目的:为降低环境因素对心率提取的影响,提出一种基于手机指尖视频的心率提取算法.方法:首先,采集指尖视频并按照30帧/s的帧率进行图像提取,并将图像分离成R、G、B 3个通道图像.通过对比3个通道图像的亮度变化强弱情况,选取对指尖血流信号最为敏感的G通道作为信号源,提取图像亮度变化信息生成时长为10 s的容积脉搏波.其次,对该波形进行数字滤波、去除基线漂移、傅里叶变换等信号处理后,根据最大谱峰位置信息预估心率.最后,在BUT PPG数据集(Brno University of Technology Smartphone PPG Database)上验证提出的算法对心率的预测效果.结果:提出的算法心率预测值与实际心率的均方差、均方根差和平均绝对误差分别为3.71、1.92和1.2次/min.结论:提出的算法预测心率的准确率高,适合部署于手机进行日常心率监测.

目的:提出一种新型脉冲神经元模型及其网络，描述其建模方法，并用计算机模拟验证其性能。方法:在充分考虑生物学适应性（激活电位阈值和不应期开关），及其对尖峰放电脉冲产生及其传导的动态调节机制基础上，在新型脉冲神经元模型中引入了突出后电位多通道滤波器，实现了输出电流及神经元突触强度的动态调节。提出基于自适应最小均方（LMS）的误差反向传播（BP）学习算法，并将其应用于尖峰放电神经网络的调节。结果:在自发噪声下，新型脉冲神经元模型的尖峰放电间期信号直方图满足泊松分布。通过2个新型脉冲神经元的简单连接，可以形成多种复杂的尖峰放电模式。新型脉冲神经元模型具有自发本征噪声的特征，能够形成复杂的周期尖峰放电模式。对于输入噪声控制，该模型的不应期与门限电位适应性参数的稳定性较好。刺激电流-尖峰放电脉冲频率间的线性关系较好。结论:所提出的新型脉冲神经元模型在自发噪声条件下能产生多种模式的振荡和相干振荡，这与生物神经元极其相似，能实现复杂的噪声信号处理。所采用的具有不同频带的多通道突触后电位滤波器，能使一些突触后电位信号变得平稳。所提出的基于于自适应LMS的BP学习算法克服了尖峰放电信号的瞬态变化特性导致的误差驱动学习算法无法应用的问题。

目的:分析免疫检查点抑制剂（ICI）致糖尿病的风险。方法:收集美国FDA不良事件报告系统2004年第1季度至2021年第2季度收录的度伐利尤单抗、帕博利珠单抗、纳武利尤单抗和阿替利珠单抗致糖尿病[包括暴发性1型糖尿病（FT1DM)、1型糖尿病（T1DM)、糖尿病酮症酸中毒（DKA）]不良事件（AE）报告，采用比例报告比值比（ PRR）法评价4种药物与FT1DM、T1DM、DKA间的相关性。AE报告数≥3、 PRR≥2且 χ2≥4的AE被判定为与药物有统计学相关性， PRR越大，AE与药物的相关性越强，风险信号越强。 结果:收集到的度伐利尤单抗、帕博利珠单抗、纳武利尤单抗和阿替利珠单抗相关糖尿病AE报告分别为53、386、957和72例，共1 468例。度伐利尤单抗、帕博利珠单抗、纳武利尤单抗和阿替利珠单抗与FT1DM相关性的 PRR分别为21.97（ χ2=40.71)、71.50（ χ2=3 531.21)、294.30（ χ2=43 915.75）和33.58（ χ2=279.70）；与T1DM相关性的 PRR分别为12.12（ χ2=162.08)、21.04（ χ2=3 391.17）、20.99（ χ2=5 816.11）和9.71（ χ2=224.81）；与DKA相关性的 PRR分别为6.93（ χ2=161.26)、4.78（ χ2=426.52）、6.82（ χ2=1 797.15）和3.04（ χ2=41.84）。4种药物与目标AE均有统计学相关性，致目标AE的风险信号强度均为FT1DM>T1DM>DKA；致FT1DM的风险信号强度为纳武利尤单抗>帕博利珠单抗>阿替利珠单抗>度伐利尤单抗，致T1DM的风险信号强度为帕博利珠单抗≈纳武利尤单抗>度伐利尤单抗>阿替利珠单抗；致DKA的风险信号强度为度伐利尤单抗≈纳武利尤单抗>帕博利珠单抗>阿替利珠单抗。 结论:度伐利尤单抗、帕博利珠单抗、纳武利尤单抗和阿替利珠单抗均可导致糖尿病，以致FT1DM的风险信号最强，T1DM次之，DKA较弱。

临床监测技术体现了现代医学与生物工程、电脑技术与新材料的完美结合。医学发展与时代科技进步息息相关，临床监测技术更是现代医学与科技完美结合的载体之一 [1]。既往的监测技术不断改进，无线智能监测和人工智能技术等脱颖而出，应用领域正在逐步扩大，极大地丰富了临床监测的内涵，如传统的血氧测量技术改进为数字化血氧测量技术，通过复杂的信号处理系统，提高对动脉灌注信号获取和静脉噪声隔离的水平，使脉搏氧饱和度监测的抗运动干扰性能以及获取弱灌注条件下信号的能力显著提高；超声可视化技术在围麻醉手术期的应用，让麻醉科医师多了"一只眼睛"，使血管穿刺置管和区域神经阻滞操作又准又快；经食道超声心动图监测使无数患者心脏手术效果得到了及时评估，并发症得到了及时处理；听觉诱发电位指数和脑电双频谱指数在镇静麻醉深度监测中得到广泛应用；机体、器官组织氧供需平衡监测使危重患者的抢救和治疗得到更直接的指导；新型凝血监测技术使临床对凝血功能障碍的判断和处理更为及时准确。同时网络信息化、人工智能(AI)、虚拟现实(VR)技术进入临床监测领域，使监测大数据信息获取和智能化分析更加完善。

生物医学工程是一门交叉学科，主要研究生命科学、机械工程、电子工程和人工智能等方面的基本知识和技能，包括生物材料、人工器官、生物医学信号处理方法、医学成像和图像处理方法、机械工程设计等。生物医学工程是医疗器械产品设计、制造以及医疗器械产业发展的基础学科。

目的:研究不同表面肌电信号数据截取方法在判断肌肉疲劳应用中的差异。方法:于2019年7至10月，以模拟手工搬举作业为模型，采集13名受试人员肱桡肌、肱二头肌、三角肌、左竖脊肌、右竖脊肌及股外侧肌产生的表面肌电信号。应用3种不同的肌电信号处理方法（全部信号、波峰信号、规定动作信号）对原始数据进行时域[均方根值（RMS）]、频域[平均中位频率（MDF）]分析，利用Wilcoxon符号秩和检验以及非线性曲线拟合分析不同肌电数据截取方法间的数据差异性。结果:模拟搬举作业受试人员年龄（24.31±2.02）岁，身高（173.78±4.84）cm，体重（66.28±5.58）kg，体重指数（BMI）21.94±1.58；肱三头肌皮褶厚度（14.08±4.86）mm，肩胛骨下皮褶厚度（15.54±3.59）mm。应用不同肌电信号截取办法处理信号数据后，经正态性检验、方差齐性检验、Wilcoxon检验，除肱二头肌MDF指标外，其余各肌肉RMS、MDF信号的差异均有统计学意义（ P<0.016）。全部信号截取方法处理的数据分布离散度多数优于其他信号截取方案，RMS信号斜率变化率高于其他信号截取方案。非线性回归结果显示，全部信号截取方法处理数据的波动性小，回归方程拟合度高。 结论:不同肌电信号处理方法存在差异，以动作周期起始点至结束点的全部信号截取法处理数据的波动性最小，肌电时域、频域指标随时间变化灵敏度最高，适用于在动态复杂作业中判断肌肉疲劳情况。

癫痫是一种严重的慢性神经系统疾病，可通过分析由脑神经元产生的脑电信号对其进行检测，因此脑电图成为诊断癫痫的关键工具。应用特异性方法对脑电信号进行处理和分析，在探索大脑工作机制和脑神经系统疾病的诊断方面具有重要意义。本文通过对脑电图信号的特征提取、特征分类等相关分析方法（如主成分分析、独立成分分析、小波变换、线性判别分析、支持向量机、人工神经网络和决策树等）进行总结，阐述了其在癫痫治疗中的应用，概括展示了近年来的研究进展。为癫痫发作的检测和分类以及未来的研究方向提供了一定的借鉴和参考。

目的:应用注意力机制网络的多实例学习（Attention-MIL）框架技术，实现慢性胃炎多项指标的自动识别。方法:收集2018年1月1日至12月31日复旦大学附属肿瘤医院诊断为胃炎活检病例1 015例和上海市浦东医院诊断为胃炎活检病例115例，所有病理切片经扫描仪进行数字化处理，转化为全载玻片成像（whole slide imaging，WSI），WSI标签依据胃炎病理报告，包含活动性、萎缩和肠化3项指标。所有的WSI分为训练集、单一测试集、混合测试集和外部测试集，Attention-MIL模型在3个测试集上评价自动识别的准确性。结果:Attention-MIL模型在240例WSI单一测试集上的受试者工作特征曲线下面积（AUC）值分别为：“活动性”0.98，“萎缩”0.89，“肠化”0.98，3项指标的平均准确率为94.2%。模型在117例WSI混合测试集上的AUC值分别为：“活动性”0.95，“萎缩”0.86，“肠化”0.94，3项指标的平均准确率为88.3%。模型在115例WSI外部测试集上的AUC值分别为：“活动性”0.93，“萎缩”0.84，“肠化”0.90，3项指标的平均准确率为85.5%。结论:在慢性胃炎的人工智能辅助病理诊断中，Attention-MIL模型的诊断准确性非常接近病理医师的诊断结果，这种弱监督下的深度学习模式适于病理人工智能技术的实际应用。

目的:系统了解达比加群酯相关出血事件的发生情况，为临床安全用药提供参考。方法:提取2004年1月至2019年4月美国FDA不良事件报告系统（FAERS）中首要怀疑药物为达比加群酯的不良事件（AE）和出血事件报告，依据国际医学用语词典中药物不良反应术语集的首选系统器官分类（SOC）和首选术语（PT）对出血事件报告进行分类，并提取患者年龄、性别、用药剂量和AE发生情况。采用报告比值比（ ROR）法、比例报告比值比（ PRR）法和贝叶斯可信区间递进神经网络（BCPNN）法等3种方法，分别基于SOC和PT对达比加群酯相关出血事件信号进行检测，3种方法检测结果均为阳性则判断该信号为可疑出血事件信号。 结果:共获得以达比加群酯为首要怀疑药物的AE报告56 501份，其中出血事件报告19 737份（34.93%）。19 737例患者中，男性9 687例（49.08%），女性9 790例（49.60%），性别不详者260例（1.32%）；年龄18~95岁，<75岁者2 742例（13.89%），≥75岁者15 051例（76.26%），年龄不详者1 944例（9.85%）；达比加群酯给药剂量为110 mg、1次/d者416例（2.11%），110 mg、2次/d者2 346例（11.89%），150 mg、1次/d者525例（2.66%），150 mg、2次/d者4 012例（20.33%），剂量不详者12 438例（63.02%）；发生严重出血事件者9 242例（46.83%），死亡3 260例（16.52%）。3种方法均检测出阳性信号的SOC为胃肠系统疾病（14 382例，72.87%）、中枢神经系统疾病（3 216例，16.29%）、肾脏及泌尿系统疾病（1 462例，7.41%）、皮肤及皮下组织疾病（576例，2.92%）和眼器官疾病（101例，0.51%），信号强度居前3位者为胃肠系统疾病、肾脏及泌尿系统疾病和中枢神经系统疾病。3种方法检测结果均为阳性的PT共32个，对应于胃肠系统疾病的阳性PT为12个，信号强度居前5位者依次为下消化道出血、消化道出血、上消化道出血、慢性消化道出血和黑便；对应于肾脏及泌尿系统疾病的阳性PT为2个，强度居前者为泌尿道出血；对应于中枢神经系统疾病的阳性PT为11个，信号强度居前5位者依次为颅内出血、颅内血肿、出血性卒中、硬膜下出血和硬脊膜外出血；对应于皮肤及皮下组织疾病的阳性PT为4个，信号强度居首位者为皮下出血；对应于眼器官疾病的阳性PT为2个，强度居前者为结膜出血。结论:出血事件是达比加群酯较严重的AE，消化道出血多见。≥75岁的患者出血风险更高，应引起临床重视。

目的:探讨提取腭裂语音中过高鼻音特征性共振峰参数建立的级联声道模型和小波包变换结合线性预测系数(LPC)2种算法模型，在识别腭裂患者高鼻音中的应用效果。方法:选取2015年10月至2018年12月，在四川大学华西口腔医院语音矫治专科就诊的859例腭裂患者，其中男421例，女438例，平均年龄12.1岁。正常语音216例，轻度高鼻音220例，中度高鼻音213例，重度高鼻音210例。按照汉语普通话测试工具收集包括词组、短句的语音样本共62 707份。运用级联声道模型、小波包变换结合LPC的语音信号识别方法提取共振峰参数，采用K近邻分类器，对数据进行分类，判别有无过高鼻音及具体等级。将2种算法模型的分类结果与人工语音评估金标准结果进行对比，运用卡方检验分析其准确性。结果:级联声道模型和小波包变换结合LPC提取共振峰参数这2种方法判断高鼻音有无的正确率分别为80.56%(692/859)和89.99%(773/859)，对高鼻音等级判断的总正确率为72.29%(621/859)和88.13%(757/859)，差异均具有统计学意义( P<0.05)。2种算法对每个高鼻音等级自动判别的正确率均为小波包变换结合LPC优于级联声道模型，且差异具有统计学意义( P<0.05)。2种方法对高鼻音等级类别的识别错误类型中，最严重的错误均为将正常语音判断为轻度高鼻音，小波包变换结合LPC法与级联声道模型分别达到了18.98%(41/216)与14.81%(32/216)，但前者的其余错误率均在5%以下，优于后者。 结论:小波包变换结合LPC的算法与级联声道模型相比，在判断腭裂患者高鼻音有无及等级方面正确率更高，可辅助人工语音师对腭裂患者的语音评估。