深圳地铁回应女高管猝死:工作人员不能贸然救助

中新网深圳2月27日电(记者 郑小红)27日晚,深圳地铁公司发布《关于2月17日市民梁女士意外死亡事件的说明》。

《说明》如下:

2月17日,梁女士在深圳地铁2号线水湾站C出口处意外离世。对此,我们深感难过和惋惜。

《说明》写道:根据视频监控显示,2月17日上午10:28分,梁女士从地铁2号线水湾站C出口出站;10:29分左右,当她行至C出口距地面三分之一台阶处,疑似身体不适。在放下手中提包后,梁女士在脱外套过程中面部朝下倒伏在台阶上。

10:32分左右,有两位热心市民出站后返回梁女士倒伏处询问;随后,另外两名进站乘车的乘客通知了车站保安;10:35分,车站保安接报到达现场了解情况后报车控室。

10:36分,车站值班站长和另外一名工作人员赶到现场,对梁女士进行询问,但其一直没有回应,同时因梁女士一直脸部朝下趴伏在地,头发覆盖面部,值班站长无法判断其准确状况。

10:40至10:46分,车站工作人员按程序先后通报运营管理办公室、公安局公交分局及120等相关部门请求支援;10:54分,公安民警到达现场,水湾站值班站长将现场及处理移交给地铁公安,并于10:55去警务室再次致电120询问急救车具体到达时间。11:17分,120急救人员到达现场进行施救。

事件发生后,地铁集团积极配合地铁公安处理及现场秩序的维护,家属在公安民警的陪同下查看了现场录像。

地铁集团多年来一直高度重视客伤处置工作,制定了乘客意外伤害应急处理程序,在每个车站配置了常用药品、急救箱等救助用品。

截至目前,地铁集团为应对员工生产过程中意外伤害的现场救治需求,专门协调急救中心对一线员工共866人进行了初级急救培训,主要项目为常规外伤处理。同时,深圳地铁每年还对员工也定期进行初级急救培训,仅2013年就完成了240批次5524人次的初级急救培训。

同时,培训的急救技能在有条件的情况下也为市民提供一定的救治帮助,仅2013年地铁集团就对159人次进行了积极救助,包括外伤处理、根据当事人明确的救助需求提供救助或报120进行救助。

但本次事件中梁女士当时的身体状况无法判断,工作人员不能贸然进行救助,必须依靠专业机构进行救助。

目前,深圳地铁正积极配合公安部门的处理和调查,并与梁女士家人取得联系,将积极配合相关部门妥善处理。此外,深圳地铁对此次事件中两名乘客通知工作人员的行为表示肯定,同时,也呼吁市民在遇到类似情况时,能尽早报警或是与地铁工作人员取得联系。(完)

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值