基于多模态数据与融合深度网络的自动睡眠分期方法

准确的睡眠分期是进行睡眠质量评估及相关疾病诊断的重要依据。针对脑电信号(Electroencephalogram,EEG)和眼电信号(Electrooculogram,EOG)在睡眠各阶段存在差异性,提出了一种用于实现自动睡眠分期的基于EEG和EOG的新型特征融合深度网络——MAFSNet。具体地,首先设计两种一维卷积神经网络分别用于提取EEG和EOG信号中的睡眠有效特征;其次,构建自适应的特征融合模块,根据特征的贡献程度赋予其不同的权值,通过增强判别特征和抑制无关特征,得到包含多模态睡眠信息的自适应融合特征;进而,采用双向长短期记忆网络学习睡眠阶段转换规则中的时间序列相关信息;最后,使用公开数据集Sleep-EDF验证所提模型实现五级睡眠分期的有效性。研究结果表明所提方法在睡眠分期中具有较高的分类性能,准确率、Kappa系数和MF1分数分别为94.1%,88.2%和81.9%,其中N1和REM睡眠阶段的召回率分别显著提升到64.6%和93.5%。

基于多尺度特征和反向注意力的肝脏肿瘤自动分割方法

肝脏肿瘤分割旨在定位肝脏肿瘤区域,以辅助医生进行精准诊治。鉴于深度学习能自动学习医学图像中复杂的特征和结构,已成为肝脏肿瘤分割的主流方法之一。但肝脏肿瘤的大小、形态存在显著差异及边缘模糊等问题,限制了深度学习模型的分割性能。基于此,该文提出了一种融合多尺度特征和反向注意力机制的深度网络,并用于肝脏肿瘤的自动分割。具体地,基于U-Net模型的框架,分别设计了多尺度特征提取模块和基于深度监督的反向注意力模块,使得网络能根据分割目标的大小自适应地选择不同尺度的特征,并引导网络关注分割目标的边缘特征,进而提高网络的边缘分割能力。此外,设计了一种新的混合损失,以解决医学图像分割中的类别不平衡问题。最后,在MICCAI2017 LiTS挑战赛数据集的数值实验结果表明,所提方法的Dice系数、平均对称表面距离ASSD分别为76.12%和3.25 mm。

一种基于EEG信号的抑郁症早期筛查方法

抑郁症作为一类常见的、可治愈型的精神类疾病,若能在早期阶段对其进行有效筛查(即早期筛查)并及时采取相应的治疗手段,则可有效控制病情的进一步加重,甚至彻底治愈。传统的抑郁症诊断方法主要是医生通过患者的临床表现及临床检查(主要为诊断量表)进行综合判断,但诊断结果的准确与否严重依赖于医生的临床经验以及患者的高度配合。同时,由于抑郁症早期患者往往缺乏明显的病症表征,也极大增加了漏诊误诊的可能性。相关研究表明,脑电图(Electroencephalogram,EEG)能够反应受试者的精神状态,这为抑郁症的早期筛查提供了一种有效途径。基于此,以EEG信号为数据源,提出了一种基于EEG信号与深度学习的抑郁症早期筛查方法。首先,结合分段处理、频域转化等方法,对EEG信号进行时-频-空特征序列的提取;其次,基于所提特征序列与深度学习,构建了一种深度混合模型,通过训练模型完成正常人与轻度抑郁症患者的有效识别;最后,在公开数据集MODMA上验证所提方法的可行性与有效性。实验结果显示,早期筛查准确率为82.64%,召回率为78.42%,灵敏度为75.37%。

癫痫脑电的特征提取方法综述

癫痫是一种常见的以反复癫痫性发作为特征的慢性神经系统疾病。癫痫性发作的自动检测是通过机器学习及数据挖掘等方法对癫痫发作脑电自动识别的一种技术。如何设计合适的脑电特征提取方法是有效完成癫痫性发作自动检测的关键所在。文中系统总结了用于癫痫性发作自动检测的脑电特征提取方法,分别从时域分析、频域分析、时频分析、非线性动力学、图论、癫痫计算模型6个方面将已有的癫痫脑电特征提取方法进行归类,并对每类方法的基本原理和设计思想进行了系统的阐述。

深度学习在骨振信号自动判读中的应用

目前在临床上对膝关节退行性病变进行检查的手段主要包括X光、核磁共振成像等,但这些检查手段操作要求高、花费高昂、且无法便捷使用。相关研究表明,髌股关节软骨摩擦产生的摩擦音(也称为骨振信号)能够有效反映膝关节所发生的病变且获取方式便捷。基于此,文中以骨振信号为源信号,提出了一种基于长短期记忆网络的骨振信号自动判读方法。首先,采用小波变换以及序列插补方法对信号进行去噪、对齐等预处理;其次,采用长短期记忆网络实现骨振信号的自动判读,其中,网络参数使用网格搜索法确定;最后,采用5 126条临床采集的骨振信号(来源于西安某医院骨科)对所提方法进行验证。实验结果表明文中所提方法可达到自动判读的准确率为82%、精确率为79%、特异度为81%、召回率为82%、马修斯相关系数为0.62。

脑电信号的特征提取方法

癫痫是一种常见的发病率极高的慢性脑疾病,全球约有1%的人口患有癫痫.传统的癫痫性发作检测主要依赖于临床医生对脑电图进行视觉上的检查,并结合临床经验给出诊断.但海量的脑电数据使得这一传统方法不仅十分耗时,而且主观性很强.因此,开展癫痫性发作自动检测的研究以辅助医生完成癫痫性发作检测具有重要的临床意义.而如何从脑电图中提取合适的脑电特征以及如何选取恰当的分类器是完成癫痫性发作自动检测的关键环节,其中如何从脑电图中提取出能够区别发作脑电与未发作脑电特征是首先的也是最为重要的一步.总结了三种常见的用于癫痫性发作自动检测的基于非线性相似性的脑电特征提取方法,通过分析其优缺点,给出相应的改进建议.

基于深度集成网络模型的膝关节退行性病变分级诊断方法

膝关节退行性病变(knee osteoarthritis,KOA)是一种由关节软骨纤维化等引发的进展性膝关节疾病.病情发展大致可分为轻度与重度两个阶段,若能对其进行有效追踪,则可根据严重程度及时采取相应的防控措施,这对于提高患者生存质量有着重要临床意义.本文将这一过程称之为KOA分级诊断.相比传统的KOA诊断方法(CT,MRI等),骨振信号(Vibroarthrographic signal,VAG)有着无创无害,成本低廉,可便捷使用等优点,是近年来临床中正在探索的一种全新的KOA检查手段.然而,目前关于VAG信号的理论研究尚不充分,临床可提供的指导信息十分有限.基于此,本文以VAG信号为主要数据源,同时融入患者的生理信息,开展关于KOA分级诊断的辅助诊断方法研究.首先,在卷积神经网络框架下,构建了用于分析VAG信号的网络模块VAG-CNN-Block;其次,在前馈神经网络框架下,构建了用于分析生理信息的网络模块PI-FNN-Block;进而,结合VAG-CNN-Block和PI-FNN-Block,采用注意力机制设计了一种深度集成网络模型MBE-Net,并据此提出了KOA的分级诊断方法,用以实现正常受试者,轻度,重度KOA患者的自动识别.最后,采用西安市某两所医院的临床数据对所提方法进行验证.数值实验表明所提方法的准确率,灵敏度,特异度分别可达87.5%,87.2%与93.6%.

基于骨振信号和深度网络的膝关节退行性病变早期筛查方法

膝关节退行性病变(knee osteoarthritis,KOA)是一种由关节软骨病变导致膝关节发生不可逆损伤的慢性疾病。若在KOA发病初期及时诊断并采取有效措施,则可有效延缓病程进展。由于在发病初期关节病变范围小、程度轻、患者症状不明显,传统检查手段(MRI,CT等)几乎无法得到显著的病理信息,这使得早期筛查变得十分困难。而髌骨关节摩擦音(又称为骨振信号,vibroarthrographic signal,VAG)有可能为实现早期筛查提供一种新的途径。基于此,文中以VAG信号为数据源,提出了一种基于卷积神经网络的KOA早期筛查方法。首先,结合自动裁剪、补零处理、白化处理等方法对VAG信号进行信号对齐与去相关等预处理;其次,从VAG信号频域角度出发,采用卷积神经网络实现KOA的早期筛查;最后,采用西安市某医院临床采集的772条VAG信号数据集验证所提方法的可行性与有效性。数值实验结果表明,本文所提KOA早期筛查方法准确率、灵敏度、特异性分别可达86.2%、88.20%、83.3%。

建筑工程管理的影响因素及对策

随着我国经济体系的不断发展与推进,建筑工程项目也日益增多。与此同时,建筑工程行业的市场竞争日趋激烈。为保障建筑工程质量,并增强自身的市场竞争力,建筑工程施工单位有必要深入考察建筑工程管理的各类影响因素,并采取有效策略加强建筑工程管理。本文浅析了建筑工程管理的影响因素,探究了建筑工程管理的管理策略。

一种新的基于脑电信号的意识障碍预后评估方法

意识障碍(disorders of consciousness,DOC)是由中枢神经系统受损导致个体感知能力出现障碍的一种神经系统疾病。DOC的预后评估能够辅助医师及时调整治疗措施,促进DOC患者的意识恢复。传统的预后评估手段包括行为量表、核磁共振成像等,但这些检查手段易受干扰、价格昂贵、难以实时评估。相关研究表明:脑电图(electroencephalogram,EEG)与DOC患者的意识水平显著相关,这为DOC的预后提供了一种潜在的评估手段。基于此,文中以EEG为数据源,提出了一种新的基于EEG的DOC预后评估方法。首先,对给定的DOC-EEG信号,采用小波包变换提取不同频带的脑电信号;其次,计算不同频带脑电信号的功率谱,并绘制对应功率谱的庞加莱散点图;然后,对每一庞加莱散点图定义3种新的度量指标:最大半径、区域密度以及密度变异性;进而,结合3种度量指标,提出基于功率谱庞加莱散点图的脑电特征提取方法(power spectra-Poincare plot-based feature,PPBF);最后,结合所提特征与随机森林分类器,提出了一种基于PPBF的DOC预后状态自动评估方法。采用西安某医院神经内科临床采集19名DOC患者的脑电数据对所提方法进行了验证,所得平均评估准确率85.54%,表明所提特征能够有效完成DOC预后状态的自动识别。

一种基于融合特征的心肌梗死心电自动判读方法

心肌梗死(Myocardial Infarction, MI)是由冠状动脉堵塞或心肌长时间缺氧导致的一种心律失常疾病,严重者可伴有心力衰竭、昏厥和休克等症状.心电图(ECG)是诊断心肌梗死常用手段之一, MI发作时主要表现为ST段异常、T波异常和病理性Q波.针对这三个典型的异常表现,提出一种基于融合特征的MI心电自动判读方法.首先,根据MI-ECG的T波特异性表现,设计一种新的T波波峰和终点准确定位方法;其次,从不同角度刻画MI发作时心电信号的异常表现,提取多个特征并将其融合;最后,结合轻量梯度提升算法实现MI-ECG的自动判读.采用德国国家计量研究所采集的PTB诊断心电数据库对所提方法进行验证.实验结果表明,所提方法对于MI-ECG自动判读的准确率、敏感性和特异性分别为97.74%、98.32%和96.40%,表明所提方法能够有效地实现心肌梗死心电图上异常模式的自动识别.

在初中英语教学中开展合作与展示

小组合作学习是一种高效的课堂教学模式,小组成员之间可以互相分享资源,共同体验学习的快乐和成就感。近年来,小组合作学习被广泛应用于初中英语教学中。成果展示是小组合作学习的重阶段,学生之间相互交流,展示自己的学习成果,取长补短,不断提高自己的英语水平。本文将就如何有效开展小组合作与展示展开探讨。

罗哌卡因腹横肌平面阻滞联合静脉麻醉在老年腹股沟疝手术中的应用研究

目的探讨罗哌卡因腹横肌平面(TAP)阻滞联合静脉麻醉在老年患者腹股沟疝手术中的应用效果。方法抽取2019年1月至2021年1月南石医院收治的腹股沟疝老年患者104例,根据手术麻醉方案将其分为对照组(椎管内麻醉复合静脉麻醉)和观察组(罗哌卡因TAP阻滞联合静脉麻醉),每组52例。比较两组麻醉前、麻醉诱导后10 min、手术结束时平均动脉压(MAP)和心率(HR),以及术后镇痛视觉模拟评分法(VAS)评分、术后24 h内镇痛药物应用情况。结果由麻醉前至麻醉诱导后10 min、手术结束时,两组MAP、HR逐渐降低,但观察组麻醉诱导后10 min、手术结束时MAP和HR高于对照组(F=3.28、4.82,P均<0.05)。术后6、8、12 h,两组VAS评分随时间延长依次减少(U=125.49,P<0.05,P调整后<0.017)。术后24 h内,观察组镇痛泵按压次数、镇痛药物总剂量均少于对照组(P均<0.05)。结论罗哌卡因TAP阻滞联合静脉麻醉可稳定老年腹股沟疝患者术中血流动力学,缓解术后疼痛,减少术后镇痛药物剂量。