基于光电容积脉搏波的呼吸波提

本研究通过人体指端的光电容积脉搏波,提取呼吸波信号。同时采用小波分析和经验模态分解方法对脉搏波信号进行分解并重构呼吸信号,然后与采集的呼吸波信号做相关性分析。通过对5名志愿者的实验,结果显示采用经验模式分解方法所提取的呼吸波具有更好的相关性。通过分析数据显示,其波形相关系数在0.5左右,AR频谱相关系数在0.8以上。由此可以证明,经验模式分解法可有效提取人体指端光电容积脉搏波中所包含的呼吸波成分。     

高血压病人的光电容积脉搏波的频域分析

采用光电容积脉搏血氧饱和度检测系统对67例高血压病人采集的脉搏波信号进行了频域分析,并和66例正常人进行对比分析.发现高血压病人的脉搏波谐波峰值衰减速度显著高于正常人,而谐波的宽度要大于正常人.作者从人体生理和病理学角度分析了这种差异出现的可能原因,从而为高血压病的早期诊断提供了一种新的参考方法.     

基于光电容积脉搏波的精神疲劳评估方法

目的 针对精神疲劳难于定量评估的问题,本文探索一种非侵入式可穿戴检测方法获取人体生理参数,从而实现对人体精神疲劳的定量评估。方法 搭建光电容积脉搏波（photoplethysmography,PPG）采集平台,采集20名健康在校生的PPG信号,对PPG信号进行预处理和特征提取,获取时域、频域共143维特征。使用机器学习算法建立分类模型,对于Pearson相关系数法、F检验和relief-F得到的特征权值,选择最优的特征子集,使用降维后的特征子集训练模型,减少复杂度和过拟合概率。结果 与实际状态对比,基于该方法的单个体疲劳检测平均准确率为92.48%,多个体疲劳检测准确率最大值为92.2%,可以有效地识别精神疲劳。结论 光电容积脉搏波信号经过时域和频域分析构建的特征能够使用机器学习算法进行准确的精神疲劳状态分类评估。     

基于光电容积脉搏波的呼吸频率监测

目的呼吸频率是人体生理信息监测中一个重要的生理指标,做好呼吸频率的监测对于一些疾病的及时诊疗有重大意义。光电容积脉搏波中包含许多生理信息,而本研究即从光电容积脉搏波中提取呼吸频率。方法首先识别出光电容积脉搏波,提取出脉搏波的包络、间隔、幅度、面积信号4个特征参数,并利用三次样条插值和频谱分析从中提取各自对应的频率,采用加权平均得到最终的呼吸频率,并将本文提取的呼吸频率同给定的标准呼吸频率进行对比。结果在时域和频域具有较好的相关性,并且不同数据多次测量的统计结果显示测量误差较小。结论本方法能有效地从光电容积脉搏中提取呼吸频率,且计算简单,为实现呼吸频率的实时、连续、无创监测提供了一定的理论依据。     

指端光电容积脉搏波在循环功能动态监测中的意义

目的探讨指端光电容积脉搏波在循环功能动态监测中的意义。方法择期骨伤科手术治疗患者110例,其中男性69例,女性41例;年龄29～69岁。麻醉手术期间动态记录容积脉搏波变化,提取波峰形态和血流曲线上Y1、Y2、Y33个特征参数,观察并分析其变化规律。结果波形分为两类,主波峰Y1大致归为5种形态：锐锋1、锐锋2、前钝后锐峰、钝圆峰、前锐后钝峰,其动态变化与小动脉和微动脉的紧张性和弹性直接相关。Y1、Y2、Y33个特征参数值的动态变化在一定范围内与失血量及失血速度密切相关。结论①分析指端光电容积脉搏波峰形动态变化有助于评估人体小动脉和微动脉血管紧张性和弹性,监测微循环血流灌注变化。②分析Y1、Y2、Y33个特征参数值的动态变化有助于及时发现微循环血流灌注量减少,早期预测失血性休克的发生、发展,指导临床液体复苏治疗。     

基于光电容积脉搏波描记法的无创连续血压测量

为了摆脱传统血压计充气袖带的束缚、实现长期连续的血压监测,很多学者开展了基于PPG实现无创、连续血压监测的研究。阐述基于光电容积脉搏波描记法(PPG)实现无创、连续血压测量的基本原理。将当前基于PPG无创血压监测的研究分为3类,分别为心电(ECG)与PPG结合的血压测量技术、两路PPG结合的血压测量技术、脉搏波特征参数血压测量技术,分析这3类技术的基本测量原理、测量精度及其优缺点。在此基础上,论述基于PPG实现无创、连续监测血压的发展方向。     

基于光电容积脉搏波的无袖带血压测量技术研究进展

无袖带血压监测技术由于低生理/心理负荷等特点,在健康监测领域具有广阔的应用前景。其中,基于光电容积脉搏波的无袖带血压测量技术能够获取连续动态的血压参数,有效弥补传统袖带血压测量不便、间断测量等不足。本文对基于光电容积脉搏波的无袖带血压测量技术的研究进展进行综述。首先从传感测量和数据处理方面介绍了光电容积脉搏波信号的获取与分析方法。然后简述了传统的基于脉搏波速度理论进行血压测量的研究,重点分析了该领域的主要研究方向：基于形态学参数的机器学习方法研究以及基于序列学习的深度网络研究。最后对基于光电容积脉搏波的无袖带血压测量技术所面临的挑战及其应对策略进行了深入分析和详细讨论,以期为该领域的相关研究提供参考。     

基于体外实验的光电容积脉搏波信号检测及脉率特性

目的 借助体外循环实验系统的可控参数优势考察血流参数变化对脉率特性的影响。方法 建立一套搭载腕部体外模型的人体循环系统,通过分别改变心率、腕部流量、压力和系统顺应性等参数,从腕部模型中获取光电容积脉搏波信号,并提取脉率变异性的时域和频域指标。结果 心率、压力和系统顺应性的改变会引起脉博波形状的改变,但能够表明脉率变异性的时域指标NN50、PNN50数值为0,其他指标以及频域指标都处在极低值范畴。结论 在未有心率变异性时,心率、腕部流量、血压和系统顺应性等血流动力学变化未产生明显的脉率变异性。本研究可为临床在更便利的腕部采集设备加持下开展更多脉率变异性和心率变异性研究提供参考。     

一种光电容积脉搏波的特征点自动识别算法

目的为弥补现有光电容积脉搏波特征点识别算法存在的需要人为设定阈值筛选门限和对复杂波形适应能力较差的缺陷,提出一种基于脉搏波上升支单调增加几何特性的特征点自动识别算法。方法通过两次Hilbert变换后过零点检测在每个脉搏周期内确定一个基准点,在基准点前后搜索距离其最近的凹拐点即为波谷点、凸拐点即为主波峰点。结果利用MIT-BIH标准数据库中18组数据进行检测验证,平均值达到99.94%灵敏度、99.72%查准率和99.68%检测准确率。对比已有的4种算法,在查准率上有明显的提升,应对复杂的波形依然能准确识别特征点。结论提出的算法在搜索确定脉搏波波谷点和主波峰值点位置过程中取得较高的检测准确率,同时展现出对波形变化更强的适应力。研究结果为临床上通过脉搏波特征提取进行生理病理分析提供良好基础。     

基于容积脉搏波血流动力学检测的血流动力学参数的临床验证

目的 改进脉搏波无创检测仪的检测方式,考虑到桡动脉检测的操作复杂,因而选择操作简便的指脉检测.方法 通过大量的临床数据分析,确定指脉检测方式与桡动脉检测方式之间的转换关系,计算基于容积脉搏波的部分血流动力学参数,并和超声心动检测结果进行对比.结果 用指端容积脉搏血流方法同步检测的血流参数和超声心动检测血流参数的结果对比,差异没有统计学意义.结论 所得结果表明,在应用指端容积脉搏血流方法检测心输出量及其他血流参数是可行的.     

基于卷积神经网络的房颤患者导管消融术后复发预测

通过采集患者术前的基础病史信息、影像检查信息、生化检查信息等资料,利用统计学和卷积神经网络相结合的方法对导管消融术预后情况进行预测。本研究中纳入了121例经射频消融手术治疗后的房颤患者,利用深度学习,先将生化检查的60个指标通过调整结构与参数建立3个房颤复发预测模型,复发预测精度最高为0.7（95%CI:0.536~0.864）。然后,将基础病史资料特征信息、影像检查信息进行统计学筛选和数据标准化处理,根据P值将差异性最大的10个特征与生化检查的60个特征融合,进行多因素跨模态的深度学习,建立3个深度模型,得到的房颤复发预测模型最高准确率为0.8（95%CI:0.657~0.943）。通过多组实验发现,深度模型并非越复杂越好,在样本量有限的情况下,选取合理的模型复杂度,并纳入多种模态特征可以获得更高的预测精度。     

融合可解释性特征的糖尿病视网膜病变自动诊断

糖尿病视网膜病变（DR）已成为全球4大主要致盲疾病之一,及早确诊可以有效降低患者视力受损的风险。通过融合深度学习可解释性特征,提出一种DR自动诊断方法,首先利用导向梯度加权类激活映射图和显著图两种可解释性方法生成不同标记的病灶图像,再通过卷积神经网络提取原图像和两种生成图像的特征向量,最后融合3种特征向量并输入到支持向量机中以实现DR的自动诊断。在1 443张彩色眼底图像构成的数据集上,相对于基础ResNet50模型,该方法诊断准确率提高3.6%,特异性提高2.4%,灵敏度提高5.8%,精度提高4.6%,Kappa系数提高7.9%,实验结果表明该方法能有效降低误诊的风险。     

基于机器学习的睡眠剥夺注意力易损性分类研究

目的:旨在寻找可以对睡眠剥夺后注意力易损与耐受个体进行准确区分的白质纤维束。方法:借助弥散张量成像技术获取各向异性分数、轴向扩散系数、径向扩散系数及平均扩散系数等反映白质弥散特性的特征参数,使用支持向量机分类算法构建睡眠剥夺易损性分类模型;采用准确性、敏感性、特异性、阳性预测值和阴性预测值等指标评价分类模型的性能表现;采用置换检验评估分类模型的显著性。结果:与只采用单一类型特征相比,使用组合特征构建的分类器表现性能最佳,其准确性、敏感性、特异性、阳性预测值、阴性预测值及曲线下面积分别为83.67%、80.00%、87.50%、86.96%、80.77%、88.67%。在组合特征构建的分类模型中对分类贡献较大的白质纤维束主要包括放射冠、内囊前肢、丘脑后辐射及皮质脊髓束等投射纤维、上纵束和扣带等联络纤维以及胼胝体和穹窿联合等联合纤维。结论:特定脑区间白质纤维束的微观结构特性可以作为区分睡眠剥夺后注意力易损与耐受个体的影像学标志物。     

基于迁移学习和支持向量机的乳腺癌分子分型预测

乳腺癌分子分型对乳腺癌的治疗具有决定性的参考作用,传统的分型方法有创且可能存在假阳性问题,而已有的基于影像学的分型方法准确率较低。本文提出一种利用迁移学习提取特征并结合支持向量机的分型预测方法,对乳腺癌PET/CT标记图像进行融合和归一化,再使用Xception迁移学习网络进行特征提取,最后使用支持向量机进行分类实现分型。对样本测试集进行性能评估表明,Xception+SVM模型的准确率达到0.687,AUC为0.787,优于现有基于影像学的方法,验证了本文方法的有效性。     

基于肌电信号的膝关节跨越障碍角度预测方法

为解决人体跨越障碍物时膝关节角度输出的问题,针对性设计一种穿戴式信号获取实验台,对下肢运动姿态进行运动分析,将肌肉电信号及关节角度信号作为运动数据,对信号进行处理后利用BP神经网络预测跨越障碍时输出角度,提出一种利用BP神经网络算法,根据不同大腿抬起高度,分析膝关节运动主动肌与被动肌发力程度,预测输出人体跨越障碍时膝关节角度的方法,能够有效帮助假肢膝关节或康复机器人实现跨越障碍的复杂动作。     

基于极限学习机的跌倒检测分类识别研究

由于年龄和身体条件的限制,在老年人群中跌倒是非常普遍的现象。因此,根据老年人跌倒的运动特征,远程监测他们在各个时间段的状态,以便在其摔倒或突发状况时及时采取措施显得尤为重要。针对人体运动状态进行监测,分析人体运动学特征,提出基于极限学习机的跌倒检测算法。运用三维加速度传感器采集人体的三维加速度值,建立跌倒检测特征模型。在此基础上,建立基于极限学习机的跌倒检测分类器,完成对老年人的计算机辅助跌倒检测。实验数据共540例样本,选用了不同数量的训练集和测试集,其中440例作为训练数据,其余100例为测试数据。测试结果表明,准确率为93%,敏感度为87.5%,特异性为91.7%,具有良好的分类性能。在对分类训练的运行时间方面,基于极限学习机的跌倒检测方法与传统的机器学习方法相比具有明显优势。     

基于心电-脉搏波的心血管疾病识别研究

为实现心血管疾病的早期筛查,降低心血管疾病临床检测的成本。本研究基于上肢脉搏波传导速度（PWV）及脉搏波相关血液动力学基础理论,采集了总计51人的脉搏波与心电信号数据,提取了包括3种PWV和脉搏波特征参数总计16个特征参数,将不同的PWV与脉搏波特征组成3个样本特征数据集,分别建立了基于K近邻学习（KNN）和支持向量机（SVM）的心血管疾病识别模型。KNN模型分类准确率为66.28%,SVM模型分类准确率为84.3%,并通过对比不同PWV对模型性能的影响,确定了用于血管评估的最优脉搏波传导速度pwvm。研究表明基于SVM建立的分类模型对心血管疾病识别有一定可靠性,为低成本的心血管疾病早期筛查提供了新思路,也为穿戴式心血管系统监测提供了基础。     

基于自适应能量偏移场无边缘主动轮廓模型的乳腺肿块分割与分类方法研究

目的:为提高乳腺癌检测的精准度和效率,提出了一种基于自适应能量偏移场无边缘主动轮廓模型（AEOF-CV）的乳腺肿块分割与分类方法。方法:首先采用中值滤波、阈值分割及区域连通进行图像预处理,去除图像噪声;然后使用伽马变换及形态学运算相结合的方法进行图像增强;其次,采用AEOF-CV对弱对比度图像提高分割精度,用于乳腺肿块分割,得到感兴趣区域;最后使用不同提取特征方法,结合支持向量机识别感兴趣区域是否有肿块,并对存在肿块的图像判别肿块的良、恶性。结果:实验利用DDSM数据库中350个图像进行测试,实验结果证明,基于AEOF-CV乳腺肿块分割方法可以得到肿块清晰外部轮廓,具有较好的鲁棒性,误分率可达到0.212 0。无肿块样本识别率达到94.57%,恶性肿块识别率为97.91%,良性肿块识别率为96.96%,总识别率达94.00%。结论:基于AEOF-CV的乳腺肿块分割效果较好,误分率相对CV方法降低19.17%,查准率和查全率达到了0.851 9和0.836 5,全局分析性能较好,是乳腺肿块分割的有效方法,可为后续模式识别提供可靠依据。     

基于改进的VGG-16卷积神经网络的肺结节检测

【摘要】针对肺结节特征复杂、人工提取特征困难的问题,提出基于改进的VGG-16卷积神经网络的肺结节检测模型。首先采用阈值分割与处理最大连通区域后的图像进行掩模运算,得到肺实质部分。然后通过Regionprops标记每个连通区域序号分割出所有疑似结节;采用核函数极限学习机而不是Softmax函数作为VGG-16结构中的分类器。最后利用改进后的VGG-16模型去除假阳性结节,完成对肺结节检测。在LIDC-IDRI数据集上进行的实验表明改进后的模型能达到92.56%的准确率和94.44%的高敏感度。该模型可用于辅助医生进行肺结节诊断,具有一定的临床应用价值。     

基于多域脑电参数分析的麻醉深度评估

提出一种结合随机森林模型的输出和脑电参数共同评估麻醉深度的方法,以提高评估麻醉深度的可靠性。首先通过滤波方式处理脑电信号,然后把信号分割成等长的多段,从每段中提取非线性域、频域、时域的10种参数,得到脑电参数-BIS值数据集;然后建立评估麻醉深度的随机森林回归模型,并在这些脑电参数中筛选出用于辅助模型评估的参数;最后在测试集上验证模型和参数的效果。该模型在测试集上的估计值与真实值之间存在很好的一致性和相关性（Pearson相关性=0.975）,筛选出的参数在测试集上也达到了82.3%的总准确率,表明该方法在评估麻醉深度方面具有较好的应用价值。