目的:基于肺癌患者放疗前的CT影像组学特征，综合临床信息与放疗剂量学特征，利用机器学习方法构建症状性放射性肺炎的预测模型。方法:回顾性收集2018年11月至2020年4月在江南大学附属医院接受放疗的103例肺癌患者的临床与剂量学资料。获取这些患者放疗前胸部CT影像，勾画双侧正常肺组织结构，提取250种影像组学特征。用单因素分析研究临床、剂量学特征与放射性肺炎发生的相关性。收集所有影像组学特征、临床和剂量学特征作为潜在预测因子，通过LASSO回归机器学习方法筛选特征，并得到肺炎预测模型。然后根据筛选的特征建立放射性肺炎发生风险的列线图。结果:单因素分析结果表明，症状性放射性肺炎与双侧正常肺组织的平均肺剂量(MLD)、 V20 Gy和 V30 Gy的相关性具有统计学意义( t＝2.20、2.34、2.93， P<0.05)。在综合所有影像组学特征、临床和放疗剂量学特征后，本研究共筛选出4个特征，为肺的剂量体积百分数 V30 Gy，和3个影像组学特征，包括灰度共生矩阵类别的熵特征、小波变换直方图类别的均值及中位数特征。基于这些特征所构建的肺炎预测模型的曲线下面积(AUC)为0.757。绘制了可根据特征值给予个体化的风险预测与提前干预的列线图。 结论:放疗前的CT影像组学结合剂量学特征可用于预测症状性肺炎的发生，可望为临床提前干预提供帮助。

目的:针对如何建立有助于电子听诊诊断的肺音分类模型,提出一种基于卷积神经网络(CNN)-长短期记忆网络(LSTM)的混合深度学习肺音分类模型方法.方法:首先使用小波变换对数据集进行特征提取,使肺音信号转化为能量熵、峰值等特征;在此基础上构建CNN和LSTM的混合算法分类模型,其中将小波变换提取的特征先输入CNN模块,能够获得数据的空间维度特征,再通过LSTM模块获得数据的时间维度特征,融合两类特征,通过模型可以将肺音分类,从而达到辅助判断患者的肺部疾病.结果:CNN-LSTM混合模型准确率、F1分数均明显高于其他单一模型,可达到0.948和0.950.结论:提出的CNN-LSTM混合模型分类准确率更高,在智能听诊领域具有广泛的潜在应用价值.

目的 探讨机器学习模型k近邻算法分析脑电图对主观性耳鸣的诊断价值.方法 纳入主观性耳鸣患者87 例(耳鸣组),健康受试者91 例(对照组).使用MATLAB和EEGLAB工具箱、小波包变换和样本熵相结合的方法分析两组δ、θ、α1、α2、β1、β2、β3、γ频段在耳鸣发生网络相关 7 个区域的样本熵差异.对耳鸣脑电图特征数据使用Python的scikit-learn包进行k近邻算法分析,使用准确率、召回率、精确度和F1 得分评估k近邻算法对主观性耳鸣的诊断价值.结果 两组样本熵在左听觉、左额叶、中央、右顶叶和左顶叶等区域差异有显著性(P＜0.05).耳鸣组δ、α2 和β1 节律平均熵大于对照组,θ、α1、β2、β3 和γ节律平均熵小于对照组(P＜0.05).耳鸣组和对照组样本熵在FC5、C1、CP1 和P4 单通道中差异有显著性(P＜0.05).k近邻算法对主观性耳鸣的诊断准确率为91.98%,召回率为90.24%,准确率为96.28%,F1 得分为93.12%.结论 机器学习模型k近邻算法分析脑电图结果可以辅助临床医生对耳鸣进行诊断.

人体运动中脑电(EEG)信号和肌电(EMG)信号间的同步特征能够反映皮层肌肉间功能耦合(FCMC)的关系.本文将Gabor小波和传递熵(TE)结合,提出一种新的方法(Gabor-TE)用以定量分析不同恒定握力下EEG-EMG信号间的非线性同步耦合特征及方向特性.本研究首先选取9名健康受试者在4种不同恒定握力下的EEG、EMG信号,并以Gabor小波变换进行局部分解;然后计算频带TE值并定义单位传递面积指标(ATE),分析恒定握力下EEG-EMG信号的局部频段同步特征及方向特性;最后探究EEG信号和EMG信号功率谱对Gabor-TE方法分析结果的影响.本文研究结果表明:恒定握力下,β频段EEG→EMG方向TE值高于EMG→EEG方向,且随握力水平增加EEG→EMG方向上β频段ATE值降低;γ频段TE值在EMG→EEG和EEG→EMG方向上的差异随握力增加而呈现出一定的变化规律;EMG功率谱与特征频段TE结果强相关.本文试验结果表明,Gabor-TE方法能定性、定量描述EEG-EMG信号在局部频带和信息传递上的非线性同步耦合特征,今后或可为研究运动控制及患者康复评价提供一定的理论依据.

针对提高情感识别正确率这一国际开放问题,本文提出了一种基于小波包熵和自回归模型相结合的脑电信号特征提取算法.自回归过程能最大程度逼近脑电信号,用很少的自回归参数提供丰富的谱信息.小波包熵反映脑电信号在各个频带中的谱能量分布情况.将二者结合,能够更好地体现脑电信号的能量特征.本文基于核主成分分析方法,实现了脑电信号特征提取融合.课题组采用情感脑电国际标准数据集(DEAP),选取6类情感状态以本文算法进行情感识别.结果显示,本文算法情感识别正确率均在90％以上,最高情感识别正确率可达99.33％.本文的研究结果表明,该算法能够较好地提取脑电信号情感特征,是一种有效的情感特征提取算法.

目的:通过研究全麻手术病人的脑电信号特征,从分类准确率、算法难易程度、计算时间等方面讨论样本熵和小波熵算法在麻醉深度监测中的应用.方法:基于脑电信号的非线性和不稳定性,采用两种非线性动力学分析方法(样本熵和小波熵)对30例全麻手术病人的脑电信号进行特征提取,并对每位病人清醒状态、轻度麻醉状态和中度麻醉状态下的脑电信号的样本熵和小波熵进行差异分析.结果:不同麻醉状态下的脑电信号的样本熵和小波熵均有明显差异.相同脑电信号的样本熵的变化阈值较小波熵的变化阈值大.结论:样本熵和小波熵算法均可以作为麻醉深度监测的有效指标.从分类准确率、算法难易程度和计算时间等方面考虑,使用样本熵算法的效果优于小波熵算法.

本研究旨在客观比较颈部肌肉疲劳评价算法的差异性,找出更加有效的颈部肌肉疲劳评价算法,为伏案姿势下颈部肌肉疲劳提供人因工程定量评价方法.本文利用无线生理仪采集了15名受试者使用记忆枕伏案12 min的颈部胸锁乳突肌的表面肌电信号,使用平均功率频率、谱矩比、离散小波变换、模糊近似熵以及复杂度5个算法计算出相应的肌肉疲劳指标;并使用最小二乘法对肌肉疲劳指标进行线性回归得出确定系数R2与斜率k;确定系数R2可评价各种算法的抗干扰性;对斜率k进行柯尔莫哥洛夫—斯米洛夫检验得到最大垂直距离Lmax,Lmax可评价各种算法对疲劳程度的区分能力.统计结果表明,在抗干扰方面,模糊近似熵在不同高度的记忆枕下都具有最大的R2,且模糊近似熵与平均功率频率、离散小波变换的差异具有统计学意义(P＜0.05);在区分疲劳程度方面,模糊近似熵仍具有最大的Lmax,最大值达0.496 7.本文研究结果表明,模糊近似熵无论是在抗干扰性还是疲劳程度的区分能力上都优于其他算法,因此在进行颈部肌肉疲劳评价时,我们建议可将模糊近似熵作为一个较好的评价指标.

动态心电信号易受环境和行为等因素的干扰,其质量难以保证.本文在对现有心电质量评估技术进行深入研究的基础上,提出了基于多指标融合的动态心电质量评估方法.该方法主要由指标提取、融合与综合评估三部分组成.指标分为外层指标与内层指标,前者依据电极片脱落检测指标,将信号分为可用与不可用;后者依据时域、频域分析的结果,分别提出基于小波变换的基线漂移程度指标、基于上下包络差的幅值变化程度指标以及基于功率谱估计的频率成分指标.对于融合部分,内层指标融合采用信息熵加权的加法合成法,内层与外层之间融合采用乘法合成法.综合评估采用区间估计的方法得到阈值,进一步划分信号质量的好与坏.通过比较两种方法,结果表明区间估计法(准确度:96.24％;灵敏度:97.83％)明显优于经验阈值法(准确度:92.39％;灵敏度:95.16％).本文提出的评估方法是可行的,为动态心电信号提供了一种更加精确的质量评估方法.

孤独症的早期发现与及时干预至关重要.本文结合小波变换和经验模态分解(EMD)提取脑电信号(EEG)特征,比较分析孤独症儿童和正常儿童脑电信号的特征差异.试验共采集了25例(20 例男孩,5 例女孩)5～10 岁孤独症儿童和 25 例 5～10 岁正常儿童的脑电信号,基于小波变换提取 C3、C4、F3、F4、F7、F8、FP1、FP2、O1、O2、P3、P4、T3、T4、T5 和 T6 的 alpha、beta、theta 和 delta 频段的节律波,再进行 EMD 分解得到固有模态函数(IMF)特征,以支持向量机(SVM)实现孤独症和正常儿童脑电的分类评估.试验结果表明,小波变换和EMD 结合的方法可以有效地识别孤独症儿童和正常儿童的脑电信号特征,分类正确率达到 87％,相比文中小波结合样本熵方法提取脑电特征分类评估的准确率高出将近 20％.所提取的四种节律波中,delta 节律(1～4 Hz)波的分类正确率最高,特别是在前额 F7 通道、左前额 FP1 通道和颞区 T6 通道其分类准确率均超过 90％,能够较好地表达孤独症儿童脑电信号的特点.

目的 探讨遮蔽情况下多个人体目标探测的有效方法 .方法提出小波熵识别算法,分析不同距离点信号小波分解后的各尺度能量分布复杂度,区分探测区域中的人体目标和杂波.结果 实测数据结果显示传统的自适应谱线增强算法和能量累积算法只能探测出遮蔽情况下距离雷达较近的人体目标,而小波熵识别算法不仅能探测雷达近端人体目标,还能够识别出雷达远端人体目标.结论 小波熵识别算法能有效提高多人体目标识别的准确率.