基于多尺度深度网络的自动睡眠分期

传统睡眠质量评估与诊断高度依赖医生的经验以及对长时间睡眠监测数据的分析统计,耗时耗力,且传统机器学习技术所实现的自动睡眠分期依赖人工构造的特征,在发掘深层次分期特征上效果有限,对部分分期的辨识效果欠佳.提出一种基于多尺度深度网络(MSDNet)的自动睡眠分期算法,能够自动分析提取睡眠信号特征,并基于不同睡眠阶段的分期难...     

基于脑电功率谱密度和随机森林的自动睡眠分期方法

采用深度学习技术实现睡眠自动分期计算复杂度较高,且需大量数据支撑。本文提出一种基于功率谱密度和随机森林的自动睡眠分期方法,先提取脑电信号6种特征波（K复合波、δ波、θ波、α波、纺锤波、β波）的功率谱密度作为特征,然后利用随机森林分类器实现5种睡眠状态（W、N1、N2、N3、REM）自动分类。采用Sleep-EDF数据库中健康受试者整晚睡眠脑电数据作为实验数据,对比了使用不同输入通道脑电信号（FpzCz单通道、Pz-Oz单通道、Fpz-Cz+Pz-Oz双通道）、不同分类器（随机森林、自适应增强、梯度提升、高斯朴素贝叶斯、决策树、K近邻）、不同训练集与测试集划分方法（2折、5折、10折交叉验证及单个受试者）对分类效果的影响。实验结果表明,当采用Pz-Oz单通道脑电信号和随机森林分类器时效果最好,无论怎样变换训练集与测试集,分类准确率都达到90.79%以上,总体分类准确率、宏观平均F1值、Kappa系数最高分别可达到91.94%、73.2%、0.845,证明该方法是有效的,且不易受数据量影响,具有较好的稳定性。与已有研究相比,该方法分类准确率更高、实现更简单,适用于自动化。     

基于3D深度残差网络和多模态MRI的脑胶质瘤自动分级

目的:利用3D深度残差网络和多模态MRI实现对脑胶质瘤的自动分级。方法:利用BraTS2020公共数据集的293例高级别胶质瘤（HGG）和76例低级别胶质瘤（LGG）的多模态MRI数据训练和测试3D深度残差卷积网络模型。多模态MRI图像经过3D剪裁、重采样和归一化的预处理,随机分组为训练（64%）、验证（16%）和测试（20%）样本,将预处理后的多模态MRI图像和分级标注输入到网络模型进行训练、验证和测试。利用准确率（ACC）和受试者工作特征（ROC）曲线下面积（AUC）评价分级结果。结果:在59例（48例HGG和11例LGG）验证数据集上,ACC和AUC分别为0.93和0.97,在75例（62例HGG和13例LGG）测试数据集上,ACC和AUC分别为0.89和0.93。结论:3D深度残差网络在多模态MRI数据集上获得了较好的脑胶质瘤自动分级结果,可以为确定治疗方案和预测预后方面提供重要参考。     

基于深度残差网络的皮肤镜图像黑色素瘤的识别

恶性黑色素瘤是最常见和最致命的皮肤癌之一。临床上,皮肤镜检查是恶性黑色素瘤早期诊断的常规手段。但是人工检查费力、费时,并且高度依赖于皮肤科医生的临床经验。因此,研究出自动识别皮肤镜图像中的黑色素瘤算法显得尤为重要。提出一种皮肤镜图像自动评估的新框架,利用深度学习方法,使其在有限的训练数据下产生更具区分性的特征。具体来说,首先在大规模自然图像数据集上预训练一个深度为152层的残差神经网络(Res-152),用来提取皮肤病变图像的深度卷积层特征,并对其使用均值池化得到特征向量,然后利用支持向量机(SVM)对提取的黑色素瘤特征进行分类。在公开的皮肤病变图像ISBI 2016挑战数据集中,用所提出的方法对248幅黑色素瘤图像和1 031幅非黑色素瘤图像进行评估,达到86.28%的准确率及84.18%的AUC值。同时,为论证神经网络深度对分类结果的影响,比较不同深度的模型框架。与现有使用传统手工特征的研究(如基于密集采样SIFT描述符的词袋模型)相比,或仅从深层神经网络的全连接层提取特征进行分类的方法相比,新方法能够产生区分性能更强的特征表达,可以在有限的训练数据下解决黑色素瘤的类内差异大、黑色素瘤与非黑素瘤之间的类间差异小的问题。     

基于心率变异性的自动睡眠分期及其脑电图验证

睡眠障碍会严重影响人们的日常生活,因此睡眠的早期监测对睡眠疾病的预防和诊断有重要意义。采用自行研制的便携式多导睡眠监护仪,开展了103人次的居家夜间睡眠数据收集(含脑电、眼电、肌电和心电信号)。然后,从同步采集的心电数据RR间期中提取时域、频率和非线性特征,组合出最高达426个心率变异性(HRV)特征,基于Xgboost算法构建模型对睡眠中的清醒期(wake)、非快速眼动|期(N1)、非快速眼动Ⅱ期(N2)、非快速眼动Ⅲ期(N3)和快速眼动期(REM)进行五分类(wake、N1、N2、N3、REM)、三分类(wake+N1、REM、N2+N3)和二分类(wake、N1+N2+N3+REM)预测,并与脑电图睡眠分期标签进行验证。最后,五分类、三分类和二分类测试结果准确率分别达到84.0%、89.1%和95.2%,F1-score达到83.2%、88.9%和94.9%,为同类模型研究中表现最佳。说明HRV与睡眠阶段具有良好的相关性,基于便携式设备收集数据构建的算法模型可以较好地识别睡眠状态。     

结合迁移学习与深度卷积网络的心电分类研究

为解决一维深度卷积网络（1D-DCNN）在心电分类方面存在的多类疾病识别不准、难以提取最佳特征等问题,提出一种结合迁移学习与二维深度卷积网络（2D-DCNN）直接识别心电图像的方法。首先,截取R波前后75 ms内的心电信号,并将一维心电电压信号转化为二维灰度图像信号。接着,构建2D-DCNN对心电节拍样本进行分类训练,权值初始化采用在ImageNet大规模图像数据集上进行预训练的AlexNet参数值。本文提出方法在MIT-BIH心电数据库上进行性能验证,其准确率达到98%,并在不同信噪比下保持较高的准确率,证明了所述模型在心电分类上具有良好的鲁棒性。为了验证2D-DCNN的识别性能,实验部分与采用不同激活函数的1D-DCNN、近些年性能较好的深度学习方法进行比较。量化结果表明,结合迁移学习和2D-DCNN方法,比最优1D-DCNN算法,其准确率提升2%、敏感度提升0.6%、特异性提高4%;在二分类与多分类任务中,均好于现有的其他算法。     

基于深度LSTM残差网络的帕金森症诊断方法

语音特征分类下的帕金森症诊断方法具有无创、高效、准确、远程与成本低等特点,本研究提出一种基于深度长短期记忆网络（LSTM）残差网络的帕金森症诊断方法。分析帕金森症语音信号特点和LSTM残差模型,基于深度LSTM残差网络的帕金森症诊断模型分成3个部分:语音信号预处理网络、深度LSTM残差语音诊断网络和GAP-ELM帕金森症分类网络。该模型能实现帕金森语音信号的深层特征提取,通过LSTM结构的遗忘门和记忆门得到帕金森语音信号随时间变化的状态,最后通过帕金森症元音集完成帕金森症诊断测试。结果表明本文方法在各类信噪比环境中的帕金森症识别准确度均较高,并可在较少的轮次中完成训练,达到较优的稳定性和较小的损失值。     

睡眠呼吸暂停综合征患者的睡眠分期算法研究

针对可穿戴睡眠监测缺乏有效的自动睡眠分期和睡眠质量评价方法这一问题,提出一种适用于睡眠呼吸暂停综合征患者的自动睡眠分期方法。通过心电图R-R间期序列,分别得到心率变异性、呼吸幅度变异性和呼吸率变异性信号。以此为基础,提取时域、频域及非线性特征共55个。利用门控循环单元网络,分别构建清醒-睡眠二分类、清醒-快速眼动-非快速眼动睡眠三分类、清醒-快速眼动-浅睡-慢波睡眠四分类、清醒-快速眼动-非快速眼动Ⅰ-Ⅱ-Ⅲ期五分类等共4个不同分类粒度的睡眠分期模型;采用损失函数类别加权方法,有效降低数据非平衡对分期结果的影响。验证数据来自SHRS数据库的274例患者。借助准确率、Cohen's Kappa系数和睡眠结构指标对该睡眠分期方法进行性能评价。结果表明4个分类器的准确率分别为85.06%、75.44%、63.80%、62.13%,Cohen's Kappa系数达到了0.54、0.49、0.41、0.41,睡眠结构分析评估与临床结果之间的差异无统计学意义。所提出的方法基本满足睡眠质量评估的需求,适用于可穿戴睡眠监测应用。     

改进U-Net深度网络的视网膜血管分割算法

为了解决U-Net算法在分割眼底图像时无法分割末梢微小血管和无法处理噪声干扰等问题,提出了一种改进的视网膜血管分割算法。首先,在U-Net算法中引入通道强化残差网络,用以优化U-Net架构,使得网络识别更多视网膜微血管。其次,引入空间注意力网络来排除噪声,更好地突出血管。最后,在损失函数的计算中,使用动态权重代替U-Net算法的固定权重,迫使神经网络能够学习一个稳健的特征映射。将改进的算法在DRIVE数据集上进行实验,实验结果表明本文分割算法的准确性和敏感性大幅提高。比原U-Net算法准确性和敏感性分别提高了2.12%和7.51%,比DCU-Net准确性和敏感性分别提高了1.20%和2.55%。     

基于多特征融合的睡眠分期

目的 为了有效实现睡眠自动分期,对睡眠障碍等相关疾病的诊断提供更多依据,本文提出了一种基于多特征融合的睡眠分期方法.方法 数据来自ISRUC-Sleep数据库,首先对10名健康受试者和10名睡眠障碍患者的脑电(electroencephalogram,EEG)信号计算3种特征——样本熵、小波包能量和去趋势波动.然后采用支持向量机(support vector machine,SVM)构建睡眠分期模型,并验证该模型的准确性.此外,为了进行比较加入心电(electrocardiogram,ECG)和肌电(electromyogram,EMG)通道.结果 健康受试者和睡眠障碍患者睡眠分期的准确率分别达到87.4％和86.3％.结论 基于多特征融合的睡眠分期方法能够有效地提高睡眠分期的准确率.     

基于平均能量耗散的睡眠分期研究

目的 睡眠质量影响身体健康与工作效率,睡眠分期结果是衡量睡眠质量的重要指标和诊治睡眠障碍性疾病的重要途径.方法 通过提取相同个体相同时刻的清醒期和非快速眼动睡眠Ⅰ期的EEG信号,分别符号化后计算平均能量耗散,对两个睡眠阶段的相对熵进行统计分析及多样本验证.结果 研究结果表明,平均能量耗散很好地反映了睡眠状态的变化,在清醒期较大,在非快速眼动睡眠Ⅰ期较小,并通过差异显著性检验和多样本验证.结论 平均能量耗散可以作为睡眠自动化分期参数补充到睡眠分期研究中来,在临床上可通过多参数分析,提高睡眠分期的准确性.     

基于心率变异性分析的睡眠分期算法研究和验证

为实现睡眠分期,为穿戴式生理参数监测技术在慢病监测领域的应用提供技术支撑,发展基于心率变异性和支持向量机模型的睡眠分期算法。从心率时间间期序列中提取时域、频域和非线性等86个特征,将多导睡眠图仪的三分类结果(醒、快速眼动期、非快速眼动期)作为“金标准”,采用支持向量机作为多分类器模型;为保证训练集数据质量,使用开放睡眠数据库SHHS中由专家确认挑选的67例PSG样本作为训练集,实现特征筛选和模型参数训练。为验证模型的泛化性能,从SHHS数据库中进一步随机提取939例PSG样本,对模型性能进行测试。睡眠分期模型在训练集上的五折交叉验证的准确率为84.00%±1.33%,卡帕系数为0.70±0.03;在939例测试集上的准确率为76.10%±10.80%,卡帕系数为0.57±0.15。剔除RR间期异常(110例)和明显睡眠结构异常(29例)的样本后,测试集(800例)的准确率为82.00%±5.60%,卡帕系数为0.67±0.14。所提出的基于心率变异性分析的睡眠分期算法具有较高的准确性,大样本人群测试结果表明,该模型具有较好的普适性。     

基于心率变异分析的睡眠分期方法

利用隐马尔可夫模型（HMM）对心率变异性（HRV）进行分析，识别HRV在不同睡眠分期的模式变化，从而推算出相应的睡眠分期。在信号处理的过程中采取了一定的措施降低个体差异对分析的影响；在特征提取中还考虑了HRV中超低频分量和睡眠的关系。由于心率信号的提取对睡眠几乎没有任何干扰，因此，本文提出的睡眠分期方法可以较好地反映受试者在自然条件下真实的睡眠状况，实验证明，该方法简单可行，其睡眠分期的结果和人工分期相比的符合率可以满足很多睡眠监测场合的需要，尤其适用于健康人常年的睡眠监测。     

基于迁移学习和空洞卷积的癫痫状态识别方法

癫痫患者脑电信号的自动检测和发作诊断对临床治疗癫痫具有重要意义。针对训练数据有限及训练与测试数据分布不一致的难点,采用领域间联合知识迁移学习方法,实现小训练数据量下的癫痫状态识别。首先对脑电信号进行4层小波包分解,提取小波包分解系数作为特征,通过边缘分布和联合分布迭代调整,完成源域和目标域特征之间的知识迁移,训练空洞卷积神经网络作为分类器,完成目标域癫痫状态识别。分别在波士顿儿童医院CHB-MIT脑电数据集(22 例被试,共计790 h)和波恩大学癫痫脑电数据集(5 组,每组100 个片段,每段23.6 s)上进行算法验证,实验结果表明,所提出的方法对复杂癫痫状态的平均识别准确度、敏感性、特异性在CHB-MIT数据集上达到96.8％、96.1％、96.4％;在波恩数据集上,平均识别准确率为96.9%,有效提高了癫痫状态识别综合性能,实现了癫痫发作稳定可靠检测。     

基于深浅特征融合的深度卷积残差网络的脑电情绪识别模型

基于脑电信号的智能情绪识别系统具有便携性、高时间分辨率、实时性等特点,能够在健康、娱乐、教育等多个领域实现情绪监控与调节的应用.但由于脑电信号的非平稳性和个体差异性,传统分类器难以深入提取脑电信号中潜在的与情绪语义相关的特征.为了有效地提取脑电特征,提高脑电-情绪识别的准确性,提出一种新型的基于深浅特征融合的深度卷积残...     

基于深度学习的低剂量CT图像去噪

目的:提出一种基于深度学习的方法用于低剂量CT（LDCT）图像的噪声去除。方法:首先进行滤波反投影重建,然后利用多尺度并行残差U-net（MPR U-net）的深度学习模型对重建后的LDCT图像进行去噪。实验数据采用LoDoPaB-CT挑战赛的医学CT数据集,其中训练集35 820张图像,验证集3 522张图像,测试集3 553张图像,并采用峰值信噪比（PSNR）与结构相似性系数（SSIM）来评估模型的去噪效果。结果:LDCT图像处理前后PSNR分别为28.80、38.22 dB,SSIM分别为0.786、0.966,平均处理时间为0.03 s。结论:MPR U-net深度学习模型能较好地去除LDCT图像噪声,提升PSNR,保留更多图像细节。     

用于睡眠精准分期的多模态生理时频特征提取网络

睡眠分期对临床疾病诊断以及睡眠质量评估至关重要。现有睡眠分期方法大多通过单通道或单模态信号,使用单分支深层卷积网络进行特征提取,这不仅阻碍了睡眠相关多样性特征的捕获,增加了计算代价,而且对睡眠分期的准确率也有一定的影响。为解决这一问题,本文提出一种端到端的用于睡眠精准分期的多模态生理时频特征提取网络（MTFF-Net）。首先,利用短时傅里叶变换（STFT）将包含脑电（EEG）、心电（ECG）、眼电（EOG）、肌电（EMG）的多模态生理信号转换为二维时频特征图;然后,使用多尺度EEG紧凑卷积网络（MsEEGNet）与双向门控循环（Bi-GRU）网络相结合的时频特征提取网络,捕获与睡眠特征波形相关的多尺度频谱特征以及与睡眠阶段转换相关的时序特征。根据美国睡眠医学学会（AASM）EEG睡眠分期判据,该模型在科英布拉大学系统与机器人研究所第三组子睡眠数据集（ISRUC-S3）上的五分类任务中取得了84.3%的准确率,其宏观F1分数（m-F1）的值为83.1%,科恩卡帕（Cohen’s Kappa）系数为79.8%。实验结果表明,本文所提模型实现了更高的分类准确率,推进了深度学习算法在辅助临床决...     

深度强化学习在直肠癌IMRT自动计划的应用

目的:对于调强放疗(IMRT)计划,优化过程较为耗时,且计划的质量取决于计划人员的经验和时间,本文探讨并实现一种无监督IMRT自动优化的方案,使其能够模拟人工操作方式进行治疗计划优化。方法:本研究基于深度强化学习框架,提出一种优化调整决策网络(OAPN)自动化计划优化的方法。利用Varian Eclipse 15.6 TPS的脚本应用程序接口(ESAPI)实现OAPN与TPS之间的交互,以剂量体积直方图作为信息输入,通过强化学习的训练方式,OAPN学习TPS中目标参数的调整策略,从而逐步改善并获得较高质量的计划。实验从临床数据库中选取18例既往已完成治疗的直肠癌病例,其中5例计划案例用于OAPN网络训练,其余13例计划案例用于评估训练后OAPN的可行性与有效性,引入第三方计划评分工具来衡量计划质量。结果:用于测试的13例直肠癌计划,使用统一的初始优化目标参数(OOPs)所获得的平均得分为(45.53±4.58)分(计划得分上限值为110),经过OAPN对OOPs调整后计划所获得的平均得分为(88.67±6.74)分。结论:OAPN借助ESAPI实现与TPS之间数据交互,通过深度强化学习...     

基于数据扩增和迁移学习的Mask R-CNN脑CT图像自动分割研究

在临床上,分割脑CT图像上的各个脑区并建模,可以更好地观察病变与各器官的位置关系.目前医生主要通过人工勾画的方式进行分割,不仅费时、费力,而且还容易受主观因素影响.提出一种基于数据扩增和迁移学习的Mask R-CNN卷积神经网络算法,可以更快速地在脑CT图像上自动分割出易受脑出血危及的脑区,如小脑、脑干、基底节区和背侧...     

基于复杂性测度的睡眠脑电分期处理方法研究

提高临床脑部及神经系统疾病的早期诊断水平,及时予以控制和治疗,是降低脑疾病对人类危害最有效的途径。探讨复杂性测度在睡眠脑电分期中的应用,主要利用加窗的Lempel-Ziv复杂度处理算法对经采用小波变换滤波算法滤除生理干扰后的睡眠脑电信号进行分期处理,并与没有加窗的Lempel-Ziv复杂度处理算法的仿真处理结果进行比较。结果表明：加窗的Lempel-Ziv复杂度算法能更好地将睡眠脑电不同状态分开,在一定程度上减少由脑电的非平稳性带来的计算上的片面性,同时兼顾各期睡眠脑电状态的不均匀性,在很大程度上满足临床的应用要求。