目的 优选精芪化浊方的最佳提取工艺.方法 采用正交试验设计,以药液比、提取时间、提取次数为考察因素,以黄芪甲苷、毛蕊异黄酮葡萄糖苷、大黄素、虎杖苷、积雪草苷、羟基积雪草苷的含量和干浸膏得率为考察指标,运用层次分析法-CRITIC综合加权法进行综合评分;通过对比正交试验和BP神经网络分析的结果,选取最优提取工艺.结果 最优提取工艺为每次加入10倍量水提取(0.5h×3),该工艺条件的综合评分为92.01.结论 优选出的精芪化浊方最优水提工艺稳定可行,可用于实际生产.

目的:为精准有效地预测便携式医疗设备的电池剩余寿命,提出一种基于反向传播(back propagation,BP)神经网络和麻雀搜索(sparrow search algorithm,SSA)算法的SSA-BP算法.方法:首先,通过BP神经网络的结构确定权值以及阈值的总数;其次,利用SSA算法优化初始权值和阈值,并赋值给BP神经网络;最后,通过对输入样本的训练获取预测的输出值.选取不同环境温度(4、24、43℃)下的18650型号锂电池数据进行测试,通过平均绝对误差、均方根误差、平均绝对百分比误差验证SSA-BP神经网络算法和BP神经网络算法对医疗设备电池剩余寿命的预测精度.结果:SSA-BP神经网络算法预测医疗设备电池剩余寿命的平均绝对误差、均方根误差、平均绝对百分比误差均低于BP神经网络算法.结论:SSA-BP神经网络算法能够精准有效地对电池的使用寿命进行预测,提高了电池在实际应用中的可靠性.

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:利用反向传播神经网络（BPNN）算法，建立一种可以识别血糖项目随机误差的实时质控新方法并评价模型效能。方法:通过北京朝阳医院实验室信息系统导出2019年1月至2020年7月在西门子advia2400分析系统上报告的全部患者血糖信息，共计219 000条，作为本研究的无偏数据。人为引入6个偏差生成相应的有偏数据，每种偏差下用2种算法测试。进行计量学及临床评价。结果:BPNN步长设置为10，全部偏差下假阳性率均在0.1%以内；MovSD的最佳步长为150，拦截限为10%，全部偏差下假阳性率为0.38%，比BPNN高0.28%。MovSD在0.5与1误差因子下全部未检出，误差因子>1之后，可检出，但MNPed偏高；而BPNN在全部偏差下MNPed均低于MovSD，两者相差最高达91.67倍。计量学溯源过程生成460 000条参考数据，采用参考数据评定BPNN模型的不确定度仅为0.078%。结论:成功建立了基于BPNN算法识别检测过程随机误差的实时质控方法，模型准确度高，临床效能显著优于MovSD方法。

目的:基于基因组学的数据，通过机器学习，构建胃癌相关甲基化预测模型。方法:下载TCGA（The Cancer Genome Atlas）数据库中胃癌基因突变数据、基因表达数据和甲基化芯片数据，进行特征选择，构建支持向量机（径向基核函数）、随机森林和误差反向传播（error back propagation，BP）神经网络模型，并在新的数据集中进行模型的验证。结果:在3个模型中BP神经网络的检验效能最高（F1 值=0.89，Kappa=0.66，受试者工作特征曲线下面积=0.93）。结论:BP神经网络能够充分利用分子检测的基因组数据进行机器学习，可以用于胃癌相关甲基化预测。

目的:探究肺癌脑转移患者全脑放疗后的认知功能状况。方法:回顾性分析2020年1月至2021年2月广州中医药大学金沙洲医院收治的146例肺癌脑转移患者资料。根据有无神经系统症状，分为A组（有，95例）和B组（无，51例）。采用多因素logistic回归分析危险因素，构建列线图预测模型并评价。结果:经全脑放疗后，临床有效者124例（84.9%），无效者有22例（15.1%）。全脑放疗后：A组患者的简明精神状态检查量表（MMSE）评分显著提高（ P均<0.05），放疗后4个月时最显著，之后略有下降；B组患者的MMSE评分有所下降，放疗后4个月时最显著，之后有所恢复。多因素logistic回归分析显示，化疗≥3个周期、有同步加量、计划靶区照射剂量40 Gy、无海马区保护以及海马区照射剂量>30 Gy，均为认知功能下降的独立危险因素（ P均<0.05）。列线图预测模型的评价结果显示，其区分度、准确度以及有效性均较高。危险分层系统将所有患者分为4个危险分组：极低（总分<90分）、低（90分≤总分<128分）、中（128分≤总分<152分）、高（总分≥152分）风险组。 结论:对于肺癌脑转移患者，全脑放疗的临床疗效较好，但其对于患者认知功能有影响，放疗后4个月最显著。化疗≥3个周期、有同步加量、计划靶区照射剂量40 Gy、无海马区保护以及海马区照射剂量>30 Gy，均为认知功能下降的独立危险因素。

目的:探讨围绝经期女性失眠障碍的影响因素，并基于机器学习法构建围绝经期女性失眠障碍的预测模型。方法:采用病例对照研究方法，便利抽样法选取2019年1月至2021年6月于丽水市妇幼保健院进行检查的围绝经期女性140例作为研究对象进行回顾性分析，根据其是否存在失眠障碍将其分为发生组及未发生组，收集患者相关资料，对其进行危险因素分析，基于机器学习的多因素Logistic回归、决策分类回归树（CRT）、反向传播神经网络（BPNN）算法构建围绝经期女性发生失眠障碍的预测模型。结果:最终纳入围绝经期女性140例，发生组88例（62.86%），年龄（50.16 ± 4.73）岁，未发生组52例（37.14%），年龄（47.33 ± 4.54）岁。多因素Logistic回归分析显示，2组的家庭人均月收入（ OR = 0.019，95% CI 0.001 ~ 0.422， P<0.05）、汉密尔顿抑郁量表（HAMD）评分（ OR = 1.665，95% CI 1.108 ~ 2.502， P<0.05）、焦虑自评量表（SAS）评分（ OR = 1.407，95% CI 1.085 ~ 1.826， P<0.05）为影响围绝经期女性发生失眠障碍的独立危险因素。采用CRT法构建的预测模型显示SAS评分、HAMD评分及家庭人均月收入是围绝经期女性出现失眠障碍的影响因素。BPNN模型结果显示，影响因素重要性排序SAS评分>家庭人均月收入>HAMD评分>体质量指数>年龄>工作状态>每日运动累计时间。3种机器学习算法构建的模型中，多因素Logistic回归分析曲线下面积为0.998，敏感度为96.6%，特异度为100.0%，预测效能最佳。 结论:本研究基于机器学习法构建的围绝经期女性发生失眠障碍的预测模型具有较好的预测效能，其中多因素Logistic回归模型诊断效能最佳，建立的预测模型具有良好的预测准确性。

目的:构建反向传播(back propagation，BP)神经网络模型，预测甲状腺功能亢进(以下简称甲亢)患者 131I核素治疗所需给药剂量，为患者计算个性化治疗剂量方案。 方法:从上海多家医学院核医学科收集接受放射性碘治疗的甲亢患者完整的病例资料，包括病史、检查结果、治疗过程等。随后建立预测模型，先以小样本数据比较BP神经网络，径向基(radial basis function，RBF)神经网络，支持向量机(support vector machine, SVM)3种模型的预测结果，选择最优模型对给药剂量进行预测，最后测试模型精准度。结果:以小样本构建的BP神经网络、RBF神经网络、SVM模型预测的平均误差分别为5.53%，7.09%，9.64%，比较后选择BP神经网络建立预测模型；采用随机抽样法选取30例数据对BP神经网络进行验证计算，预测结果的平均误差为7.22%，均方误差为0.053，最小误差为0.57%，最大误差为13.78%。结论:本研究提出了一种神经网络预测方法，为需要放射性碘治疗的甲亢患者提供给药剂量参考，减少患者剂量过量所致放射性损伤的可能或剂量不足所致治疗效果不理想的情况。

目的:探讨融合深度学习与改进遗传算法（GA）的内科微课教学质量评估方法的评估结果有效性，并分析内科教学的微课改革对学生学习效果的影响。方法:选取2021年3月1日至12月31日在台州市第一人民医院消化内科临床实习的温州医科大学大四学生348名为研究对象，采用随机数字表法分为研究组（ n=174）和对照组（ n=174）。在进行基本信息调查后，对照组开展理论与实习教学，并强化制作微课的知识内容学习；研究组接受对照组中除强化教学内容外的所有教学干预，并开展微课教学实验。教学前后对两组学生进行内科理论知识与实践技能考核，并设计基于反向传播（BP）神经网络和GA的模型评估课程教学质量。 结果:实习前，两组学生年龄、专业课平均绩点、性别构成、对内科学的兴趣程度、每周互联网使用次数差异均无统计学意义（均 P > 0.05）。实验教学结束后，研究组理论知识、实践能力考核分数分别为（91.6±6.0）分、（84.9±5.4）分，均高于对照组的（79.6±6.4）分、（73.5±5.8）分，差异均有统计学意义（ t=18.04、18.98，均 P < 0.001）。 结论:融合微课、微视频的内科教学模式改革能提升学生的理论知识与实践技能学习效果，基于BP网络和GA的评估模型对教学质量的评估精度较高。

目的:探讨夜间脉搏血氧饱和度（SpO 2）监测对阻塞性睡眠呼吸暂停低通气综合征（OSAHS）预测和分类的价值。 方法:回顾性分析2018年1月至2019年12月就诊于天津医科大学总医院睡眠中心的580例打鼾患者的临床资料，男418例，女162例，年龄13~85（49±14）岁，所有患者均接受了整夜多导睡眠监测（PSG），睡眠呼吸暂停低通气指数（AHI）为0~101.4（43.06±27.47）次/h。其中，非OSAHS组（AHI<5次/h）52例，轻度OSAHS组（5次/h30次/h）361例。从SpO 2信号中提取13个指标，与AHI做相关性分析后，最终筛选11个与AHI相关的SpO 2指标（3%氧减饱和度回升指数，SpO 2低于90%曲线下面积，最低SpO 2平均值，最低SpO 2，平均SpO 2，SpO 2分别低于95%、90%、85%、80%、75%、70%的时间百分比），加入3个人口学指标［性别、年龄、体质量指数（BMI）］作为全部特征。分别利用多元线性回归（MLR）方法和反向传播神经网络（BPNN）多分类方法，进行AHI预测和OSAHS严重程度分类。采用SPSS 25.0软件进行统计学分析，计量资料均采用Pearson相关检验。 结果:对MLR方法和BPNN多分类方法进行评价。MLR方法获得了较高预测性能，其模型拟合优度 r2=0.848（ P<0.05），预测相关系数 r=0.901（ P<0.05）。BPNN多分类方法分类结果的特异度和阴性预测率均在90%左右，敏感度和阳性预测率也较高，其中非OSAHS组分类敏感度为88.46%±4.50%，重度OSAHS组分类的敏感度为94.74%±0.76%。 结论:基于夜间SpO 2监测仪记录的信号，利用MLR模型进行AHI预测以及利用BPNN模型进行多分类的方法，可能对OSAHS有较高的预测和分类价值。