基于心电信号的睡眠阶段的辨识

本研究以睡眠中的心电图信号为基础,计算出心率变异性的时域和频域参数,根据自律神经系统的变化与心率变异性的关联性,对睡眠的不同阶段进行辨识,从而实现睡眠质量监测的居家化。睡眠质量辨别算法以监督式倒传递类神经网络为核心,通过SDNN、RMSSD、SDSD、NN50、p NN50、HFnorm、VLF百分比、5 min TP等8个特征值,进行睡眠的5个阶段的辨别。实验通过686组数据测试发现,隐藏层神经元数目为30,性能目标为40,为最佳参数设定,其中对睡眠中Stage1阶段的识别率可达93.33%。     

基于DTI影像图论分析的正常老化认知表现预测模型

目的 以磁共振扩散张量影像（diffusion tensor imaging,DTI）为基础进行大脑结构网络拓扑属性分析,选择与认知表现分数相关性较大的结构网络特征,并基于这些特征建立认知表现分数预测模型,藉以客观地估测老年人的大脑认知能力.方法 对94例正常老化的DTI影像进行结构脑网络构建,采用图论法分析结构连接矩阵,提取结构网络的特征,并将所有特征与受试者的简单智能状态检查量表（mini-mental status examination,MMSE）分数进行相关性分析,选取出与大脑认知高度相关的网络特征,再基于这些特征建立5种分析模型,预测受试者的认知表现分数,以进一步分析模型的预测效能.结果 通过相关性分析,在相关系数大于0.22且P值小于0.05的条件下,选取出与大脑认知高度相关的30个特征,这些特征分布在AAL（automated anatomical labeling）图谱中的12个脑区.而在模型建立与效能分析部分,以高斯回归模型的效能最佳,其训练组相关系数达0.89,预测误差最小为2.01,对受试者的认知表现分数预测较准确.结论 利用结构脑网络度量指标作为生物标记指针可建立正常老化认知功能预测模型,且能有效预测正常老年人的认知表现分数.     

基于大脑结构网络特征的遗忘型轻度认知障碍诊断模型

选取与认知表现分数相关性高的结构网络拓扑特征,利用这些特征建立分类模型,实现对正常老化者及遗忘型轻度认知障碍(aMCI)患者的分类.本研究包含两组扩散张量影像(DTI)数据,一组为52例正常老化受试者,一组为39例aMCI患者.分别对两组数据进行结构网络构建,采用图论分析法提取结构网络的特征,将所有特征与简单智能状态检查量表(MMSE)分数进行相关性分析,选取与认知表现分数高度相关的特征,基于这些特征建立5种分类模型,并对模型的分类效果进行评估.对于正常老化数据,选出18个与认知能力显著相关的结构网络特征,集中于解剖自动贴标(AAL)图谱中的9个脑区;对于aMCI数据,也选出18个与认知能力显著相关的结构网络特征,集中于AAL图谱中的9个脑区;二者选出的特征及分布的脑区是不同的.通过对分类模型的评估,得出支持向量机序列最小优化算法建立的模型分类效果最佳,特异性达到88.46％,敏感性达到83.05％,准确性达到85.71％.所提取的与认知表现相关性高的结构网络特征,可以作为生物标记指针,来建立分类模型,对正常老化者及aMCI患者进行分类,也可提供相应脑区间连接变化的信息.     

基于卷积神经网络和超像素的CT图像肝脏分割

肝癌是威胁人类健康的重大疾病之一。从医学影像中将肝脏组织准确地分割出来,是计算机辅助肝脏疾病诊断与手术规划中一个重要环节。由于肝脏的个体差异,周围器官的灰度值相似等因素,从CT图像中精准分割肝脏存在一定困难。提出一种结合卷积神经网络和超像素的CT图像肝脏自动分割方法。首先利用卷积神经网络进行目标检测,自动定位肝脏区域,再利用超像素算法对肝脏进行分割,最后进行腐蚀、膨胀、中值滤波等后处理。本文采用3DIRCADb公开数据集对提出的肝脏自动分割算法进行评估和验证,结果表明肝脏自动分割的DICE指标为0.951,VOE指标为0.0917,RVD指标为-0.018,显示出较好的分割精度。     

基于隐马尔可夫模型的老年人跌倒行为检测方法研究

随着社会老龄化程度的加剧,老年人的安全健康监护需求日益增加。跌倒行为在老年人日常生活中比较常见,它会给老年人带来严重的身体及心理伤害。因此,跌倒检测对于保护老年人的健康及安全具有重要意义。针对跌倒的运动过程,分析人体加速度变化特征,提出基于隐马尔可夫模型(HMM)的跌倒检测方法。将人体跌倒的加速度信号提取为加速度观测序列,并以此为训练样本训练隐马尔可夫模型,建立跌倒过程的概率模型进行跌倒检测。在验证实验中,采集10名志愿者共300例样本,采用5折交叉检验方法,对模型的有效性进行验证。验证结果表明,该方法检测跌倒的准确率为98.2%,灵敏度为91.3%,特异性为99.6%,具有良好的检测效果,可实现对跌倒行为的准确检测。