2 in turn, the last node is t2_3. Detailed states are as follow:
(1) Collect all paths that include node t4_2, these paths called prefix path, as shown in Fig 2 (a).
(2) The support degree count of node t4_2 is three, so {t4_2} is frequent itemset, then considering itemsets end up with {t4_2,t3_1},{t4_2,t1_2},{t4_2,t2_3} and {t4_2}. Transform prefix path into condition FP-Tree. Update the support count of prefix path, delete node t4_2, clip prefix path. After updating the support count of prefix path, some item may no longer be frequent item. As the support count of node t5_3 is 1, so itemset ends up with {t5_3, t4_2} is not frequent and delete node t5_3. It is shown as Fig 2 (b).
(3)In order to find frequent itemsets end up with t3_1 and t4_2, collect t3_1's prefix path from t4_2's condition FP-Tree. The support count of {t3_1, t4_2} is three, so it is frequent itemsets. Because this condition FP-Tree contains item t1_2 and t2_3 which support count equal minimum support degree, so algorithm picks up frequent itemsets {t1_2, t3_1, t4_2}, {t2_3, t3_1, t4_2} ,{t2_3, t1_2, t3_1, t4_2} and the result is shown as Fig 2(c).
(4) Find out frequent itemsets that end up with t1_2, t4_2. After handling t1_2's prefix path, find out that itemsets {t1_2, t4_2} is frequent. Because this condition FP-Tree contains an item t2_3 which support count equals minimum support degree, so algorithm picks up frequent itemsets {t2_3, t1_2, t4_2} and the result is shown as Fig 2(d).
(5) Finally, find out itemsets end up with t2_3, t4_2, and the result is that {t2_3, t4_2} is the only rest of frequent itemset which is shown as Fig 2 (e).
All frequent itemsets are shown in table 3.
Table3 Frequent itemsets in term of postfix sort
postfix Frequent itemsets
t4_2 {t4_2},{t3_1,t4_2},{t1_2,t3_1,t4_2},{t2_3,t1_2,t3_1,t4_2},{t2_3,t3_1,t4_2},{t
1_2,t4_2},{t2_3,t1_2,t4_2},{t2_3,t4_2}
t5_3 {t5_3},{t2_3,t5_3}
t3_1 {t3_1},{t1_2,t3_1},{t2_3,t1_2,t3_1},{t2_3,t3_1}
t4_3 {t4_3},{t5_2,t4_3},{t3_2,t5_2,t4_3},{t1_3,t5_2,t4_3},{t3_2,t4_3},{t1_3,t3_2,t
4_3},{t1_3,t4_3},{t3_2,t5_2,t1_3,t4_3}
t5_2 {t5_2},{t3_2,t5_2},{t1_3,t5_2}, {t3_2,t1_3,t5_2}
t1_2 {t1_2},{t2_3,t1_2}
t3_2 {t3_2},{t1_3,t3_2}
The algorithm of mining frequent itemsets is described as follow:
Procedure FP-growth (Tree,α)[8]
{ If FP-tree contains single path then:
(1) Firstly, get all node _treeNodeItemList in this path, figure out combination count N in this path. Secondly, get support count of every combination β in turns. The support count of β equals the minimum node support amo ng β. At the same time, add this combination into combination aggregation _itemList. Do as this, support count of all combination and combination aggregation can be derived.
(2) Generate mode β∩α for every combination in single path.
Else
(1) Traverse all frequent items αi according to the support degree in ascending order. For every frequent item, generate a mode β=αi∪α and its support degree is αi.
(2) Construct β's condition mode, add store their support count into several list in ascending order.
(3) Co nstruct β's condition FP-Tree which is named as Treeβ.
(4) If Tree β is not null, call recursively FP-growth (Treeβ, β). }
4.The experiment of ming associated factors
The experiment of research in this paper takes the datum of sleep quality survey as example. The score of sleep quality is stored in variable PSQI which includes seven ingredients. IngredientⅠis the score of subjective sleep quality. If the sleep quality is very good, records 0 score; is better, record 1 score; is worse, records 2 scores; is worst, records 3 scores. IngredientⅡ figures out scores based on the ramp duration and degrees of sleeping difficulty. If the ramp duration is 15 minutes or less, marks as 0; is between 16 and 30 minutes, marks as 1; is more than 31 but less than 60 minutes, marks as 2, is more than 60 minutes, marks as 3. If there is no sleeping difficulty , scores 0; sleeping difficulty is less than one time a week, scores 1; is one or two times a week, scores 2; is more than 3 times a week, scores 3. IngredientⅢ records on the sleeping time. If sleeping time is more than 7 hours, marks as 0; is between 6 and 7 hours, marks as 1; is only 5 to 6 hours, marks as 2, is less than 5 hours, marks as 3. IngredientⅣmarks routine sleep efficiency. Routine sleep efficiency equals to sleeping hours divide hours passed on bed and then multiply 100%. If sleep efficiency is more than 85%, records 0 points; is between 75% to 84%, records 1 points; is between 65% to 74%, records 2 points; is below 65%, records 3 points. IngredientⅤrecords on worry frequency which affects sleep. If there is no worry, marks as 0. If worry frequency is 1 to 9, marks as 1; is 10 to 18, marks as 2; is 19 to 27, marks as 3. IngredientⅥ make scores according to the consumption of hypnotic drug. Without hypnotic drug records 0. If uses once or less a week, records 1; uses once to twice a week, records 2; users more than three times a week, records 3. IngredientⅦ points by daily functions during a week. If no tiredness, marks 0. If feels tired no more than once a week, marks 1; once to twice a week, marks 2; more than 3 times during a week, marks 3. Once feels energy shortage, records 0; occasionally feels insufficient, records 1; sometimes be short of vitality, records 2 ; frequently feels deficient in energy, records 3. IngredientⅦ sums of the two items. If the point is 0, marks 0; is between 1 and 2, marks 1; is 3 to 4, marks 2; is among 5 to 6, marks 3.
The total scores of PSQI sums up of IngredientⅠ,Ⅱ,Ⅲ,Ⅳ,Ⅴ,Ⅵ,Ⅶ. The associated factors about sleeping quality are searched from IngredientⅠ,Ⅱ,Ⅲ,Ⅳ,Ⅴ,Ⅵand Ⅶaccording to total scores of PSQI. The experiment, which is based on more than 3000 records of sleep quality survey table, is to find the associated factors that affecting sleeping quality. The result shows that the most frequent associated factors which influence sleeping quality is breath impeded, cough or high snoring sound, feeling cold, feeling hot or the nightmare. Program analysis takes 2 seconds wholly.
5.Conclusion
It is important to develop the research of pathogenesis which tempt emotional disease, establish a scientific data management method, and mine main pathogenic factor for establishing different interventions way, adjusting human relationship which is important for the harmony of social, resolving kinds of conflict caused by anger, and improving the level of curing and preventing disease. Finding max frequent itemsets is one of key problem of data mining, and also a hot point of research. Because the data size of emotional disease's survey table is huge, and the classic frequent itemsets mining algorithm Apriori need to scan database several time repeatedly, the cost of I/O will be too high so that no valuable data is derived. This research adopts FP-tree algorithm, which is based on frequent mode tree, and provide a better platform of data analysis and mining. It has been applied to reality, and get the expected effects.
Acknowledgment
Acknowledgment the academic inherit and innovative research of symptomatic mechanism of Traditional Chinese Medicine.（No. 2006CB504804 Developing plan of 973 basic research of national keystone）. References
[1] QIAO ming-qi, ZHANG Hui-yun, CHEN Yu-zhen, YIN Jing-hai,HU Chun-yu. Hypothesis of “several interlaced emotions causing disease and firstly impairing liver” and demonstration. J ournal of SHANDONG university of Traditional Chinese Medicine. 2006; vol. 30(1), pp.8-10 (in chinese)
[2] QIAO Ming-qi,WANG Wen-yan,ZHANG Hui-yun. Epidemiological Survey on Etiology of Gan-qi Inversion Syndrome and Gan-qi Stagnation Syndrome and Study on the Evocative Mode of Emotional Diseases. Chinese Journal of Integrative Medicine. 2007, vol. 27(2) , pp.117-119 (in chinese)
[3] HUChun-yu, AN Li, WANG Jing-jing. Discussion on possibility of forming angry constitution scale. Journal of SHANDONG university of Traditional Chinese Medicine. 2007, vol. 31(6), pp.446-448 (in chinese) [4] XU Ai-ping, ZHANG Deng-yi, QIAO Ming-qi, etc. Study on Database System about Emotional Diseases Caused by Anger-out and Anger-in. 2010 International Conference on Biomedical Engineering and Computer Science.: 559-563
[5] J Han,J Pei,Y Yin. Mining frequent patterns without candidate generation. In: M Dunham,J Naughton,W Chen,eds.Proc of 2000 ACM-SIGMOD INT’I Conf on Management of Data(SIGMOD’00).New York:ACM Press,2000,1-12
[6] Mei Jun,Zheng Gang.An Algorithm for Mining Maximum Frequent Item Sets Based on FP-tree. Research and Development, 2009.9:33-35 (in chinese)
[7] Qin Liangxi,Su Yongxiu,Liu Yongbin,and Liang Bizhen.A Compact FP-Tree and Array-Technique Based Algorithm for Frequent Patterns Mining, Journal of Computer Research and Development, 2008,45:244-249 (in chinese)
[8] Guo Wei,Ye De-qian. Improved algorithm for frequent itemset mining based on FP-tree. Computer Engineering and Applications,2007,43(19):174-176 (in chinese)
第一节植物分类概述（1 学时）一、分类原则1．人为分类2．自然分类3．细胞遗传学——物种生物学4．化学分类学5．数量分类学二、分类单位和命名1．植物分类的基本单位2．命名原则三、界和门的划分1．界的划分：二界说、新二界说、三界说、五界说、六界说2．植物门的划分：菌藻植物、苔藓植物、蕨类植物、种子植物 第二节原核生物 （1 学时）一、细菌门1．细菌的主要特征2．细菌的分类3．细菌的繁殖方式二、蓝藻门1．蓝藻与细菌的区别2．蓝藻的主要特征3．原核生物的生活史第三节真核藻类和真菌、地衣（1 学时）一、藻类(Algae) 1．藻类的主要特征2．藻类的种类、门类3．藻类的繁殖方式二、真菌(Fungi) 1．真菌的主要特征2．真菌的种类3．真菌的繁殖方式4．真菌的演化历史三、地衣
1．地衣的主要特征：形态、结构、繁殖等特点2．地衣的种类3．地衣的生境与分布第四节苔藓和蕨类植物（1 学时）一、苔藓植物1．苔藓植物的主要特征2．苔藓植物的分类3．苔藓植物的繁殖方式4．苔藓植物的分布与生境二、蕨类植物1．蕨类植物的主要特征2．蕨类植物的分类概况3．蕨类植物的繁殖方式4．蕨类植物的生境与分布第五节种子植物（1 学时）一、裸子植物1．裸子植物的生活史2．裸子植物的主要特征3．裸子植物的分类及主要代表类型二、被子植物1．被子植物的生活史2．被子植物的的主要特征3．被子植物的主要分类系统 第二章植物生活和环境（9 学时）——植物生态类群的分化本章的教学目的与要求：掌握植物个体与环境条件之间的相互关系，掌握环境和生态因素的概念，了解生态因素对植物作用的特点；掌握各生态因素对植物的影响以及植物对生态因素生态适应特点。重点：环境与生态因素的概念、植物对各生态因子的生态适应特征。难点：植物适应性的形成。第一节概述（1 学时）一、环境与生态因子1．基本概念：环境、环境因子、生态因子、非生态因子、生态环境、小生境、
情绪调适与疾病的关系 徐薇!，戴瑞婷"，杨安阳"，徐志刚" （!#北京军区天津疗养院，$%%$&!；"#天津第四中心医院） 关键词’情绪调适；疾病；关系 中国图书资料分类号：($)*’’’’’文献标识码：+’’’’’文章编号：!%%,-!"*.（"%%/）""-"%%,-%" ’’早在!)$"年，国际学者坎农［!］分析了不同情绪状态时对机体生理功能的影响。情绪学说是心理学的重要的组成部分，近代心理学家研究证明，情绪的生理基础既包括大脑皮质活动，又包括皮质下中枢的活动，大脑皮质起调节、制约的作用。情绪既是一个复杂的心理现象，也是一个复杂的心理过程。当人体受到外界各种不同事件刺激时，大脑皮质对各种事件会发生不同反映，这种反映就是情绪的外在表现。随着客观世界的复杂化、多维化，人们的感觉也深化繁衍，由于人的个性差异，情绪也随之千变万化。因此，要有一个好的心态、稳定的情绪，才能使身体健康。 !’情绪与健康的关系 现代社会的疾病与心理情绪状态有着密切的关系，而心理情绪的状态也影响疾病的进程、转归和预后。在当今的社会变迁中，我们每一个人都有着自身的感触，有不同的情绪变化。高度紧张的生活节奏、千丝万缕的人际关系，在竞争中求生存，人们心理适应的差异导致了情绪的不稳定。情绪是人体心理活动的一种表现，心理活动与社会稳定是相互制约、相互协调的。当人体情绪的外环境发生突如其来的事件，且超过了人体正常心理承受能力，肌体就会产生疾病。 ’’人们在社会生活事件的刺激下产（01(0、事故、失恋）产生的紧张、焦虑、愤怒、悲伤或过喜等情绪反应，都伴随神经内分泌系统的功能改变。当心血管调控系统受到敏感的刺激后，植物神经系统、内分泌系统产生变化，肾上腺素分泌增加，交感神经兴奋、心肌收缩、心率加快、心博量增加，继而诱发心血管疾病。有人做过试验，被试者看不同的电影时，其尿中的儿茶酚胺浓度变化如下：看风光片时，尿中的肾上腺素与去甲肾上腺素均降低；看攻击性影片或喜剧片时，尿中的肾上腺素、去甲肾上腺素不变；看恐怖片时，尿中的肾上腺素、去甲肾上腺素均上升。试验还发现，人愉快时肾上腺素排出量最高，安静时最低；不愉快时肾上腺素的变化与去甲肾上腺素相似；情绪激动时，儿茶酚安排除量均上升，情绪压抑时，血与尿中肾上腺皮质激素量均持续相当高，肾上腺素、去甲肾上腺素及醛固酮也类似变化［!］。 ’’23455在!),!年报道了对胃瘘患者的观察，发现情绪可以引起胃粘膜、胃壁运动血管充盈和粘膜分泌的不同变化，长期紧张的精神刺激和不良的情绪反应，作用于大脑皮质开始引起兴奋。长时间过度兴奋的大脑皮质转为超限抑制，导致了皮质下中枢功能失调，植物神经的控制中心视丘脑下部紧张性增高，进而发生机能的紊乱和异常［!］。通常为副交感神经系统兴奋、肾上腺素皮质激素升高、粘膜下血管痉挛、胃部内分泌增加、胃运动亢进、胃酸分泌增加、胃蛋白酶原分泌增加、67逆向弥散增加而诱发溃疡病。 ’’紧张的刺激作用于大脑后，可通过下丘脑和垂体，促使肾上腺释放皮质激素，可降低巨噬细胞对抗原的吞噬及消化能力，以致病原体有可能在体内增殖而感染［!］。紧张的刺激情绪可使大脑皮质功能失调，紧张的刺激影响下丘脑，胸腺功能失调，8细胞成熟受损，巨细胞吞噬的能力下降，而干扰了淋巴细胞的再循环，免疫器官退化，功能低而产生自身免疫性疾病。如红斑狼疮、重症肌无力症等许多疾病，都与情绪的失控密切相关。 近代医学证明，人体具有生物性、心理性两大防御体系。前者是人体的生物免疫系统，后者指人的良性情绪功能等心理作用［"］。心理活动是人体组织器官对外事务反应的集合。在这些器官的调解下，人体进行正常的生理活动和心理活动，与自然环境与社会保持动态的平衡。当这种平衡受到破坏，人失去了良好的心境和情绪，就会产生各种疾病。因此，调试好自我心境才能有良好的、稳定的情绪。 "’情绪的自我调适 情绪明显带有社会性，或喜或忧、或惊或怒，与人对客观事物的认知水平有关。评定每个人的情绪、矫治不良情绪，掌握好这一点对疾病的防治都非常重要。产生不良情绪原因有三：!社会改革的步伐加快，社会关系网的微妙变化；"各种突发事件的产生，外环境的改变；#承受心理压力顺应度的较弱与应激不良。在生理和心理两方面，对于最敏感的应激源类型，各人有不同的反应。每人对应激源的敏感性也是各不相同。事态骤变、失意及其他问题，某人可以处之泰然，而另!人则会感到束手无策［$］。躯体反应与情绪体验是一致的，情绪一旦改变，相应的躯体反应立即消失。因为，心里紧张或不良的情绪，可诱发疾病，不良的情绪可以使病情加重，不良的情绪可以降低药物治疗的效果。因此，必须学会调整自我心态，保持良好的情绪状态，顺应各种应激源，缓解紧张、焦虑的不良情绪。笔者认为首要一点是超越自我，正确认识自我价值，做到胸襟开阔，理智宽容的对待生活、工作，为自己营造一个良好的心态。其次是平衡心理，善交朋友，学会自我放松，在遇到不愉快事件，想不通问题时，与朋友聊聊天，听听音乐，散散步或到大千世界去郊游，以达到放松心情的目的。再者，学会宣泄，把所有的不快讲出来，使压抑的情绪得以释放。另外，运动疗法也可使自身从不良的情绪中走出来。现代精神卫生科学阐明，稳定和乐观的良性情绪是防治疾病不可缺少的心理因素。笔者认为，身心健康状况受个人生活、社会和心理因素平衡的影响，情绪的失控会影响到人对事物的认知。因此，我们必须学会自我情绪调适。在绝望中摆脱烦恼，在痛苦中抓住快乐，在压力下寻找解脱，在失败的时候找回希望［,］。在这个世界中会有许多事情是我们难以预料的，我们不能控制际遇，无法预知未来，但我们能掌握自己，调试自我情绪。只有稳定的良性情绪，才能有一个健康的躯体。$’参考文献 ,%%"《职业与健康》’"%%/年!!月第""卷第""期’9++:;18<9=1=>6?1@86A3B#""=3#!!=3CDEFDG，"%%/
算法案例 【学习目标】 1.理解辗转相除法与更相减损术中蕴含的数学原理，并能根据这些原理进行算法分析； 2.基本能根据算法语句与程序框图的知识设计完整的程序框图并写出算法程序； 3.了解秦九韶算法的计算过程，并理解利用秦九韶算法可以减少计算次数提高计算效率的实质； 4.了解各种进位制与十进制之间转换的规律，会利用各种进位制与十进制之间的联系进行各种进位制之间的转换. 【要点梳理】 要点一、辗转相除法 也叫欧几里德算法，它是由欧几里德在公元前300年左右首先提出的.利用辗转相除法求最大公约数的步骤如下： 第一步：用较大的数m除以较小的数n得到一个商q 0和一个余数r ； 第二步：若r 0=0，则n为m，n的最大公约数；若r ≠0，则用除数n除以余数r 得到一个 商q 1和一个余数r 1 ； 第三步：若r 1=0，则r 为m，n的最大公约数；若r 1 ≠0，则用除数r 除以余数r 1 得到一个 商q 2和一个余数r 2 ； …… 依次计算直至r n =0，此时所得到的r n－1 即为所求的最大公约数. 用辗转相除法求最大公约数的程序框图为：
程序： INPUT “m=”;m INPUT “n=”;n IF m
WEND PRINT n END 要点诠释： 辗转相除法的基本步骤是用较大的数除以较小的数，考虑到算法中的赋值语句可以对同一变量多次赋值，我们可以把较大的数用变量m 表示，把较小的数用变量n 表示，这样式子 )0(n r r q n m <≤+?=就是一个反复执行的步骤，因此可以用循环结构实现算法. 要点二、更相减损术 我国早期也有解决求最大公约数问题的算法，就是更相减损术. 更相减损术求最大公约数的步骤如下：可半者半之，不可半者，副置分母、子之数，以少减多，更相减损，求其等也.以等数约之. 翻译出来为： 第一步：任意给出两个正整数；判断它们是否都是偶数.若是，用2约简；若不是，执行第二步. 第二步：以较大的数减去较小的数，接着把较小的数与所得的差比较，并以大数减小数.继续这个操作，直到所得的数相等为止，则这个数(等数)就是所求的最大公约数. 理论依据： 由r b a r b a +=→=-，得b a ,与r b ,有相同的公约数 更相减损术一般算法： 第一步，输入两个正整数)(,b a b a >； 第二步，如果b a ≠，则执行3S ，否则转到5S ； 第三步，将b a -的值赋予r ； 第四步，若r b >，则把b 赋予a ，把r 赋予b ，否则把r 赋予a ，重新执行2S ； 第五步，输出最大公约数b . 程序: INPUT “a=”，a INPUT “b=”，b WHILE a<>b
《黄帝内经》关于情绪与疾病 中医认为，人的情绪有七种：怒、喜、思、忧、悲、恐、惊，即所谓“七情”。《黄帝内经》认为：某种情绪过于强烈、持久或失调，会引起脏腑气血功能紊乱，从而产生疾病。 《素问·举痛论》云：怒则气上，喜则气缓，悲则气消，恐则气下，惊则气乱，思则气结。 《素问·阴阳应象大论》云：怒伤肝，喜伤心，思伤脾，忧伤肺，恐伤肾。喜怒伤气，暴怒伤阴，暴喜伤阳。 《素问·刺法论》云：大悲伤也，悲伤即肺动，而其气复散也。 《素问·疏五过》云：暴怒伤阴，暴喜伤阳。 《灵枢·寿夭刚柔》云：忧恐忿怒伤气。 《灵枢·百病始生》云：忧思伤心，忿怒伤肝。 《灵枢·九针论》云：形数惊恐，筋脉不通，病生于不仁。 《黄帝内经》认为：某种情绪可以通过另一种情绪来调节。 《素问·阴阳应象大论》云：怒胜思，喜胜忧，思胜恐，悲胜怒，恐胜喜。 《黄帝内经》这些关于情绪失常导致疾病以及调节情绪治疗疾病的观点对后世运用情绪疗法治疗疾病产生了深远影响。 古代名医通过调节情绪治疗疾病，不乏其例。 《三国志·魏书·方伎传》载有华佗以情绪治病的例子：“一郡守病，佗以为其人盛怒则瘥，乃多受其货而不加治，无何弃去，留书骂之。郡守果大怒，……瞋恚既甚，吐黑血数声而愈。” 金代名医张从正（字子和，号戴人）对于用调节情绪的方法治疗疾病颇有发挥。其所著《儒门事亲·卷三》云：“悲可以治怒，以怆恻苦楚之言感之；
喜可以治悲，以谑浪亵狎之言娱之；恐可以治喜，以恐惧死亡之言怖之；怒可以治思，以污辱欺罔之言触之；思可以治恐，以虑彼志此之言夺之。” 《儒门事亲·卷五》记载了几个张从正通过调节患者情绪治病的例子： 息城司侯，闻父死于贼，乃大悲哭之，罢，便觉心痛，日增不已，月余成块，状若覆杯，大痛不住，药皆无功，乃求于戴人。戴人至，适巫者在其旁，乃学巫者，杂以狂言以谑病者。至是大笑，一、二日，心下结块皆散。戴人曰∶《内经》言∶忧则气结，喜则百脉舒和。又云∶喜胜悲，《内经》自有此法治之。 项关令之妻，病食不欲食，常好叫呼怒骂，欲杀左右，恶言不辍。众医皆处药，几半载尚尔。其夫命戴人视之。戴人曰∶此难以药治。乃使二娼，各涂丹粉，作伶人状，其妇大笑；次日，又令作角抵，又大笑；其旁常以两个能食之妇，夸其食美，其妇亦索其食，而为一尝。不数日，怒减食增，不药而瘥，后得一子。 一富家妇人，伤思虑过甚，二年不寐，无药可疗。其夫求戴人治之。戴人曰∶两手脉俱缓，此脾受之也。脾主思故也。乃与其夫，以怒而激之。多取其财，饮酒数日，不处一法而去。其人大怒汗出，是夜困眠，如此者，八、九日不寤，自是而食进，脉得其平。 卫德新之妻，旅中宿于楼上，夜值盗劫人烧舍，惊坠床下，自后每闻有响，则惊倒不知人，岁余不痊。戴人见而断之曰∶惊者为阳，从外入也；恐者为阴，从内出也。惊者，为自不知故也；恐者，自知也。足少阳胆经属肝木。胆者，敢也。惊怕则胆伤矣。乃命二侍女执其两手，按高椅之上，当面前，下置一小几。戴人曰∶娘子当视此。一木猛击之，其妇人大惊。戴人曰∶我以木击几，何以惊乎？伺少定击之，惊也缓。又斯须，连击三、五次；又以杖击门；又暗
第五章园林植物的影响因素 植物为活的有机体，在生长发育过程中，不断受到内在因素的影响，同时受外界条件的综合影响，较明显者为：温度、水分、土壤、空气、人类活动等。 一、温度 随海拔升高、纬度（北半球）北移而降低； 随海拔降低、纬度（北半球）南移而升高。 南---------北：常绿----落叶 阔叶----针叶 （一）温度三基点 1、温度变化----影响植物的光合作用、呼吸作用、蒸腾作用等生理作用。 （1）最低温度 （2）最适温度 （3）最高温度 2、一般植物0—35oC范围内，温度上升，生长加速， 温度下降，生长减缓 （二）温度的影响 1、温度影响植物的休眠和萌芽 2、低温使植物遭受寒害和冻害 3、高温影响植物质量 4、温度与物候的关系 5、温度与各气候带的植物景观 （1）寒温带针叶林景观 （2）温带针阔叶混交林景观 （3）暖温带落叶阔叶林景观 （4）亚热带常绿阔叶林景观 （5）热带季雨林、雨林景观 二、水分 1、水的作用： （1）影响植物的光合作用、呼吸作用、蒸腾作用等生理作用 （2）植物生存的物质条件之一
（3）影响植物的形态结构、生长发育、繁殖、种子传播的生态因子之一 （4）可形成特殊的植物景观 2、植物分类（依植物对水分变化的适应能力） （1）旱生植物：少量水分即可满足生长发育 树干矮小、树冠稀疏、根系发达、夜小而厚， 有的退化成针状，表面有角质层或生绒毛 如：仙人掌 （2）湿生植物：与（1）对立 一般根系不发达，生长发育需要大量水分抗旱能力差 如：秋海棠、酢浆草 （3）中生植物：介于（1）（2）之间 如：水淹可正常生长：旱柳、乌桕、水杉 水淹会死亡：梧桐、桃、李、木瓜、雪松（4）水生植物：植物的全部或部分必须在静水或流水中生长 如：王莲 三、光照 （一）植物对光照的要求，通过以下两点表示 （1）光补偿点 （2）光饱和点 （二）植物分类（依光照强度） （1）阳性植物：要求较强光照，不耐庇荫 （2）阴性植物：要求较弱光照 （3）中性植物（耐荫植物） 备注：耐荫是相对的，与纬度、气候、年龄、土壤密切相关 四、土壤（植物生长发育的基质） （一）土壤物理性质的影响 主要指土壤的机械组成 （二）土壤厚度的影响 涉及土壤水分、养分多寡及承重问题 （三）土壤酸碱度（PH） 影响矿物质养分溶解、转化、吸收 （四）植物分类
大家有没有发现：身边总是会有人与某一种健康问题纠缠不清。比如，经常性的感冒、皮肤过敏、喉咙不适、胃痛胃溃疡、失眠多梦、经常性头痛等症状。当事人常常会想：我是不是身体出现什么问题了，但是，有时候，你不知道，经常的负面情绪才是幕后黑手…… 疾病与性格特征的关系 英国研究人员发现，从胃溃疡、支气管哮喘到老年痴呆症，各种疾病都与性格特征存在着千丝万缕的联系。 急躁易怒——原发性高血压 排除富贵病的不良生活因素外，高血压病人被发现更容易具有趋向好斗和急躁易怒、要求过高过急等性格特点。 易犯人群表现为雄心勃勃，醉心于工作，但是缺乏耐心，容易产生敌意情绪，常有时间紧迫感。同时临床还发现，此类人群与冠心病、中风、脑血管疾病、消化道溃疡关系密切。 争强好胜——消化道溃疡 消化道疾病与心理、情绪、性格的关系相当密切。病人常常具有以下特点：如争强好胜，即使休息仍不能松弛;个性太过认真严谨，同时认死理太执着，不撞南墙绝不回头;情绪易波动，但惯于克制，
喜怒不形于色;虽然人际关系正常，但自我控制强，而并非天生热情、喜好社交等。 心理冲突——糖尿病 排除了遗传、生活方式等原因后，生活与工作中的重大变故、挫折和心理冲突等可以诱发和加重病情。曾经有医生提出“糖尿病人格”，认为他们容易有性格不成熟、被动依赖、优柔寡断、缺乏自信等特点，但后来发现，这些人格也见于其他慢性病人。 情绪不稳——头痛 最常见的有紧张性头痛和偏头痛。长期情绪紊乱、精神紧张容易造成紧张性头痛。 而偏头痛与心理、血管、生化三方面有关，在性格和情绪方面，患者容易有情绪不稳定、过分因循守旧、对问题处理欠灵活、极端关心身体，偏于抑郁、悲观，易于不满等性格特点。 幼稚敏感——支气管哮喘 作为儿童较常见的一种心身疾病，与体质有很大的关系。但是在研究中也发现，患儿的性格趋于内向，有悲观倾向，多为过分依赖、幼稚敏感和希望受人照顾;遇事退缩，自信心不足，情绪比较不稳定，甚至较小的事情也能够导致强烈的情绪反应。 精神紧张——神经性皮炎 皮肤问题是多种不良刺激的综合结果，其中精神刺激、情绪因素、压力太大无法宣泄、过度劳累是重要的原因。甚至有观点认为，如
银杏树种植方法之我见 发表时间：2010-02-06T14:15:53.233Z 来源：《中小企业管理与科技》2010年1月下旬供稿作者：徐作忠娄城[导读] 银杏，属仁杏科、银杏属，又名公孙树，是果树中寿命最长的树种，为中国所特有，素有活化石之称徐作忠娄城（江苏省邳州市碾庄镇农技站）摘要：银杏，属仁杏科、银杏属，又名公孙树，是果树中寿命最长的树种，为中国所特有，素有活化石之称。银杏树的种植方法主要有播 种育苗、利用萌蘖繁殖苗木、嫁接繁殖、苗木移植、扦插育苗。关键词：银杏树种植方法 0 引言 银杏，属仁杏科、银杏属，是裸子植物银杏纲中唯一存活下来的树种，是果树中寿命最长的树种，为中国所特有，有活化石之称。银杏树生长缓慢，结果晚，但结果寿命极长。由种子播种繁殖的苗木，一般20年才开始结果，所以又有公孙树之称。 1 播种育苗 采用种子繁殖和自然生长情况下，干性很强，树冠高大，主枝分枝少；人工栽植的银杏树种子宜采收颗粒大，树龄在80年左右的母树最好，采收的种子去皮阴干。为提早结果和管理方便，可以控制树干不使过高，而使分枝向四周扩展。干高一般为1.0～1.5米，树干较矮，利于加速树冠生长，利于早果丰产，也利于管理和采收。南方可以秋播，北方以春播为宜。苗床宜选用透水性较好的沙质壤土。 2 繁殖阶段 利用萌蘖繁殖苗木在2、3月间，从壮龄雌株母树根蘖苗中挖取基部半边带根的萌枝条，栽在苗圃里，直径1厘米至4厘米均可。栽前要整地施基肥，栽植入土深度要适当，不能过深和过浅，移栽后不过分干旱可以不浇水。此法容易成活。约10年左右即可开花结果。用树干基部萌蘖分株繁殖，再经嫁接后，3～4年便可结果，结果年限最多可达3000年以上。 3 嫁接繁殖 以盛果期健壮枝条为接穗，用劈拦法接在实生苗上。采用嫁接繁殖时，所用接穗不同，对树冠的发育和产量，也有不同影响。嫁接时，一般在1个砧木上接2～3个接穗，接穗成活后，先从接穗上抽生骨干枝，着生于顶端的骨干枝长势较强，可形成1～2个主枝，以后，这些主枝上再抽生枝条，形成多个向外扩张的分枝群，以后再继续抽枝，扩大成为树冠。高干嫁接，基部抽枝少，先端枝条多，结果较晚；低干嫁接，基部抽生枝条多，树冠扩展快，结果早，产量也高。初嫁接的银杏树，年生长量较大，可达1.0米以上，以后便逐步减弱。 4 入土生根 扦插育苗在5月至6月份选用当年生软枝或从结果的树上选采当年生的短技剪成10厘米至15厘米，上留3叶至4叶，下切口削成马耳状斜面，基部浸水2小时后，扦插在蛭石沙床上，间歇喷雾水，保证叶片不干，约一个半月至两个月即可生根。 5 生长过程 苗木移植银杏属深根性植物，生长年限很长，人工栽植，地势、地形、土质、气候都要为其创造良好条件。选择地势高燥，日照时间长，阳光充足，土层深厚，排水良好，疏松肥沃的壤土、黄松土、沙质壤上，在每年的春秋两季都可以进行苗木移栽。其中酸性和中性壤土生长茂盛，长势好，提前成林。银杏直径在5厘米以下可以裸根种植，6厘米以上一般要带土培。裸根栽植的苗木，当年是缓苗期。而带土坨的苗木当年能生长。小苗成行栽好后用水漫灌。而大树栽植，最好是栽前将坑中灌满水，待坑中水渗完后，将大树植入坑中捣实，让坑中的水返上来滋润根部。 6 苗木的管理 6.1 银杏树喜肥、喜湿并要求高度通气的特性，银杏种植后需要加强土壤和肥水管理。一是要坚持年年深挖松土一次，至少树盘周围要保持疏松状态；二是要多施肥料，特别是多施有机肥，如厩肥、腐熟垃圾等；三是要注意灌溉和排水，旱季要适当浇水，雨季要及时排除积水。深挖松土一般在秋冬进行。银杏发根早，地温升至6摄氏度时根系就开始活动。长江以南，深挖最好在2月前完成。施化肥常年都能进行，施用有机肥最好在9-10月份挖开土面浅埋，或结合深挖于冬季挖放射形或环形施肥深沟埋施。 银杏银杏果用林内株间距离大，最适宜间种作物。只是间种要注意选好作物。吸肥过多的，特别是能招来严重病虫害的，或根系分泌物有碍于银杏生长的，最好不种。有的作物如玉米，吸肥虽多，但关系到当地农民的生活，也可以间种，但间种时必须多施肥料。实践证明，烟草、核桃等植物的根系分泌物对银杏生长极为不利，而马铃薯之类，能大量诱发蛴螬危害，以不种为好。银杏的生长，不能缺少有机肥。土壤有机质不足时，常常诱发严重的线虫危害。山地运输困难，难于大量施用需要运送的有机肥，提倡银杏林地间种绿肥。只是绿肥种植也应以保证银杏正常生长为主，应当坚持花期压青，以充分发挥绿肥的肥效。 6.2 银杏树年生长量比较小，在一般管理条件下一年只抽梢一次。肥力不足时，枝条年生长量往往不足40厘米。银杏的花芽，只在俗称为铃枝的短枝部位形成。这两个基本特点，决定了银杏一般不要修剪，或只作轻修剪。但是，银杏嫁接苗由于接芽往往处于树冠的边沿部位，多数嫁接植株往往严重偏冠，这也将影响今后的产量。纠正偏冠的办法是，立支柱，适当打顶(摘心)，同时多施肥料。一般只要剪除顶芽，其下部的几个侧芽就能萌发，在打顶当年或第二年形成几根枝条而银杏树栽植后缓苗期较长，而且易于偏冠与其内源生长激素的不足有关。多施有机肥，根系发育得好的银杏苗，基本不存在缓苗期，偏冠也能得到好的控制。 6.3 银杏树的人工授粉是提高银杏产量稳增的关键技术。即使是已经配置授粉雄树的银杏果用林，最好也要进行人工授粉。人工授粉的做法很多，最实用的办法是将花粉混成水液，喷雾授粉。采集雄花的时间，以雄蕊转黄为好。采下雄花后，及时摊放干燥。雄花散出花粉后可将花粉筛出，用生石灰等吸干后备用，这样的花粉在常温下能放15天以上，如保持干燥贮于冰箱，可以存放]年。如果10天以内就要用于授粉，可不将花粉筛出，只要摊放在阴凉处就行。使用时，将1千克雄花，加30千克水后挤捏，洗出花粉后，滤去雄花，并尽快对银杏树喷撒。
【高中必修3数学算法案例总结】高中数学必修1 在高中数学必修3算法教学中，为帮助学生理解案例的数学本质,安排了算法案例一节内容，下面是小编给大家带来的高中必修3数学算法案例总结，希望对你有帮助。 高中必修3数学算法案例 高中数学学习方法 抓好基础是关键 数学习题无非就是数学概念和数学思想的组合应用，弄清数学基本概念、基本定理、基本方法是判断题目类型、知识范围的前提，是正确把握解题方法的依据。只有概念清楚，方法全面，遇到题目时，就能很快的得到解题方法，或者面对一个新的习题，就能联想到我们平时做过的习题的方法，达到迅速解答。弄清基本定理是正确、快速解答习题的前提条件，特别是在立体几何等章节的复习中，对基本定理熟悉和灵活掌握能使习题解答条理清楚、逻辑推理严密。反之，会使解题速度慢，逻辑混乱、叙述不清。 严防题海战术 做习题是为了巩固知识、提高应变能力、思维能力、计算能力。学数学要做一定量的习题，但学数学并不等于做题，在各种考试题中，有相当的习题是靠简单的知识点的堆积，利用公理化知识体系的演绎而就能解决的，这些习题是要通过做一定量的习题达到对解题方法的展移而实现的，但，随着高考的改革，高考已把考查的重点放在创造型、能力型的考查上。因此要精做习题，注意知识的理解和灵活应用，当你做完一道习题后不访自问：本题考查了什么知识点?什么方法?我们从中得到了解题的什么方法?这一类习题中有什么解题的通性?实现问题的完全解决我应用了怎样的解题策略?只有这样才会培养自己的悟性与创造性，开发其创造力。也将在遇到即将来临的期末考试和未来的高考题目中那些综合性强的题目时可以有一个科学的方法解决它。 归纳数学大思维
银杏知识大全 谈起银杏，相信大家都不会陌生，无论是在食用方面，药用方面，还是美容方面，在 各个方面银杏都是不可多得的 "宝物 "。下面我就来介绍一下银杏吧。 第一，银杏树的历史： 中国栽培银杏树的历史非常早，从现在存在的最老的银杏树的树龄来看，银杏早在商， 周之间（大约公元前 11世纪）就已经有栽培了。但是这种栽培不具规模，只是零零落落的散生在寺院和关庙之类的地方。 第二，银杏树的价值： 食用方面：银杏仁为中国著名干果之一，常用于宴席或家庭接待宾客，银杏主要有炒食、烤食、煮食、配菜、糕点、蜜饯、罐头、饮料和酒类。通过煮、炒、蒸、煨、炖、焖、烩、烧、镏等 10余种方法，制成十三类 400余道菜，无不体现银杏独特的风味 和特有的魅力。 银杏食用时，因有微毒，不宜多食。熟食每人一般 15-30粒为宜，去心多吃无妨；生 食 6-10粒为宜。 药用方面：上百年来，银杏提取物在中医药中有着特殊的地位。在中药有一味药白果，即为银杏的种子。据《本草纲目》记载：“白果小苦微甘，性温有小毒，多食令人腹胀”。“熟食温肺、益气、定喘嗽、缩小便，止白浊，生食降痰，消毒杀虫，嚼浆涂鼻面手足，去鼻疽疱黑干黯皴皱及疥癣疳虫阴虱”。直到近代才有西方学者研究银杏的药用价值。银杏叶子里包含黄酮类化合物苷，可以入药。提炼出的产品现常用来防晕，增强记忆力。可是到底有没有这些用途，现在还有争论。 美容方面： 对于爱美女性来说，银杏是美容圣品。 1.白果消除青春痘，白果适量，每晚临睡前用温水将患部洗净。将去掉外壳的白果种仁，用刀切成平面，频搓患部，边搓边消去用过部分，每次 1—2粒种仁，一般用药
7—14次，青春痘既可消失。 2.有祛痰和微弱的松弛支气管平滑肌的作用。有抗衰老作用，银杏甲素有抗过敏作用。 3.治哮喘，痰嗽，白带，白浊，遗精，淋病，小便频数。 4.美白：年龄的增加及受外界环境的影响，体内的氧自由基会逐渐增多，会使过氧化 物歧化酶 (SOD)不足，导致过多的氧自由基与真皮层细胞产生氧化的反应，造成黄褐 斑或是妊娠斑。 5.除皱方面：银杏叶中的黄酮甙与黄酮醇都是自由基的清道夫，能保护真皮层细胞， 改善血液循环，防止细胞被氧化产生皱纹。 6.银杏和自由基：银杏是具有抗活性基因能力的草药之一，银杏在保护脂质 (细胞膜的组成部分 )免受自由基伤害方面很有效。 不过呢，过食白果可致中毒，出现腹痛、吐泻、发热、发绀以及昏迷、抽搐，严重者 可呼吸麻痹而死亡。 第三，银杏苗的管理： 1．抗旱排涝，银杏的生长需要适当的水，北方地区要根据苗床的干旱情况适当浇水，南方地区要视天气情况加强排水管理。 2.适时施肥，幼苗的成长需要营养，因此可适当增加磷钾肥或复合肥，借以增加 苗木的抗寒性。 3.防病治虫，幼苗十分脆弱，易遭蛴螬、蝼蛄、金针虫和地老虎幼虫等地下害虫 的危害，因此要及时防病治虫，保护幼苗顺利生长。 4．扩距移栽，银杏苗前 3,4年生长的比较慢，但是 4年后生长速度加快，银杏苗 高达 2-3米，胸径 3厘米的苗木方可出圃，因此必须要进行移栽。移栽时要注意随起 随运随栽，保证根系完整，不断根，不劈裂。 第四，银杏苗的栽植
人教版高中数学必修三 知识点梳理 重点题型（常考知识点）巩固练习 算法案例 【学习目标】 1.理解辗转相除法与更相减损术中蕴含的数学原理，并能根据这些原理进行算法分析； 2.基本能根据算法语句与程序框图的知识设计完整的程序框图并写出算法程序； 3.了解秦九韶算法的计算过程，并理解利用秦九韶算法可以减少计算次数提高计算效率的实质； 4.了解各种进位制与十进制之间转换的规律，会利用各种进位制与十进制之间的联系进行各种进位制之间的转换. 【要点梳理】 要点一、辗转相除法 也叫欧几里德算法，它是由欧几里德在公元前300年左右首先提出的.利用辗转相除法求最大公约数的步骤如下： 第一步：用较大的数m除以较小的数n得到一个商q0和一个余数r0； 第二步：若r0=0，则n为m，n的最大公约数；若r0≠0，则用除数n除以余数r0得到一个商q1和一个余数r1； 第三步：若r1=0，则r0为m，n的最大公约数；若r1≠0，则用除数r0除以余数r1得到一个商q2和一个余数r2； …… 依次计算直至r n=0，此时所得到的r n－1即为所求的最大公约数. 用辗转相除法求最大公约数的程序框图为：
程序： INPUT “m=”;m INPUT “n=”;n IF m
生病，是因为情绪能量在身体堵塞 2014-07-27 阅读 (18) 身心能量整合 无论身体疾病还是心理疾病，在人体都会表现为某一部位能量通道阻滞，而按摩则是“一个和身体对话的全过程”。对话好了，经络畅通，身心疾病也就消失了。 找到导致疾病发生的人体能量阻塞区域，通过按摩改善这通道，形成通畅的能量供应通道，有炎症的就会消失，有损伤的也就自动修复了。 为什么身体通道会出现阻塞呢？很大一部分是由于情绪，小部分才是因为外力造成的。人生气时会觉得心理难受，就是因为情绪影响内动力，损害五脏里的精力，引起身体能量的内燃耗，就是内耗。 情绪比外界的环境不好更影响我们的身体。所以，体内环保还需从情绪入手。 身体像是我们历史的记事本，藏着所有的记忆，创伤和故事，它通常以疾病的形式提醒着我们。情绪以一种信息形式在神经和经络传导，当某种情绪过大，传导神经就会受到破坏，堵在那里，从而形成一个记忆。我们身体的背部肌肉对应着不同的脏器，通过按摩可以了解身心内在状态。比如： ⊙肩颈板硬、酸痛，通常是愤怒积压而成的。 ⊙左侧肩胛骨与背椎间板硬，易导致心脏问题，主要由伤心、委屈等情绪累积。 ⊙右侧肩胛骨板硬主要由于抱怨、不满等情绪积压所致，易导致胃部炎症。 ⊙后背部板硬的人通常具有讨好性人格，会出现内分泌失调，代谢紊乱，并且容易得糖尿病。 ⊙腰椎板硬主要受恐惧的情绪影响，易导致肾虚、肾炎和腰椎间盘突出等问题。
⊙低椎僵硬的人要注意抑郁症的倾向，因为经常会独自生闷气。 为什么会如此神奇，一摸一个准呢？中医一直讲致病的几个大因素，无非是六淫七情，六淫是我们可以抵御的，风邪寒暑燥湿，通过我们的皮肤进入我们的身体。热了可以找个阴凉地，冷了多穿一些，只要我们起居有节，能按四时而生，符合自然规律，就可以抵御外界之病。七情对身体的影响比较复杂。 哈弗大学曾有一个调查：90%的病来自我们的内在，来源于我们的情绪，大部分癌症病人与父母关系不好，负性情绪过多，抱怨消极情绪在生命中占大多数。黄帝内经里有五脏与五志之说，每种脏器代表一种能量，代表一种情绪。 其实，情绪就是一种能量，如果我们长期处于情绪当中，它会形成一种物质留在我们的身体里，阻碍我们吸收正常的身体养分，造成身体器官功能失衡，从而破坏身体内部平衡系统，造成疾病。 打个比方说，当一个人心中有委屈和害怕的时候，心里会听到一个「木」的声音，闻木声则惕然而惊，这伤的就是胃经和肾经，人时常会有吐的感觉，腰常会很不舒服，皮肤会很粗糙，而且长向心肉，肚子大，腿很细，当这样的情绪起来的时候，人想喊。 农村中，有一种病，就是疯了。中医有一句话，就是登高而歌，弃衣而逃。经常想喊，动作却不受控制，不穿衣服，到处乱跑。过去，我们会把这类人送精神病院，吃药，这样，就会把一个人害了。其实，这类病症，是胃经和肾经萎弊。 胃经，是从我们的第二个脚趾，沿一定的路线，通过心包，到我们的脸上。当我们受到很大委屈，堵住我们的胃经的时候，一，是影响我们的胃，二，是影响我们的心脏。在中医中，心脏是君主之官，神明出焉。主神明。当心包受到伤害，被萎弊的时候，人就失去了理智，失去了认知。 而关于肾经，当我们受到惊吓的时候，我们会觉得我们的脊椎从后脑
银杏 银杏属于银杏科，银杏属。模式种Ginkgo biloba Linn。 银杏为中生代孑遗的稀有物种，系我国特产，仅浙江天目山有野生状态的树木，生于海拔500-1000米，酸性（pH值5-5.55）黄壤，排水良好地带的天然林中，常与柳杉、榧树、蓝果树等针阔叶树种混生，生长旺盛。 银杏的栽培区甚广：北自东北沈阳，南达广州，东起华东海拔40-1000米地带，西南至贵州、云南西部（腾冲）海拔2000米以下地带均有栽培，以生产种子为目的，或作园林树种。栽培区常用失声苗、移植苗或根蘖苗进行嫁接，可提前8-10年生时开花结实（实生苗一般在20年后才开始结种子）。各地栽培的银杏有数百年或千年以上的老树。朝鲜、日本及欧、美各国庭园均有栽培。 银杏为喜光树种，深根性，对气候、土壤的适应性较宽，能在高温多雨及雨量稀少，冬季寒冷的地区生长，但生长缓慢或不良：能生于酸性（pH值4.5）、石灰性土壤（pH值8）及中性土壤上，但不耐盐碱土及过湿的土壤。以生于海拔1000（云南1500-2000）米以下，气候温暖湿润，年降水量700-1500米，土层深厚，肥沃、排水良好的地区生长最好；在土壤瘠薄干燥、多石山坡及过度潮湿的地方均不易成活或生长不良。 银杏为速生珍贵的用材树种，边材淡黄褐色，结构细，质轻软，富弹性，易加工，有光泽，比重0.45-0.48，不易开裂；不反挠，为优良木材，供建筑、家具、室内装置、雕刻、绘画版等用。种子供食用（多食易中毒）及药用。叶可作药用和制杀虫剂、亦可作肥料。种子的肉质外皮含白果酸、白果醇及白果酚，有毒。树皮含单宁银杏树形优美，春夏季叶色嫩绿，秋季变成黄色，颇为美观，可作庭园树及行道树。 主要的栽培品种有： 洞庭黄（栽培变种），产于江苏苏州洞庭西山； 小佛手（栽培变种），产于江苏苏州洞庭山； 鸭尾银杏（栽培变种）（新拟），江苏苏州洞庭山； 佛指（栽培变种），产于江苏泰兴； 卵果佛手（栽培变种），产于浙江诸暨； 圆底佛手（栽培变种），产于浙江诸暨；
必修3 第一章算法初步全章小结 【知识内容结构】 割圆术 【重点知识梳理与注意事项】 『算法与程序框图』 ◆算法 算法可以理解为由基本运算及规定的运算顺序所构成的完整的解题步骤，或者看成按照要求设计好的有限的明确的计算序列，并且这样的步骤或序列能够解决一类问题。 描述算法可以有不同的方式。可以用自然语言和数学语言加以叙述，也可以借助形式语言（算法语言）给出精确的说明，也可以用框图直观地显示算法的全貌。 ◆程序框图 ◇概念：通常用一些通用图形符号构成一张图来表示算法，这种图称作程序框图（简称框图）。 ◇常用图形符号： 注意：i）起、止框是任何流程不可少的；
ii）输入和输出可用在算法中任何需要输入、输出的位置； iii）算法中间要处理数据或计算，可分别写在不同的处理框内； iv）当算法要求对两个不同的结果进行判断时，判断条件要写在判断框内； v）如果一个框图需要分开来画，要在断开处画上连接点，并标出连接的号码。 ◇画程序框图的规则： （1）使用标准的框图的符号； （2）框图一般按从上到下、从左到右的方向画； （3）除判断框外，其他框图符号只有一个进入点和一个退出点，判断框是具有超过一个退出点的唯一符号； （4）一种判断框是二择一形式的判断，有且仅有两个可能结果；另一种是多分支判断，可能有几种不同的结果； （5）在图形符号内描述的语言要非常简练清楚。 ◆算法的三种基本逻辑结构 ◇顺序结构：描述的是最简单的算法结构，语句与语句之间，框与框之间按从上到下的顺序进行。 例： ◇条件分支结构：是依据指定条件选择执行不同指令的控制结构。 例： ◇循环结构：根据指定条件决定是否重复执行一条或多条指令的控制结构。
心里暗示与身体疾病的关系 健康无忧网作者Emily yang 以下是四个有关心理暗示与疾病的真实例子。 案例一：一天，我的朋友往我家沙发上一躺说：“我心脏病发作了，可惜我的药吃完了。”我急忙找来听诊器仔细听了她的心肺，发现都很正常，就问她：“你怎么知道你有心脏病？”她回答说：“反正我有心脏病，因为我父亲有心脏病。”我问她有没有看过医生，她回答说看过，我又问她医生怎么说；她回答说：“医生没说什么”；于是我告诉她：“你没有心脏病，你父亲有心脏病也不代表你就一定会得心脏病。下次切忌暗示自己有心脏病，否则你真的会患上心脏病。”从那以后她的心脏病消失。 案例二：一个聪明漂亮的高中女生，失恋后不愿上学，呆在家里，她的父母不进行适当的心理疏导，反而，强行给她吃药，还经常喊：“犯精神病了！”结果女孩真的患上精神病，从此远离正常的生活。 案例三：一位老太太，他儿子告诉她：“你患食道癌了，要住院开刀。”，老太回答说：“我这么大年纪了怕什么，开刀？不去！”一年后，结果老太太食道癌消失了。 案例四：医生告诉老人的儿子：“将你父亲拉回家吧，他很快就不行了。”老人回到家中，开始到后院挖地，种花。半年后，花开了，老人依旧健在。老人的儿子打电话给医生，医生很吃惊，叫老人的儿子将老人带到医院。老人说：“你让我回家，我就认为我的病已经好了。” 前两例是负面心理暗示，后两例是正面心理暗示。可见，心理暗示对于疾病的发生发展有着多么重要的影响力。 著名的人格与行为医学家Ritberger博士提醒我们：不要忽视我们内在的抗病机制及我们的思想与情绪在疾病中所担当的重要角色；她进一步提出，治病（treat）的那个人是医生，而使我们治愈（heal）的那个人是谁？是我们自己！你们看明白了吧：我们甚至可以治愈自己的疾病！ 病患的意义不是告诉患者：“自己快要死了。”而是告诉我们因为我们不良的生活习惯、思想情绪或行为方式等已经影响到我们的身体健康，我们需要认真反思与总结我们自己身上所有的不良习惯（包括负面的思想情绪），并加以改正。
情绪与健康的关系、、 中医认为疾病是由于外感六淫和内伤七情而发生的。前者是外因，后者是内因，外因要通过内因引起作用。六淫是指自然条件的变化，既风、寒、暑、湿、燥、火；七情就是指情绪的变化，即喜、怒、忧、思、悲、恐、惊。现代医学也有充分的临床资料和试验证据表明，情绪活动可以通过影响神经系统、内分泌系统和免疫系统的生理功能而导致疾病的发生。 所以，在防病治病维护健康的工作中必须重视情绪的作用。、 怒则气上 过度愤怒伤肝，气迫血升，血随气逆，则呕血，甚则昏厥 喜则气缓 正常情况下，喜悦是一种良性刺激，能缓解紧张情绪，使气血和调。但暴喜过度，则使心气涣散，轻则心悸失眠，重则神不守舍。 悲则气消
悲伤过度，耗伤肺气，常导致声低息微，呼吸不畅 恐则气下 过度恐惧则伤肾，致使气陷于下而不升，肾气不固，可见二便失禁、遗精滑泄等 思则气结 思虑过度，劳神伤脾，中焦不畅，脾失健运，可见食欲不振，倦怠乏力等 惊则气乱 突然受惊，则心气紊乱，气血失调，使心无所倚，神无所归，惊慌失措。 由此看来：良性的情志活动，有利于疾病的好转和恢复；不良的情志变化，则能加重病情，对健康不利。
启示：为了发泄情绪，我们不必在大街上尖叫，也不一定要向激惹我们的上司大吼，但是在条件允许的情况下，我们一定要为自己找到一条表达情感的途径。我们可以向朋友倾诉心中的愤怒和焦虑，或在日记中叙述自己的害怕或嫉妒。偶尔，在独处时或在一个我们信任的人面前也要允许自己哭一场，无论那是悲伤的泪是幸福的眼泪。 所以，我们要强调积极地生活，保持良好的情绪，不仅可以为我们创造一个更甜美的生活，还有可能为我们的未来奠定坚实得基础，使我们的生活得更健康、更长寿。 、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、 你的情绪影响着你的健康 越来越多的研究表明，假如被迫顶着压力发言，身体的过敏症状会在接下来的两天中加重一倍；而这时如果能大哭一场，压力造成的荷尔蒙则会随着眼泪立刻被排出体外。 那么，人的喜怒哀乐究竟是如何影响身体健康的呢？ 1、假如你对着另一半直抒爱意……
气象对园林植物的影响 摘要：概述各种气象因子对园林植物的影响，研究气象与园林植物的关系；具体分析光、温度、水分及空气对园林植物的影响，探寻其实践应用方法。 关键词：气象园林植物光照温度水分空气 一、气象与园林植物的关系 影响植物生长的因素有很多，而气象对园林植物就有深远的影响，大到植物带的分布小到植物的生长发育。气象学包括各种气象因素，而对于园林植物来说，气象对其影响有很多方面，如植物的生长发育离不开气象这个大环境，植物的分布、色彩大小等等都离不开它。而最普遍的影响因素莫过于光、温度、水分和空气。故气象与园林植物的关系就是影响与被影响的关系，而我们接下来要探讨的就是四大气象因素对园林植物的影响。 二、气象因子的具体影响 (一)光照因子对园林植物的影响 植物生长离不开光，绿色植物通过光合作用将光能转化为化学能，储存在有机物中，各种植物都要求在一定的光照条件下才能正常生长，太阳辐射在地球表面随时间和空间发生有规律的变化，直接影响着植物的生长和发育。所以光因子对园林植物的影响居重要地位，为此我们应该具体分析： 1) 光谱对植物的影响不同波长的光照因子对植物的生长发育、种子萌发、叶绿素合成及形态形成的作用是不一样的。太阳辐射光谱不能全被植物吸收。植物吸收用于光合作用的辐射能称为生理辐射，主要指红橙光、蓝紫光和紫外线。 ①红橙光被叶绿素吸收最多，光合作用活性最大，蓝紫光的同化效率仅为红橙光的14%。红橙光有利于叶绿素的形成及碳水化合物的合成，加速长日照植物的生长发育，延迟短日照植物的发育，促进种子萌发； ②蓝紫光有利于蛋白质合成，加速短日照植物的发育，延迟长日照植物的发育。紫外线有利于维生素 C 的合成。 ③在紫外线辐射下，许多微生物死亡，能大大减少植物病虫害的传播。紫外线也能抑制植物茎的伸长，引起向光敏感性和促进花青素的形成。 在诱导形态建成、向光性及色素形成等方面，不同波长的光，其作用也不同。如蓝紫光抑制植物的伸长，使植物形成矮小的形态；而红光有利于植物的伸长，如用红光偏多的白炽灯照射植物，可引起植物生长过盛的现象。青蓝紫光还能引起植物的向光敏感性，并促进花青素等植物色素的形成。紫外线能抑制植物体内某些生长素的形成，以至于植物的白天生长速度常不及夜间。 生长期内生长素受侧方光线的影响，在迎光一面生长素少于背光面，造成背光面生长速度快于迎光面，产生所谓植物向光运动。 2) 光照强度对植物的影响 光照强度主要影响园林植物的生长和开花。园林植物对光强的要求，通常通过补偿点和光饱和点来表示。植物与光照强度的关系不是固定不变的。随着年龄和环境条件的改变会相应的发生变