功能性构音障碍儿童的持续性注意研究

目的:研究功能性构音障碍儿童的持续性注意以探讨其病因和发病机制。方法:选择符合功能性构音障碍诊断标准的儿童32例作为病例组,同年龄段32例正常儿童为对照组,分别进行视听整合持续性操作测试及智力测定,对持续性注意进行组间比较。结果:功能性构音障碍儿童听觉及综合注意力商数低于对照组,两组间差异有显著性意义(P<0.05)。结论:功能性构音障碍儿童持续性注意水平明显落后于正常儿童,这可能是功能性构音障碍的病因之一。     

基于EMD方法和加窗的QRS波群检测算法EI北大核心CSCD

提出了一种基于经验模态分解(EMD)方法和自适应加窗技术的QRS波群检测算法,该算法主要是利用Hilbert-Huang变换提出适合QRS波群检测的EMD方法,利用该算法对sddb数据库中第30号信号和mitdb数据库中第208号信号进行处理,得到R波的检测结果;同时,利用自适应加窗技术对Q点和S点的检测技术进行分析。通过对MIT/BIT心率异常数据库的部分数据进行R波检测,结果表明,本文提出的算法具有很好的检测效果,其R波的平均正确检测率达到了99.62%,QRS波群的平均敏感性为98.91%,相应的平均特异性为99.35%。     

双相障碍和精神分裂症患者的语音情绪识别

目的:比较双相障碍和精神分裂症患者的语音情绪识别的差异。方法:符合美国精神障碍诊断与统计手册第四版诊断标准的双相障碍患者和精神分裂症患者各60例,性别、年龄和受教育年限匹配的正常对照60例。使用阳性和阴性症状量表、杨氏躁狂量表和24项汉密顿抑郁量表评估患者临床症状,使用42段标准化语音情绪评价范式测试所有受试者的语音情绪识别能力。结果:双相障碍和精神分裂症的患者的愤怒、平静、悲伤及总体语音情绪类别得分均低于正常对照(P<0.05),其中精神分裂症对厌恶;(2.1±1.7)vs.(3.1±1.7)vs.(3.1±1.6);P<0.05]、惊奇;(2.7±1.7)vs.(3.8±1.6)vs.(3.9±1.7);P<0.05]两种语音情绪的类别得分,及对愤怒;(58.4±22.1)vs.(71.4±17.1)vs.(71.1±14.5);P<0.05]情绪的强度得分均低于双相障碍和正常对照。结论:本研究提示双相障碍和精神分裂症的患者均存在语音情绪识别障碍,精神分裂症患者对厌恶、惊奇两种语音情绪的识别能力弱于双相障碍患者。     

基于语音预训练模型的抑郁症识别研究

针对数量日益增多的抑郁症患者群体,本文提出一种通过语音信号有效识别抑郁症的人工智能方法,以提高诊断和治疗效率。首先,通过微调语音到特征向量模型2.0(wav2vec 2.0)的预训练模型对语音进行编码和上下文化,从而获得高质量的语音特征;然后,应用情感障碍分析的公用数据集——绿野仙踪忧虑分析访谈语料库（DAIC-WOZ）数据集验证上述模型。结果显示,在抑郁症识别的二分类任务中,该方法在精确率方面达到了93.96%、召回率达到了94.87%、F1分数达到了94.41%,总体分类准确率达到96.48%。在评估抑郁症严重程度的四分类任务中,精确率均达到92.59%及以上,召回率均达到92.89%及以上,F1分数均达到93.12%以上,总体分类准确率达到94.80%。基于上述结果证明,本文提出的方法在小样本情况下有效提升了分类的准确率,对于抑郁症的识别和严重程度评估效果良好。未来,该方法有望在抑郁症的诊断中起到辅助支持的作用。     

一种基于LBP特征提取和稀疏表示的肝病识别算法

由于肝脏超声图像具有回声不均匀、边缘模糊等缺点,肝脏疾病的无创诊断易受影响,而且目前临床基于肝脏超声图像的肝病诊断主要依靠医生的主观判断,其缺点为依赖医生主观经验且耗时,因此提出一种基于局部二值模式(LBP)特征提取和稀疏表示的肝病识别算法。从肝脏超声图像中提取感兴趣区域,使用LBP特征提取方法对感兴趣区域提取图像特征,将得到的特征进行字典训练,得到稀疏矩阵,最终采取支持向量机对其进行分类。实验样本均取自青岛大学附属医院肝胆科。实验1使用该方法对100个正常肝脏样本和100个肝硬化样本进行分类,准确率达到99.50%,实验2使用该方法对肝硬化、脂肪肝、肝血管瘤和肝癌4类样本共200个进行分类,AUC值分别为67.2%、65.1%、55.0%和62.6%。ROC曲线表明,提出的分类方法在准确率和泛化能力上均优于传统方法,有助于肝病的临床诊断。     

基于变尺度融合网络模型的心电数据识别算法EI北大核心CSCD

心律失常类型的判断是早期心血管疾病预防和诊断的关键,因此心电图(ECG)分析作为医生诊断的重要依据得到了广泛应用。由于受到不同患者间ECG信号形态差异大、类别分布不平衡等因素影响,现有的心律失常自动检测算法在识别过程中存在一定的困难。本文提出了一种变尺度融合网络模型用于心律类型的自动识别,利用改进后的ECG生成网络(EGAN)模块解决了ECG数据不平衡问题,并以灰度递归图(GRP)和频谱图形式对ECG信号进行二维重现,结合模型的分支结构,实现了变长心拍的自动分类。研究结果采用麻省理工学院与贝斯以色列医院(MIT-BIH)心律失常数据库进行验证,对其中八种心律类型进行区分,平均准确率达到了99.36%,敏感性和特异性分别为96.11%、99.84%,未来期望本方法可用于临床辅助诊断以及智能穿戴设备等。     

基于IMF能量熵的脑电情感特征提取研究

为提高脑电信号情感识别分类准确率,结合经验模态(EMD)分解和能量熵提出一种新的脑电特征提取方法。本研究主要介绍了EMD分解的基本原理,分析了传统EMD算法中的"端点效应",采用分段幂函数插值算法改善了EMD分解的精度和性能,然后将改进后的算法应用到脑电信号特征提取,获取脑电信号的IMF分量后计算出IMF能量熵作为情感识别的特征,最后通过分类实验对比改进后的EMD算法和传统EMD算法对脑电情感特征的分类准确率。实验结果显示改进的EMD算法能使识别率提高15%左右,并且以IMF能量熵为特征的平均识别率在80%以上,实验结果表明将IMF能量熵用于脑电信号情感识别是可行的。     

一种基于几何特征的ECG波形识别算法

目的 ECG自动分析系统由两部分组成:波形识别和智能诊断。在实际应用中,心电波形识别是该系统的关键。波形识别的精确性和可靠性决定了心脏病诊断的可靠性。为提高波形识别的速率及准确度,本文提出一种基于几何特征的ECG波形识别算法。方法首先利用数字滤波算法对信号进行预处理,提高信号的信噪比,然后通过改进的二阶导数计算出数据的几何特征:点的斜率和运动趋势,并在此基础上,结合ECG波形的实际物理特征,利用算法实现T波、P波、QRS波群的起点、终点以及波峰波谷的自动识别。结果统计分析结果表明,本算法能够快速高效地识别ECG波形。同时将该算法与其他当前各种ECG波形识别算法进行对比,该识别算法在识别的精确性与阳性预测值方面具有更好的性能。结论本文提出的基于几何特征的ECG波形识别算法可以进一步提高当前ECG波形识别算法的性能。     

精神分裂症患者阴性症状与语音情绪识别、述情障碍的关系

目的:探讨精神分裂症患者的阴性症状与语音情绪识别、述情障碍的关系。方法:选取符合美国精神障碍诊断与统计手册第4版(DSM-IV)诊断标准的精神分裂症患者135例,年龄和受教育年限相匹配的正常对照73例。使用语音情绪识别任务、多伦多述情障碍量表和阴性症状自评量表进行测评。结果:精神分裂症组对不同情绪(愤怒、厌恶、恐惧、悲伤、惊讶和讽刺)的正确识别率均低于正常对照组(均P <0.05)。患者组述情障碍的难以识别情绪、难以描述情绪因子和总分高于对照组(均P <0.05)。述情障碍量表的总分及3个因子与阴性症状自评量表(SNS)得分呈正相关(r=0.31-0.51,均P <0.05),而悲伤、和惊奇与SNS得分呈负相关(r=-0.18、-0.21,均P <0.05)。逐步回归分析显示,难以描述情绪因子与SNS得分正向关联(β=1.26),悲伤情绪因子得分与SNS得分负向关联(β=-0.59)。结论:本研究提示精神分裂症患者存在语音情绪识别障碍和述情障碍,且阴性症状的严重程度与语音情绪识别和述情障碍的关系密切。     

基于多尺度注意力机制的三维卷积神经网络肺结节检测算法EI北大核心CSCD

基于电子计算机断层扫描(CT)的肺结节检测的早期筛查是降低肺癌死亡率的重要手段,而近年来三维卷积神经网络(3D CNN)已经在肺结节检测领域取得了成功并不断深入发展。本文提出了一种基于多尺度注意力机制的3D CNN肺结节检测算法。针对肺结节大小和形状各异的特点,设计了一个多尺度的特征提取模块,提取不同尺度的相应特征。通过注意力模块,从空间和通道两个角度挖掘特征间的关联信息,对特征加强。提取出的特征进入类似金字塔的融合机制,使得特征中同时包含深层的语义信息与浅层的位置信息,更利于目标定位与边界框回归。在具有代表性的LUNA16数据集上,相对于目前先进的其他方法,本文方法能够明显地提高检测灵敏度,可为临床医学提供理论参考。     

一种用于胶囊内窥图像的小肠出血智能识别算法

针对胶囊内窥图像的出血检测提出了一种新的智能识别算法。该算法首先将彩色内窥图像在RGB空间进行分水岭分割,再将图像转换至CIEluv彩色空间,在前分水岭分割的基础上,在CIEluv空间上对各分块区域依据欧氏距离判别彩色相似度,进行小肠出血的识别与出血区域提取的工作。实验结果表明该算法灵敏度为94．3％,特异度为98．4％。     

利用整体经验模态分解和随机森林的脑电信号分类研究

癫痫脑电信号的自动监测与分类在临床医学上具有重要意义。针对脑电信号的非平稳特点,提出一种基于整体经验模态分解和随机森林相结合的脑电信号分类方法。选取波恩大学脑电信号数据集中癫痫发作间期和发作期的200个单通道信号,共819 400个数据作为样本。首先利用整体模态分解将癫痫脑电信号分解成多个固有模态函数,然后对各阶固有模态函数提取有效特征,最后分别用随机森林和最小二乘支持向量机对脑电信号的特征进行分类。将随机森林与最小二乘支持向量机分类正确识别率对比,结果表明,随机森林分类方法对发作期和发作间期的癫痫脑电信号的分类效果比较理想,识别精度为99.60％,高于最小二乘支持向量机的准确性。该方法的提出能有效提高临床癫痫脑电信号分析的效率。     

基于改进机器学习算法的步态识别与预测研究EI北大核心CSCD

针对人体下肢不同步态过程的个体差异和行走过程中步幅随机变化等问题,本文提出一种利用运动姿态信号进行步态识别与预测的方法。研究采用基于免疫粒子群算法(IPSO)优化门控循环单元(GRU)网络算法,建立以人体姿态变化数据为输入,以下一阶段姿态变化数据及准确率为输出的网络模型,以期实现对人体姿态变化的预测。本文首先明确概述IPSO优化GRU算法的过程,采集多名受试者分别执行平地行走、蹲起、坐姿腿屈伸等动作的人体姿态变化数据,通过对比分析IPSO优化的循环神经网络(RNN)、长短期记忆网络(LSTM)、GRU网络识别与预测情况,以验证所建模型的有效性。试验结果显示,优化后的算法可较好预测人体姿态变化,其中平地行走和蹲起动作的均方根误差(RMSE)可精确到10^(-3),坐姿腿屈伸的RMSE可精确到10^(-2);各种动作的R^(2)值均可达0.966以上。以上研究结果表明,优化后的算法可应用于实现康复治疗中人体步态运动评价和步态趋势预测、假肢和下肢康复设备设计等研究,对今后提高患者肢体功能、活动水平和生活独立能力的研究提供参考。     

一种辅助聋儿发声训练的辅音特征提取算法的研究

为了直观地给听力语言障碍者提供发音改进信息,本文研究了利用不送气塞音时域和频域的声学特征来进行特征提取的算法,并运用到辅音训练辅助系统中.系统采用语音信号处理的方法,显示由线性预测得到的时频分布语谱图,用共振峰跟踪技术追踪不送气塞音与后接元音之间过渡音征的共振峰轨迹.由时域特征与共振峰轨迹,判别发音是否准确,并用视觉反馈的方式提供给受训者发音改进意见.系统对10人(6男,4女)的三个不送气塞音/b/、/d/、/g/加上元音/a/的发音进行了测试,获得了良好的初步结果.     

一种基于改进经验模态分解的癫痫脑电识别新方法

在临床癫痫诊断过程中,为了提高癫痫脑电的识别率,能在癫痫发作前期就预测到癫痫疾病,其特征波的提取至关重要。针对这一问题,提出将平行延拓与镜像延拓相结合来改进EMD算法。首先,使用平行延拓的方法,在原始脑电信号的左、右端点处分别预测出一个极值;然后,使用基于镜像延拓的EMD方法,对信号进行镜像延拓,以避免经验模态分解过程中的端点效应;最后,采用支持向量机进行信号的分类识别。算法验证数据取自德国伯恩大学癫痫研究中心的脑电数据库,其中50例是正常脑电信号、50例是癫痫发作间期的脑电信号。实验研究表明：该方法对总测试脑电信号的识别率达到94%。其中,正常脑电信号和癫痫脑电信号的独立识别率均为94%,比传统EMD算法处理后的脑电识别率提高了5%,可见该方法可以有效地预测癫痫脑电。     

后稳定型全膝关节假体的骨肌多体动力学研究EI北大核心CSCD

后稳定型全膝关节假体已经被广泛应用于骨科临床治疗膝骨关节炎,但是胫骨衬垫立柱的磨损、断裂以及假体松动等失效问题依然困扰着患者和医生。了解患者体内膝关节假体的生物力学特性有利于降低术后的假体翻修率和患者不满意度。本文针对6种不同后稳定型全膝关节假体分别建立了全膝关节置换的骨肌多体动力学模型,在模拟走路、右转和下蹲3种生理活动下,对比研究了6种后稳定型全膝关节假体的生物力学差异。结果表明,在走路、右转和下蹲活动中PFC Sigma和Scorpio NGR两种假体的立柱所受接触力较大,增加了立柱断裂和磨损破坏以及假体早期松动的风险。Gemini SL的螺旋型立柱设计更有利于膝关节的内外旋转运动,同时避免了立柱边沿接触磨损。后稳定型全膝关节假体矢状面较低的关节面匹配度设计和较晚的立柱-凸轮相遇接触设计将导致较大的前后平移运动。本文为临床指导医生选择、改进假体设计和降低假体失效提供了理论支撑。     

一种辅助进餐机器人的结构设计与性能分析EI北大核心CSCD

本文针对服务护理领域对专用辅助护理设备的需求,结合TRIZ理论思想设计一种可实现仿人喂食功能的辅助进餐机器人。该机器人本体采用串联关节型机械手臂模拟人体手臂运动,实现进餐时移位功能;末端采用电机驱动勺柄构件进行往复运动,模拟人体手部送喂动作实现进餐功能;整体采用眼在手上安装方式模拟人类视觉,实现基于视觉信息的机械手自动送喂功能。综合考虑辅助进餐机器人的喂食功能及其与人交互时的相对位置关系,满足最低自由度配置下具备空间上的运动灵活性,在此条件下确定辅助进餐机器人的结构,分析其受力情况,对具体应用场景适宜位置进行讨论说明。仿真结果表明所设计的辅助进餐机器人能够在低自由度配置下,满足工作空间运动灵活性的需求。     

一种基于生成对抗网络的无监督域自适应磁共振图像分割方法EI北大核心CSCD

智能医学图像分割方法正在快速地发展和应用,但面临着域转移挑战,即由于源域和目标域数据分布不同导致算法性能下降。为此,本文提出了一种基于生成对抗网络(GAN)的无监督端到端域自适应医学图像分割方法。设计网络训练调整模型,由分割网络和鉴别网络组成。分割网络以残差模块为基本模块,增加对特征的复用能力,降低模型优化难度,并将分割损失与对抗损失相结合,在鉴别网络的作用下学习图像特征层面的跨域特征。鉴别网络采用卷积神经网络,并带入源域标签训练,用来区分生成网络的分割结果是来自源域或目标域,整个训练过程无监督。使用膝关节磁共振(MR)图像公开数据集和采集的临床数据集进行实验,与经典的特征级域自适应方法和图像级域自适应方法对比,所提方法的平均戴斯相似性系数(DSC)分别提高了2.52%与6.10%。本文方法有效提高了分割方法的域自适应能力,显著提高了对胫骨和股骨的分割精度,可以较好地解决磁共振图像分割中的域转移问题。     

一种同时消除脉搏波信号中呼吸基线漂移和高频噪声的方法

目的：基于光电容积脉搏波可以实现血氧饱和度等人体生理参数的无创检测。基于光电容积脉搏波测量时,由于信号采集过程中存在人体呼吸和仪器本身热噪声等干扰,脉搏波信号中存在着呼吸基线漂移和高频噪声,影响最终的人体生理参数测量精度。方法：因此提出一种在经验模式分解的过程中结合小波变换的方法,来同时消除呼吸基线漂移和高频噪声的影响。首先通过经验模态分解将脉搏波信号分解为若干内在模式分量,并分别判断出含有呼吸基线漂移和代表高频噪声的分量,对于代表高频噪声的分量采用类似小波变换的方法进行滤波,利用小波变换将含有呼吸基线漂移的分量分解,将代表呼吸基线漂移的小波细节置零,信号重构后就达到了同时消除呼吸基线和高频噪声的目的。利用自行研制的测量装置采集的脉搏波信号进行实验验证,并采用信号交直流比R和信号的频谱进行效果评价。结果：有效地同时消除了呼吸基线漂移和高频噪声。结论：该方法将有利于血氧饱和度等人体生理参数无创检测精度的提高。     

一种改进的模板匹配算法及其在ECG波形识别中的应用

基于相关系数的模板匹配算法无法区分波形信号f(t)与nf(t),因为模板p(t)与f(t)和nf(t)之间的相关系数相等。本研究提出一种改进的相关性算法,使得模板与信号进行匹配运算后得到的系数c∈[-1,1],并且只有在p(t)=f(t)时c值为1。利用此方法分别对ECG的R波和T波进行识别,可准确地区分R波和T波,并可确定模板波形的检测点。此方法与基于相关系数的模板匹配算法相比具有较好的波形检测特异性,可应用于各个领域的波形识别。