目的:探讨时间序列模型中的自回归求和移动平均(ARIMA)乘积季节模型，预测成都市辐照悬浮红细胞临床供应量的应用。方法:选择2010年1月至2019年12月，成都市血液中心的辐照悬浮红细胞临床月供应量数据( n＝108)为研究对象。其中，2010年1月至2019年6月的辐照悬浮红细胞临床月供应量数据( n＝102)，用于ARIMA模型拟合；2019年7月至12月的临床月供应量数据( n＝6)，用于验证所建立ARIMA模型的预测效果。采用Eviews 9.0统计学分析软件，对ARIMA模型进行拟合、参数估计及诊断。采用ARIMA模型预测2019年7月至12月成都市血液中心辐照悬浮红细胞的临床月供应量，并将预测值与实际值进行比较，从而对模型进行验证。 结果:①根据2010年1月至2019年6月成都市血液中心的辐照悬浮红细胞临床月供应量数据，构建的时间序列模型为ARIMA(3，1，1)(1，1，1) 12。该模型对成都市血液中心辐照悬浮红细胞临床月供应量的拟合良好[AR(1)＝-0.848、 t＝-4.340、 P<0.001，MR(1)＝-0.474、 t＝2.006、 P＝0.048，MR(2)＝-0.369、 t＝-2.723、 P＝0.008]，残差序列为白噪声( Q＝22.24， P＝0.163)。②采用ARIMA(3，1，1)(1，1，1) 12模型，预测2019年7至12月成都市血液中心辐照悬浮红细胞临床月供应量的预测值，与其实际值的相对误差分别为5.02%、0.34%、4.98%、0.48%、1.26%和2.07%，平均相对误差为2.36%。 结论:本研究建立的ARIMA(3，1，1)(1，1，1) 12模型，能较好地拟合成都市血液中心辐照悬浮红细胞临床供应量变化趋势。该模型适用于辐照悬浮红细胞临床供应量的短期预测，并且为采供血机构辐照悬浮红细胞库存量管理提供依据。

目的:探讨接触噪声工人听阈变化规律，建立基于个体的听力损失预警模型，以期精准化和差异化管理接触噪声工人的健康。方法:于2019年9月，收集某企业561名接触噪声工人自入职以来所有体检资料，收集较好耳高频平均听阈值、较好耳4 000 Hz平均听阈值和较好耳语频平均听阈值指标，利用广义估计方程（GEE）调整性别和年龄，建立各指标的预警模型，根据ROC曲线面积（AUC）和约登指数筛选敏感指标和预警模型。结果:561名接触噪声工人中，有26人出现听力损失（4.6%）；敏感指标为较好耳语频平均听阈值≥20 dB、较好耳高频平均听阈值≥30 dB和较好耳4 000 Hz听阈值≥25 dB，各指标AUC分别为0.602、0.794和0.804，约登指数分别为0.204、0.588和0.608；GEE听力损失预警模型中较好耳高频平均听阈值≥20 dB和较好耳4 000 Hz平均听阈值≥25 dB为最优模型，AUC均为0.862。结论:个体水平的听力损失预警模型可较为准确评估接触噪声工人个体听力损失的发生风险。

目的:为实现从母体腹壁混合信号中提取高信噪比和波形清晰的胎儿心电信号,提出一种融合核主成分分析(kernel principal component analysis,KPCA)、快速独立成分分析(fast independent component analysis,FastICA)及奇异值分解(singular value decomposition,SVD)的胎儿心电信号提取算法.方法:首先,采用KPCA对母体心电信号进行降维,再利用改进的基于负熵的FastICA处理降维后的数据,得到独立成分.随后,引入样本熵进行信号通道选择,挑选出包含最多母体信息的信号通道.在选中的母体通道上进行SVD,得到母体心电信号的近似估计,再用腹壁源信号减去该信号得到胎儿心电的初步估计.最后,采用改进的基于负熵的FastICA成功分离出纯净的胎儿心电信号.在腹部和直接胎儿心电图数据库(Abdominal and Direct Fetal Electrocardiogram Database,ADFECGDB)和 PhysioNet 2013挑战赛数据库中对提出的算法进行验证.结果:提出的算法在主观视觉效果和客观评价指标上都表现出优越的性能.在ADFECGDB数据库中,胎儿QRS复合波检测的敏感度、阳性预测值和F1值分别为99.74％、98.85％和99.30％;在PhysioNet 2013挑战赛数据库中,胎儿QRS复合波检测的敏感度、阳性预测值和F1值分别为99.10％、97.87％和98.48％.结论:融合KPCA、FastICA及SVD的胎儿心电信号提取算法在提取胎儿心电信号的同时有效处理了附加噪声,为胎儿疾病的早期诊断提供了有力支持.

由于冠心病患者的心磁图在信噪比较低时,最小方差波束成形(MV)方法的源重建效果不理想,提出一种基于改进最小方差波束成形(IMV)方法,在MV方法的基础上,使用导联矩阵和磁场信号二阶特征矩阵组成约束矩阵,构造新的空间滤波器的权矩阵,从而降低输出噪声功率增益.利用点扩散函数理论比较IMV方法和MV方法的空间谱估计的单源分辨率;利用3个电流偶极子产生36通道磁场仿真数据,采用IMV方法和MV方法在低信噪比下对仿真数据进行源重建;最后对3名冠心病患者的36通道心磁图的R波峰和T波峰时刻数据进行源重建.结果表明,IMV方法的单源分辨率更高,对仿真数据及冠心病患者心磁数据的重建精度更好.

为进一步提高超声颈动脉内中膜提取和测量的准确性,本研究基于U-Net模型提出了改进的分割网络,以实现对颈动脉内中膜的精准提取.首先,在网络中加入条形注意力模块,利用先验形状和解剖信息以解决传统卷积感受野受限的问题;此外,结合后处理细化模块以更好地减少图像中噪声和伪影干扰,通过从内中膜的固有膜形状特征中学习,从而实现校正估计误差.在采集的 1000 张颈动脉血管超声图像数据库中进行测试,分割Dice达到 0.932,内中膜厚度的平均误差为 0.914个像素.本研究有望为动脉疾病的自动分析提供重要的参考依据.

将基于最小均方误差对数谱幅度估计的语音增强算法用在心音降噪中,该方法基于统计模型方法将降噪归于统计框架中,通过对带噪心音信号进行最优幅度谱估计,最小化估计心音与干净心音的差异来去除噪声,恢复原始的信号.实验结果表明,本文算法有效改善了心音信号的时频特征,并在后续的心音分类算法中获得了更高的准确率.本文方法在心音降噪中表现优秀,对电子听诊器、心脏病自动检测技术的发展具有重要意义.

[背景]跌倒伤害?险是职业伤害的重要类型之一.制造业工人中跌倒伤害?险发生率较高,但国内目前对于跌倒伤害?险的研究多为中小学生及老年人群体,对职业人群跌倒伤害?险研究较少.[目的]探讨贝叶斯网络模型在制造业企业员工跌倒伤害?险预测中的效能,并分析工作内容、作业环境、企业现况及健康管理 4个层面因素对制造业企业员工跌倒伤害?险的影响及其相互关系,为企业开展跌倒伤害?险干预提供科学依据.[方法]应用欧洲企业新兴?险调查(ESENER)数据,该调查以欧洲各国企业为研究对象,对各企业内工作内容、作业环境、企业现况及健康管理等内容进行调查.以企业存在跌倒伤害?险为结局指标,提取其中工作内容、作业环境、企业现况及健康管理4个层面共23个影响因素,利用最小绝对收缩和选择算子(LASSO)回归模型进行影响因素筛选,使用R及Netica 5.18进行贝叶斯网络模型结构学习、参数学习,利用曲线下面积(AUC)评估模型拟合度.进行诊断推理分析,基于跌倒伤害?险变化率探讨跌倒伤害?险的关键影响因素及其关键影响链.[结果]共纳入 5997家企业,被调查的企业中存在跌倒伤害?险的为 2573家(占 42.9%).LASSO回归模型筛选出 14个变量(均方误差=0.20),按系数估计值排序:工作内容变量包括人力重物搬运、重复手臂工作、不良工作姿势、使用台式电脑及使用机器人;作业环境变量包括异常温度及噪声作业;企业现况变量包括公司规模及员工素质;健康管理变量包括心理健康培训、定期?险评估、配备心理医生、健康安全程序及提供心理咨询.跌倒伤害?险贝叶斯网络模型拟合结果良好(AUC=0.779);贝叶斯网络诊断推理得到 5个关键影响因素,包括异常温度(变化率=35.9%)、不良工作姿势(变化率=27.3%)、噪声作业(变化率=23.4%)、人力重物搬运(变化率=18.2%)及重复手臂工作(变化率=5.1%),关键影响链为"人力重物搬运—不良工作姿势—重复手臂工作—跌倒伤害?险"(综合变化率=16.9%).[结论]贝叶斯网络模型在预测制造业企业跌倒伤害?险时预测性能良好.制造业企业需要重点关注涉及人力重物搬运与重复手臂工作的岗位,识别并改善工人的不良工作姿势及心理健康问题,同时避免工人在恶劣温度及噪声环境下进行作业.

[背景]汽车制造业噪声危害影响因素复杂多样,且相互关联,对劳动者健康危害较大.[目的]探索应用广义估计方程(GEE)对汽车制造企业噪声作业工人高频听力损失的影响因素进行分析,指导企业科学地开展职工听力保护.[方法]收集某汽车制造企业 2018-2022年连续 5年的职业卫生检测和职业健康监护数据资料,选取其中连续 5年均进行了纯音听力测试的 806名噪声作业工人作为研究对象,并收集其性别、体检年份、噪声强度、血压、白细胞数、红细胞数、血小板计数、血红蛋白浓度、谷丙转氨酶和谷草转氨酶水平、吸烟、饮酒等资料信息.将性别、噪声强度、血压、白细胞数、红细胞数、血红蛋白浓度、血小板计数、谷丙转氨酶水平、谷草转氨酶水平、吸烟、饮酒等因素设定为自变量,高频听力损失设定为应变量,采用SPSS 20.0统计软件构建GEE,分析高频听力损失的影响因素.[结果]本研究选取的该汽车制造企业 806名研究对象中,男性 698人(86.6%)、女性 108人(13.4%),2018-2022年各年度的高频听力损失检出率分别为 66.4%(535/806)、69.8%(563/806)、70.0%(564/806)、68.9%(555/806)、68.2%(550/806).单因素分析结果显示,该汽车制造企业不同性别以及是否白细胞计数降低、红细胞计数降低、血小板数降低、吸烟、饮酒等不同特征人群高频听力损失检出率差异具有统计学意义(P<0.05).GEE分析结果显示,调整研究对象混杂因素影响,排除相互影响效应后,研究对象男性发生高频听力损失的风险高于女性(P=0.001),OR(95%CI)为 1.907(1.286～2.829);噪声强度超标时发生听力损失的风险较高(P=0.043),OR(95%CI)为 1.289(1.009～1.648);吸烟者发生听力损失的风险较高(P=0.004),OR(95%CI)为1.507(1.137～1.999).[结论]该汽车制造企业噪声作业工人高频听力损失的主要影响因素为性别、噪声强度和吸烟,控制吸烟和降低噪声暴露强度可以减少该企业职工高频听力损失的发生.

目的 观察基于Nakagami-Gamma统计模型参数成像表征高强度聚焦超声(HIFU)致热损伤的效果.方法对离体猪里脊组织行HIFU热消融,于辐照间隙采集超声射频数据,以Nakagami-Gamma统计模型估计β参数并形成参数图,计算其与参考帧的对数差分;同步构建传统灰阶声像图和灰阶超声差分图,与Nakagami-Gamma对数差分图对比,根据热损伤区与周围组织的对比度噪声比(CNR)评价模型性能.结果 利用Nakagami-Gamma模型可在灰阶声像图无明显相应表现时监测热损伤,且能明显提高消融区对比度.Nakagami-Gamma对数差分图的CNR[(1.04±0.60)dB]明显高于灰阶超声差分图[(0.35±0.18)dB](t=18.189,P＜0.001),整体相对提升49.64％.结论 Nakagami-Gamma统计模型可用于表征HIFU致热损伤.

目的 为从少量的低信噪比扩散加权(DW)图像中估计得到准确的扩散张量成像(DTI)量化参数,本文提出一种基于3D U-Net和DTI模型约束的扩散张量场估计网络(3D DTI-Unet).方法 3D DTI-Unet的输入为有噪声的扩散磁共振成像(dMRI)数据(包含1幅非扩散加权图像与6幅不同扩散编码方向的DW图像),通过3D U-Net网络预测得到降噪后的非扩散加权图像以及准确的扩散张量场,并通过DTI模型重建得到dMRI数据,将其与dMRI数据的真实值进行比较来优化网络,从而保证dMRI数据与扩散张量场的物理模型一致性.为验证所提方法的有效性,与Marchenko-Pastur主成分分析(MP-PCA)和基于全局指导下的局部高阶奇异值分解(GL-HOSVD)这两种扩散加权图像去噪算法进行实验对比.结果 从DW图像、扩散张量场以及DTI量化参数的定量分析结果以及视觉效果来看,所提方法均优于MP-PCA与GL-HOSVD.结论 本文所提方法能够从1幅非扩散加权图像和6幅DW图像得到准确的DTI量化参数,可减少临床采集时间,提高临床量化诊断的可靠性.