基于LSTM-CNN的睡眠呼吸暂停与低通气事件实时检测算法研究

睡眠呼吸暂停与低通气综合征(SAHS)严重影响睡眠质量,是一种潜在的致死性呼吸疾病。为了兼顾对睡眠呼吸暂停与低通气(AH)事件检测的准确率与时间分辨率,提出一种长短时记忆-卷积神经网络(LSTM-CNN)方法,实现对AH事件的精准预测;同时基于事件检测结果,提出一种呼吸紊乱指数(AHI)估计方法,进而实现对SAHS严重程度的定量评估。选取美国国家心肺血液研究所睡眠健康数据库中54名受试者的腹部位移信号对LSTM-CNN算法进行测试。对于处理得到的超过90万数据片段,正确率、敏感度、特异度分别为88.6%、88.2%、88.7%;54名被试的AHI预测结果与多导睡眠图(PSG)标注结果相比,皮尔逊相关指数达到0.98;观察SAHS严重程度诊断结果,kappa系数达到0.95。结果表明,所提出的方法不仅可以实现对AH事件的高精度检测,而且可以对AHI指数与SAHS严重程度做出准确估计,有望用于PSG检测之前SAHS的初步诊断以及成为家用SAHS长期监护工具。

光声成像技术研究进展

光声成像(PAI)是基于光声效应的一种医学成像模式。随着激光技术、微弱信号探测技术及图像处理技术的发展,PAI已经发展成为一种新型的无损成像技术,其具有较大的穿透深度、较高的图像对比度和分辨率。文章对生物医学PAI进行了综述,首先介绍了PAI的基本机制,并阐述了PAI的多个优点,如高特异性和无损性等,之后介绍了PAI的国内外的研究进展,阐述中国PAI可能在三个方面首先取得可喜进展。

基于深度学习的慢性阻塞性肺病的诊断模型研究

慢性阻塞性肺病(COPD)是一种常见的以持续气流受限为特征的慢性呼吸道疾病,具有很高的发病率和死亡率。目前临床上对COPD的诊断方式十分复杂,不仅耗时且有创或有辐射伤害,不适用于日常筛查。本研究设计了一种基于深度学习的COPD诊断模型。首先,将RespiratoryDatabase@TR多媒体呼吸数据库中42位COPD患者的肺音数据和来自天津大学胸科医院的24位COPD患者以及37位健康受试者的临床采集肺音数据相结合,分别运用高通滤波器和基于集合经验模态分解(EEMD)及小波熵的去噪算法进行去噪处理,然后通过归一化、交叠剪切、数据扩增完成预处理过程;然后利用二阶谱分析技术提取肺音特征;最后,将特征输入到改进的19层卷积神经网络模型中,实现健康受试者与COPD患者的二分类。实验结果表明,所提出的模型能够有效诊断COPD,其准确度、敏感度、特异性、F1分数和Kappa系数分别达到了98.93%、98.47%、99.41%、98.95%和97.86%,且由于采用了双中心数据并进行了去噪处理,模型可靠性更高,具有重要的临床意义。

BM-MSCs的CNN特征映射与活性评价模型研究

针对分选富集具有治疗疾病效果的干细胞(MSCs)亚群很难实现质量控制的问题,设计了以深度神经网络作为特征映射的主成分分析-岭回归模型,实现对骨髓间充质干细胞(BM-MSCs)的定量评价.通过三维重建细胞计算基于长轴的最大截面作为模型输入;训练4层神经网络将细胞分为正常细胞与病人细胞,提取全连接层输出作为特征映射;利用主成分分析降维后的前3项主成分向量作为自变量X,样本评分作为因变量Y,使用岭回归模型进行拟合,将特征与细胞活性评分相联系,实现BM-MSCs活性定量评价,为后续分选高质量的活性细胞提供依据.第1阶段通过对176例细胞样本进行数据扩增,采用8折交叉验证输入二分类神经网络进行训练,第2阶段将其中标有专家评分的68例细胞样本输入到已训练的神经网络中提取全连接层输出作为特征,利用主成分分析-岭回归模型实现定量评价,结果表明:神经网络二分类准确率98.75%,敏感度为97.84%,特异度为99.43%,对于定量评价,模型总体样本的R2为0.8736,拟合效果良好,可以实现对BM-MSCs定量评价.