基于神经网络架构搜索与特征融合的小样本脉搏波分类方法

基于深度学习的脉搏波分类依赖大量有标注数据,现有脉搏波带有疾病标注的数据少、标注方法不统一,导致模型准确率低、泛化能力弱。针对此问题,提出一种基于神经网络架构搜索与特征融合的小样本脉搏波分类方法。首先,在并行的双维度拆分卷积分支与因果空洞卷积分支中进行态射搜索,每次搜索结束,获取超网络分支的子网络作为候选网络进行训练评估。双维度拆分卷积分支提取脉搏波横、纵向维度时空特征,因果空洞卷积分支提取脉搏波节律特征。然后,利用特征融合方法整合分支多尺度特征。最后,依据评估指标得到最佳网络模型完成分类。实验结果表明,所提方法在两个小样本脉搏波数据集上准确率为97.04%和95.96%,F1值为97.04%和95.95%,具有较好分类效果。

弯曲气动肌肉驱动手腕康复装置的设计与研究

以辅助患者完成腕关节背伸/屈曲以及内收/外展康复训练为核心目的,设计并组装了弯曲气动肌肉驱动手腕康复装置,完成了柔性驱动器设计及建模、外骨骼康复手套设计、控制系统设计以及安全性设计。详细阐述了弯曲收缩气动人工肌肉构造、主要制作流程,测试其运动学特性以及输出力特性,并采用解析法对弯曲收缩气动人工肌肉进行运动学建模,为弯曲收缩气动人工肌肉的精准控制奠定基础。设计并实现手腕康复装置,进行模拟康复训练,结果表明:角度误差在10%以内,装置能够有效驱动手腕进行康复训练。

基于MMD心电域适应学习的分类模型

针对心电信号分类中的无监督域适应问题,提出一种域适应分类模型MMD-Net。将源数据和目标数据映射至再生希尔伯特空间(Reproducing Kernel Hilbert Space, RKHS),使用最大均值差异(Maximum Mean Discrepancy, MMD)度量二者在公共特征空间的差异,通过最小化该差异使分类器利用源域知识对目标数据进行分类,从而实现ECG模型的无监督域适应。在MIT-BIH心房颤动数据集和CCDD数据集上交替进行域适应实验,平均准确率分别达到了73.34%和70.75%,结果表明该方法可对目标心电数据有效分类。

基于卷积自编码器网络的脉搏波分类模型

针对基于深度学习的脉搏波分类依赖大量标记数据,临床数据有限、标注成本高影响了脉搏波分类识别效果,设计一种基于卷积自编码器网络(CAE-Net)的脉搏波分类模型。首先,利用卷积神经网络(CNN)的局部特征提取能力和自编码器(AE)的压缩重构及降维特性构建卷积自编码器(CAE),结合脉搏波波形特点,在平均绝对误差损失函数中引入脉搏波时域特征约束,提升CAE对脉搏波低维特征自学习能力;其次,重用预训练CAE编码层网络和权重,构建CAE-Net,并利用有标记脉搏波数据进行网络微调。在心血管疾病数据集上的实验结果表明,CAE-Net的分类准确率为98.00%,F1值达到94.40%,相较于其他脉搏波分类模型,设计网络所提取特征的区分度较高,同时减弱了对标注脉搏波数据的依赖,在小样本脉搏波数据上具有较好分类效果。

噪声激励的神经元振荡转换

由于离子通道的随机波动和突触的相互作用等因素,大脑神经元中不可避免地存在噪声。噪声会影响神经元活动和神经信息处理,但其在神经元振荡模式转换中的作用仍不清楚。为此,该文采用神经计算建模的方法,应用扩展HH模型模拟神经元的电活动,探究噪声对神经元振荡模式的影响。通过数值仿真,结果表明噪声强度的改变会引起神经元不同振荡模式之间的转换,特别是噪声强度增加使神经元更易产生多模式放电。该研究结果为揭示噪声在神经元生理活动中的功能作用提供了理论参考,并有助于理解大脑的信息处理机制。

癫痫过程中头皮脑电信号的β-γ耦合变化

揭示癫痫过程中脑内信息交互变化对临床诊疗具有重要意义。早期研究表明,相位-幅度耦合(PAC)可作为定位致痫区域和表征癫痫状态转换的潜在生物标志物。然而,目前癫痫的相位-幅度耦合研究多集中于θ-γ耦合,对β-γ耦合在癫痫过程中的变化及潜在应用知之甚少。对此,本文基于癫痫头皮脑电(EEG)数据,采用调节指数(MI)的PAC方法,探究癫痫不同状态下β-γ耦合的变化。结果发现,癫痫过程中各脑区内β-γ耦合随状态发生改变,多数脑区内的β-γ耦合在发作期减小,在发作后期增加,其差异具有统计学意义。癫痫过程中不同脑区间也存在β-γ耦合,且β-γ耦合强度在发作后期增加,其差异具有统计学意义。这些研究结果既有助于理解癫痫过程中脑内信息交互的改变,也为癫痫的临床诊疗提供了新参考。