基于马尔科夫切换过程的运动想象信号分类

隐马尔科夫模型（HMM）在脑机接口（BCI）领域中已经得到很好的应用,尤其是在运动想象（MI）信号的分类中。但是,很多传统的方法只是利用隐马尔科夫模型描述信号的动态特性,再根据观测数据求得模型参数,然后进行信号分类。由于脑电信号低信噪比、高维数和状态复杂的特点,在研究中先用分层Dirichlet 过程（HDP）描述MI信号,利用HDP自聚类特性,然后使用AR模型描述MI信号的时间特性,最后结合马尔科夫切换过程（MSP）描述MI信号的动态特性,以此来充分地描述MI信号。随后对实验室采集的数据和2003年BCI国际大赛的部分数据,使用HDP AR HMM模型对MI信号分类,获得很好的分类效果,准确率分别是9900%、9200%和7246%。实验结果表明,所提出的方法可以取得更好的运动想象信号分类。     

基于计算机断层扫描血管造影图像的计算流体力学在主动脉瓣狭窄严重程度分级上的初步应用

目的建立一种基于多层螺旋计算机断层扫描(computed tomography,CT)血管造影(multi-detector com-puted tomography angiography,MDCTA)的计算流体力学(computational fluid dynamics,CFD)方法,无创性地获得主动脉瓣狭窄(aortic stenosis,AS)患者的峰值跨瓣膜压差(peak systolic pressure gradient,PSPG),并以此为基础对AS严重程度进行分级,为AS患者狭窄严重程度无创分级提供新的途径。方法本研究纳入30例AS患者,包括轻度狭窄组、中度狭窄组和重度狭窄组各10例。所有患者在完成经胸超声心动图和MDCTA检查后2周内完成心导管检查。由MDCTA原始数据重建获得CFD仿真模型,仿真计算得到的PSPG与作为"金标准"的心导管测量得到的PSPG进行一致性分析,分级效果使用多分类Logistic回归和Kappa检验来分析。结果仿真获得的PSPG与心导管测量的PSPG具有高度的一致性(R2=0.98,P0.001;mean diff=-0.257mmHg,1mmHg=0.133kPa)。多分类Logistic回归结果显示CFD方法进行AS分级准确率达86.67%,基于CFD获得的PSPG与心导管测量PSPG在AS严重程度分级上具有高度一致性(к=0.80,P0.001)。结论基于MDCTA原始数据,利用CFD方法,可以无创、准确地获得AS患者的PSPG,并能准确进行AS严重程度分级,为AS严重程度的无创性分级提供了新的途径。