宜居性是自然生态环境和人文社会环境的有机统一体,厘清高寒生态功能区宜居性及其阻滞因子,是精准提升生态安全屏障内宜居水平并促进其人与自然和谐共生的重要前提.基于城乡宜居性评价基本范式、顾及高寒生态功能区人居系统的独特性,从自然与人文耦合视域构建由自然环境、居住环境、设施环境、社会环境 4 个维度、8 个一级指标及 24 个二级指标组成的高寒生态功能区宜居性指标体系,以青海省 45 个县域单元为例定量评价其宜居性及阻滞因子,并探讨宜居性与生态重要性、社会经济发展状态的交互关系.结果显示:(1)青海省总体宜居水平偏低,并呈现由河湟谷地生态区、柴达木盆地生态区、环青海湖生态区、三江源生态区依次递减的地域分异;(2)宜居水平和生态重要性的空间耦合不协调,三江源生态区等生态重要区的宜居水平低,宜居水平与人口规模、经济发展均成正比;(3)青海省宜居性主要受到居住环境和社会环境的阻滞,生态地理分区层面,在自然因子的主要制约下,三江源生态区、环青海湖生态区、柴达木盆地生态区分别受设施、居住、社会环境的强约束;(4)针对不同生态地理分区宜居性特征提出未来人口引导及宜居性优化模式,即按宜居性及社会经济生态引力明确人口集聚型、疏散型和稳定型 3 种空间集疏类型,通过人口城镇化、就业移民、教育移民等跨区域移民及就近生态移民增强宜居性与人口分布的空间适配性,以三江源生态区等弱势区域以及饮水设施、道路设施、物流配送、网络通讯等基础设施阻滞因子为重点,提升高寒生态功能区人居系统的设施配置与供给能力.

目的 胸外按压及电除颤是救治心脏骤停患者的两种常用手段,对患者进行电除颤前需分析其心电图(electrocardiogram,ECG),而胸外按压会干扰患者的心电分析.本研究设计了一种用于心肺复苏的心电分析算法以及配套心电采集模块,以解决因胸外按压伪迹导致的心电误识别为室颤的问题.方法 该心电采集模块采用若干模拟数字电路搭建而成.自动分析程序采用经近似熵算法改进的卷积神经网络(convolutional neural network,CNN)模型进行心电分类.采用MIT-BIH心律失常数据库进行验证,并在实机测试中通过在心电采集模块中耦合同频段干扰进一步验证.结果 相比无近似熵改进版本的分类程序,使用该CNN模型分析程序可将含同频段伪迹的正常心电识别准确率由CNN的 86.3%提升至 97.78%;在存在同频段伪迹的实机测试中,使用该分析程序可将心电识别准确率由 20%提升至96%.测试结果表明,当存在非同频段伪迹干扰时,该设计模块分类准确;当存在同频段伪迹的情况下,对正常心电信号的心电分类准确率依然高达90%以上.结论 基于熵和卷积神经网络模块的抗按压伪迹干扰心电自动识别性高、抗干扰能力强,后续可推荐其用于自动胸外按压电除颤一体机等高同频段伪迹场合的心电采集与自动诊断,以减少误判.

目的 针对具有参数时变、强耦合以及非线性等复杂特性的神经系统,提出了一种神经元放电模式同步的UKF-RBF-PID控制策略.方法 首先考虑到神经元膜上离子运动的随机性以及测量的干扰性,提出一种基于UKF(unscented Kalman filter)的神经元滤波方法,应用采样点集迭代过程实现更高的滤波估计精度;其次定义Jacobian阵表示计算值对激励变化的灵敏度信息,利用RBF(radial basis function)神经网络构建从神经元的在线辨识模型;最后设计了PID(proportion integration differentiation)控制器参数动态调整的规则,给出了参数调整的梯度下降法,经迭代实现从神经元和主神经元放电模式的同步.结果 针对主从神经元脉冲发放状态的规则性差异情况,以及主从神经元模型参数不匹配的情形,分别进行了相应的仿真计算实验.主神经元为周期状态,从神经元为混沌状态,系统相位相关度0.9996,同步误差0.3907,主从神经元呈现较好的跟随状态;主从神经元均为初始状态不一致的周期类型,系统相位相关度0.9994,同步方差处于合理水平,主从神经元呈现较好的跟随状态;主、从神经元均为初始状态一致的周期类型,其中主神经元为标准参数,从神经元参数失配,系统相位相关度0.9996,有噪声干扰时,神经元间同步方差可接受.结论 在噪声的干扰下,主从神经元实现了神经元间的同步,证明了本文提出方法的有效性,有望应用到深部脑刺激治疗方案中.

目的:提出一种联合脉冲耦合神经网络改进模型(modified pulse coupled neural network,MPCNN)和多分辨奇异值分解(multi-resolution singular value decomposition,MSVD)的多模态医学图像融合算法.方法:第一步,采用MSVD将已配准的MRI和CT图像分解成高频和低频子图像;第二步,采用基于自适应连接因子的MPCNN方法融合低频系数,高频系数采用绝对值取大进行融合,最大限度保存图像细节信息;第三步,采用MSVD逆变换重建融合图像.结果:8组CT和MRI图像融合实验表明,基于提出算法获得的融合图像对比度、清晰度和边缘强度均最佳,且定量评价指标标准差、熵、互信息和边缘强度均高于其他融合算法.结论:提出的MPCNN算法能有效克服传统PCNN算法的局限性,与MSVD结合后融合性能优越,具有较高普适性和实用性,是一种可行的CT和MRI图像融合算法.

目的:提出一种简化自适应脉冲耦合神经网络(PCNN)模型和非下采样剪切波变换(NSST)的CT和MR图像融合算法,用于PCNN模型构建融合规则.方法:采用NSST变换将已配准的CT和MR图像分解成高频和低频子图像,分别采用基于平方差之和与方向梯度特征之和的PCNN模型融合低频子图像;而高频子图像采用绝对值取大与方向梯度特征之和进行融合.采用NSST逆变换重建融合图像,选取哈佛大学脑图库8组临床实例的CT和MR图像进行仿真试验,仿真算法为本研究算法和5种基于NSST变换的融合算法,采用互信息、空间频率、标准差、边缘强度和相似度对融合图像质量进行评估.结果:定性分析与其他5种基于NSST变换的算法相比,基于图像融合算法获得的融合图像对比度、清晰度和边缘强度均最佳;本研究算法所得定量结果中互信息为2.71％～13.63％,空间频率为12.25％～73.69％,标准差为1.86％～26.33％,边缘强度为0.37％～29.90％,相似度为0.37％～67.07％,均比5种基于NSST变换的算法有不同程度提升.结论:基于简化自适应PCNN模型和NSST变换的融合算法性能优越,是一种可行的CT和MR图像融合算法.

目的 提出一种单图谱标签迁移算法并命名为Multi-Angle,以期在队列分析中快速有效提取与神经退行性疾病相关的MR脑影像标记物和解剖结构.方法 首先对初始图谱图像施加旋转变换,获得旋转图谱图像组;其次为主配准网络送入合并后的初始图谱图像与个体图像,预测形变场及候选标签;再次为副配准网络送入合并后的旋转图谱图像与个体图像,结合主网络相关特征预测候选标签;最后通过投票法融合多个候选标签获得个体图像标签.结果 在Mindboggle101和HCP数据集的实验结果显示,Multi-Angle算法在两个测试集上重要解剖结构Dice相似性系数均值分别为76％和82％,精确率均值为74.0％和77.8％,平均表面距离均值为0.83 mm和0.69 mm,均优于目前主流算法Voxelmorph和Ants-SyN.结论 本文提出的Multi-Angle算法可以快速有效实现脑神经图谱标签迁移并提高评价指标准确度,对神经退行性疾病分析所需的影像特征提取具有潜在的临床应用价值.