對中文電子病歷中的否定術語進行檢測, 可以為非結構化的電子病歷文本的概念索引的建立提供依據。對于電子病歷中術語的提取, 在經典的正向最大匹配算法的基礎上, 結合互信息, 可以有效地避免覆蓋性歧義對提取結果的影響; 對于否定語義的確定, 在基于規則算法的基礎上, 結合詞共現率模型, 有效地降低了由于標點錄入錯誤而出現假陽性術語的概率。通過實驗表明, 本文提出的方法相對于傳統的基于規則的算法, 陰性結果的預測值提高了6.85%。
針對腦機接口中運動想象任務的特征選擇問題,提出一種基于互信息與主成分分析的腦電特征選擇算法。該算法融入類別信息,用不同運動想象類別條件下特征間的互信息矩陣之和取代傳統主成分分析算法中的協方差矩陣,其特征向量表示新的主成分空間內各主成分的方向,特征值則作為評價準則判斷主成分維數。對2005年國際BCI競賽數據集,聯合功率譜估計、連續小波變換、小波包分解、Hjorth參數四種方法進行特征提取,采用所提出的算法進行特征選擇并與主成分分析算法對比,實驗結果表明,所提出算法的降維效果更好,以支持向量機為分類器,相同維數的主成分,所得分類正確率更高。
基因調控網絡的重構可以挖掘出基因之間潛在的調控作用關系，幫助我們更深刻地理解復雜的調控機制，在系統生物學中，這已經成為人們研究的一個熱點問題。現在已經產生了大量推斷網絡構建的模擬理論和計算方法，其中一些信息論方法在計算中容易遺漏一些調控關系，這些調控關系可能代表基因間真實的調控關系。為了克服這個缺點和進一步提高網絡重構的精度，本文提出了一種新的基因調控網絡構建方法，它通過重采樣和加權平均策略，利用條件互信息來進行基因調控網絡重構。算法首先從基因表達數據中重采樣得到一系列子數據，然后通過條件互信息方法構建一系列子數據的網絡，最后利用這些子網絡加權平均得到最終的基因調控網絡。本文的算法在DREAM3模擬數據和SOS真實網絡數據上進行驗證，和其它一些流行的方法相比，本文提出的網絡重構算法取得了較高的精確度和準確度。
運動神經系統通過神經振蕩活動傳遞運動控制信息，從而引起相應肌肉的同步性振蕩活動并反映運動響應信息，然后反饋至大腦皮層，使其能夠感知肢體的狀態。這種同步振蕩活動可反映皮層肌肉功能耦合的連接信息。其中，耦合的強弱由多種因素決定，包括肌肉收縮的力量、注意力、運動意圖等，因此分析不同因素影響下的腦肌電信號同步耦合的強弱對運動功能評價及控制方法等研究有重要意義。針對腦肌電信號同步耦合的分析方法，本文主要介紹與比較了線性方法中的相干性分析和格蘭杰因果分析，以及非線性方法中的互信息以及傳遞熵，總結了各方法在腦肌電信號同步耦合的應用研究，以便于相關領域的科研工作者更系統地了解目前腦肌電信號同步耦合分析方法的研究進展。
為了更加準確有效地從復雜網絡的角度理解不同時空層次的肌間耦合情況，本文提出了一種新的多尺度肌間耦合網絡分析方法。將多元變分模態分解（MVMD）與 Copula 互信息（Copula MI）相結合，構建了基于 MVMD-Copula MI 的肌間耦合網絡模型，通過節點強度、聚類系數等網絡參數分析了健康人數據集伸手運動過程中上肢多塊肌肉在不同時頻尺度上的肌間耦合特性。實驗結果表明，在分解出的 6 個時頻尺度上，肌間耦合特性存在明顯區別。具體為：肱三頭肌與三角肌中束、三角肌后束的耦合強度相對較高，肌間功能聯系緊密；而肱二頭肌在該運動下獨立于其他肌肉。結果體現了肌間耦合網絡具有尺度差異性，而 MVMD-Copula MI 能夠定量刻畫多尺度肌間耦合強度關系，具有良好的應用前景。
目前，帕金森病發生率在逐漸上升，嚴重影響著患者生活質量，社會診療負擔不斷加重。然而，該病的早期監測手段有限，很難及時干預。為了發現其標志物，本文對服藥前后帕金森病患者及健康人的32通道靜息態腦電數據進行分頻段研究。首先利用動態加權符號互信息計算各通道腦電信號間相關性，再通過k均值聚類實現信號關聯矩陣的分類，最后得到腦電信號關聯狀態。通過統計分析發現，在Beta頻段（P = 0.034）與Gamma頻段（P = 0.010）各有一個腦電信號關聯狀態可顯著區分未服藥帕金森病患者與健康人。這表明未服藥帕金森病患者與健康人的靜息態腦電各通道信號相關性差異有統計學意義。而在服藥與未服藥帕金森病患者、服藥帕金森病患者與健康人之間，其關聯狀態差異均沒有統計學意義。這可為帕金森病的臨床診斷提供一種參考。