基于节约覆盖集理论的中医计算机辅助诊断模块的研究与开发

以中医理论为基础,运用基于模糊节约覆盖集理论的推理方法对中医的疾病诊断问题进行了研究和开发。将中医诊断知识进行了形式化阐述,设计构造了诊断专家系统的整体框架,并编程实现。认为本中医计算机辅助诊断模块解决了症状不完备情况下的诊断问题,并利用人机对话的补充诊断方式提高了诊断的准确度。     

睡眠脑电的信息熵和近似熵

计算不同个体、不同睡眠状态下脑电信号的信息熵和近似熵,研究两者在表征睡眠状态方面的特点.     

隐马尔可夫模型在睡眠分期中的应用

清醒期(W)、快速眼动期(REM)和睡眠二期(S2)在睡眠总时间中占据很大比例，而且三从脑电(EEG)上较难区分。用隐马尔可夫模型(HMM)从单导睡眠脑电中区分W期、REM期和S2期。对受心电干扰明显的脑电信号进行独立分量分析(ICA)，去除干扰；建立最佳阶数AR模型，进行谱分析，提取EEG平均频率，和EEG幅度均值、标准差一起作为观察值；分别建立W期、REM期和S2期的连续密度隐马尔可夫模型(CD-HMM)。经过测试，W期、REM期和S2期的正确识别率分别为92%，100％-94％。表明隐马尔可夫模型(HMM)在睡眠分期中有很好的应用前景。     

高帧率超声成像系统中提高信噪比的一种方法

基于有限衍射波束理论，最近人们发展了高帧率(high frame rate,HFR)超声成像系统，同传统的动态聚焦相比，此系统通过一次发射事件就可得到一帧图像，故可达到极高的帧率。但在实际应用中，由于仅发射一次超声波束来成像，回波信号较弱，易受噪音干扰，使成像质量降低。为了提高系统的信噪比，采用匹配滤波器来抑制噪音，并进行了计算机仿真。结果表明通过匹配滤波器处理，系统信噪比有了一定的提高，成像质量得到了改善。     

跨膜螺旋预测的一种分段训练算法

通过统计建模的方法，对蛋白质跨膜螺旋片段进行准确有效的预测。针对跨膜蛋白序列的生物学特征，提出了一种新的隐马尔科夫模型分段训练算法，对跨膜螺旋的分段位点以及螺旋方向等特征进行建模和预测。同标准训练算法相比，该算法具有时同复杂度低，预测精度高等优点。对于包含160条跨膜螺旋的蛋白序列进行10次交叉验证测试。使用该训练算法的预测准确率为96．98％，正确定位精度为91．25％，高于其他预测方法对该数据集的预测结果，验证了该算法的合理性和有效性。     

多导信号的相空间重构及在脑电信号分析中的应用

本研究提出了一种基于时间延迟和序列相关性的多导信号相空间重构方法。根据信号的相关系数重组多导联信号序列，并利用信号的可确定性选取时间延迟参数重构相空间。对仿真数据的研究表明这种重构方法在信号的确定性和相关维数计算中具有良好的性能，受噪声、延迟量和嵌入维数等参数变化和单导重构相比影响较小，结果更稳定和可靠。对实验思维脑电数据的非线性分析得到了脑电和思维复杂性，关联性等性质的联系。该方法适用于短时多导含噪信号的非线性分析和脑电的在线研究等。     

基于小波变换和盲源分离算法提取事件相关电位

阐述了用小波分解和盲源分离(blind source separation,BSS)算法结合来去除噪声和干扰提取事件相关电位(event-related potential,ERP).采用小波变换分解ERP,抽取出不同频带的细节信息;由小波系数判断选择多个尺度的子带信号,将它们分别与原始ERP组合进行盲分离,方法是极大化信号时间上的可预测性;将分离的结果进一步叠加平均.两类ERP仿真实验结果表明,本文算法提取出的ERP主要成分波明显,易于辨识,信噪比比较单独运用盲分离算法提取出的结果要好.在应用实例中,有效地增强了ERP的μ波.该算法优点在于减少了刺激次数和波形失真,参数变化范围小,在临床上有很好的应用前景.     

独立式脑-计算机接口信号处理和识别方法研究

目的为独立式脑-计算机接口(brain-computerinterface,BCI)选择合适的数据预处理、特征提取和模式识别算法,提高系统的识别率.方法分别使用不同的空间滤波算法、特征提取方法和模式识别算法,对同一组BCI数据进行处理,并对结果加以比较分析.结果使用空间滤波器small-laplacian提高信噪比,AR谱估计提取C3和C4导联特定波段能量作为特征,Bayesian判决进行分类,可以取得较好的识别率.结论高信噪比以及合适的特征是提高识别率的关键因素.     

一种从胸HRCT图像序列分割肺的自动化方法

提出了一种从胸部高分辨率CT图像序列中由粗到细分割肺组织的自动化方法.首先基于结构连续性的分割策略,采用阈值法和数学形态学分割出粗略的肺实质,再用区域生长法去掉气管,最后通过滚球法弥合肺边缘的裂缝及缺口.对6个数据集(共1720层图像)的分割结果成功率均在90%以上,每层分割时间小于6s,相似度分析表明自动与手工分割结果吻合良好,并能较好地保留细节.     

基于LBP的改进Random Walks算法在颅脑磁共振影像分割中的应用

目的 由于颅脑结构复杂且颅脑磁共振影像易受噪声、磁场不均匀性、部分容积效应等因素的影响,精确的脑组织分割方法仍需深入研究.方法 本文提出一种基于Random Walks的改进算法以提高脑白质、脑灰质及脑脊液分割的准确性.通过引入局部二值模式(local binary patterns,LBP)改进了传统Random Walks权重函数的构造,在反映相邻像素灰度变化信息的同时包含了局部图像的纹理信息,有利于合并同质区域并增强边缘轮廓的识别.本文还使用了灰度先验概率模型减少Random Walks种子点交互的次数.结果 实验结果表明基于LBP的改进算法在多种不同水平的噪声及不均匀场作用下,能够有效识别磁共振影像中脑组织区域的边缘轮廓,并对噪声有良好的鲁棒性.结论 基于LBP的改进Random Walks算法可精确分割颅脑磁共振影像.