心率变异性在针刺研究中的应用

心率变异性(HRV)的检测具有无创和操作简便的优点,被广泛应用于临床及科研中,而越来越多的针刺研究也将HRV作为重要的观察指标。本文在介绍HRV的定义、由来、分析方法及各项参数意义的基础上,回顾并分析了近年来HRV在针刺研究中的应用现状,主要从针刺与假针刺、不同的针刺方法、针刺不同的穴位等方面分析了对HRV的影响,肯定了HRV在反映针刺效应中的作用。但是,由于HRV检测干扰因素较多及数据分析方法多样,导致对HRV的实验结果报道差异比较大,对参数的解读也存在明显的分歧。因此,在今后以HRV为观察指标的针刺研究中需谨慎分析处理。     

心电信号频域分析及其临床应用

心电图是心电信号的一种时域描述。心电信号经付立叶变换可用频域表示。频域分析是生物医学信号处理的常用方法，其目的是找出信号在时域中不太明显而在频域中比较明显的特征，求出临床所需要的参数。1960年，Scher和Young用扫频仪进行心电图(ECG)频率分析。     

脑电生理仪新进展

脑电地形图（BEAM）、脑诱发电位（BEP）和脑“Holter”是当前脑电生理临床检查的三种重要手段,为上述目的又发展了一系列科学仪器,并被世界各地同行迅速接纳.下面对这三种仪器作一简介. 一、脑电地形图仪来自不同记录通道的脑电图（EEG）信号经A/D变换数字化后,利用计算机对不同记录通道的数值作频域分析、时域分析、统计分析及对特殊波形处理后,转换为不同等级的灰阶,再以不同的彩色作脑电地形图（BEAM）显示在一个椭圆的平面上,此即二维脑电地形图.     

空间频域成像在皮肤病定量评估中的研究

利用空间频域成像技术搭建的成像系统检测多种皮肤病组织的光学参数和生理参数信息,并对比分析讨论不同类型的皮肤病与光学参数、生理参数之间的关系。实验结果表明,病变皮肤组织与正常皮肤组织之间在光学参数、生理参数上存在较大差异,这将为临床医生对皮肤病诊治提供一种新颖、可靠、科学的评估方法。     

关于中医推拿手法摆动类法施力的频域分析

依据中医推拿手法测力分析仪ＦＺ－Ⅰ型上所测得的施力数据，对各向作用力进行频域分析，并对各频段成分在综合推拿效用中所起的作用以及与其它因素的相互关系作了比较与分析。     

基于EEG信号分析处理的癫痫预报及研究进展

癫痫是一种常见的脑部疾病，对癫痫发作进行预报具有重要的临床意义。本文回顾了基于EEG信号分析处理的癫痫预报的历史，并综述了时域、频域、非线性动力学和智能分析技术在发作预报上的应用。     

基于频域约束和交叉融合特征网络的磁共振图像超分辨率重建算法

磁共振（MR）图像常用于临床医学诊断,获得高分辨率MR图像有利于进行医学分析。目前主流的基于参考的图像超分辨率重建算法重建的图像,其视觉效果取得了明显的提升,但仍存在明显的伪影问题。针对该问题,提出频域约束和交叉融合特征网络（FCCF）模型,即引入频域损失函数作为约束条件,并构建一种多分辨率特征融合机制,通过交叉融合不同分辨率的图像特征来提高生成图像的质量,使重建结果具有更清晰的细节,没有明显的伪影。在合成和真实的MR图像数据集上分别用PSNR和SSIM指标进行评估,实验结果明显优于现有的超分辨率重建方法。     

高血压患者黄斑区视网膜脉络膜厚度变化及脉络膜厚度影响因素分析

目的:观察高血压患者黄斑区视网膜和脉络膜厚度的变化;探讨高血压性视网膜病变的危险因素。方法:采用横断面研究,收集2020-12-2022-12本院眼科门诊就诊的62例(105眼)高血压患者为高血压组,其中男30例53眼,女32例52眼。收集同期28例(56眼)无高血压的健康者作为对照组,其中男14例28眼,女14例28眼。使用SD-OCT中自带的EDI模式,以黄斑中心凹为中心,测量直径为1mm范围内(中心凹区)、1-3mm范围内(内环区：上方、下方、颞侧及鼻侧四个分区)及3-6mm范围内(外环区：上方、下方、颞侧及鼻侧四个分区)的平均视网膜厚度及脉络膜厚度,比较两组各分区平均视网膜厚度及脉络膜厚度的差异,分析黄斑中心凹下脉络膜厚度的影响因素。结果:除黄斑中心凹和内环上方外,高血压组黄斑区视网膜厚度较对照组变薄(P<0.05或P<0.01)。高血压组黄斑区脉络膜厚度较对照组变薄(P<0.01)。回归分析发现黄斑中心凹下脉络膜厚度与年龄和收缩压呈负相关关系(P<0.05或P<0.01)。结论:高血压患者年龄及血压水平影响视网膜及脉络膜微循环。     

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%。