耳鳴為非外部刺激產生的主觀聽覺感知,發病率逐年升高,越來越引起重視。經過調查發現,用某些音樂來緩解耳鳴、調節消極情緒、減壓有很好的效果,能打破耳鳴與不良情緒之間的惡性循環鏈,但重復循環的音樂對耳鳴治療效果不大。因此,本文提出了一種基于音樂數字設備接口(MIDI)技術和粉紅噪聲生成耳鳴康復分形聲的方法。試聽實驗結果表明該方法生成的分形片段相似但又不完全重復,沒有音調突變,對用康復聲進行耳鳴治療有借鑒意義。
耳鳴是一種常見臨床癥狀, 發病率很高, 嚴重影響患者生活質量。科學研究表明, 利用某些相似不重復的音樂可緩解耳鳴。通過混沌系統直接映射合成的音樂雖整體符合相似不重復特性, 但其音樂內部仍會出現同一音調連續重復多次或音調突變情況。針對這一問題, 本文基于五聲音階、混沌理論, 借助樂器數字接口(MIDI)技術, 提出了一種新的耳鳴康復音生成方法。試聽結果表明, 這種方法生成的耳鳴康復音不僅具有自相似性, 在可控范圍內不會完全重復; 并且音樂內部不會有較大的音調突變, 因此將其應用于耳鳴治療具有一定參考價值。
耳鳴是一種常見的臨床癥狀。研究表明,分形音可有效治療耳鳴,但目前的分形音多基于固定的音符庫結合分形算法映射而成,其頻率單一,很難與患者進行個性化適配。臨床研究證實,自然聲為常用的耳鳴匹配聲,對調節消極情緒、減輕耳鳴的煩擾程度有良好的效果。因此,本文提出了一種基于迭代函數系統(IFS)的個性化耳鳴康復自然音合成方法。該方法以個性化構造的自然音音頻庫為基礎,通過 IFS 分形算法映射合成康復音。實驗表明,此方法合成的康復音符合耳鳴治療聲基本要求,且可通過控制音頻庫的生成使康復聲適配患者的耳鳴聲,對耳鳴治療具有一定的參考價值。
目的探討Tsetlin Machine(TM)在心拍分類中的應用。 方法運用TM對中國生理信號挑戰賽2020數據集中正常、室性早搏和室上性早搏心拍圖片進行三分類,并對分類結果進行解釋性分析。該數據集包括10例心律失常患者的單導聯心電圖數據,排除1例心房顫動患者,最終納入9例患者數據。 結果分類結果表明,TM的九折平均識別準確率達84.3%,并且能通過位模式解釋圖展示分類判別的依據。 結論TM在分類心拍的同時能對分類結果作出解釋,對分類結果的合理解釋便于人們理解模型在進行心拍圖分類時的判決依據,進而增加模型的可信度。
目的通過機器學習技術對心房顫動(房顫)射頻消融術后房顫復發進行預測,并試圖尋找影響術后房顫復發的風險因素。方法納入 2017 年 1 月—2021 年 1 月因瓣膜病房顫在四川大學華西醫院及其分院(上錦分院)進行射頻消融手術的300例患者,其中男129例、女171例,平均年齡52.56歲。建立5個機器學習模型對房顫復發進行預測,將其中3個表現最好的模型組合成一個投票分類器,再次進行預測。最后使用SHApley Additive exPlanations方法進行風險因素分析。結果投票分類器得到的預測準確率為75.0%,召回率為61.0%,受試者工作特征曲線下面積為0.79。此外,還發現左心房內徑、射血分數、右心房內徑等因素對術后房顫復發存在影響。結論基于機器學習的瓣膜病房顫射頻消融術后復發預測可為房顫臨床診治提供一定參考,減少因無效消融給患者帶來的風險;根據研究中發現的風險因素,可為患者提供精準的治療。
目的通過深度學習技術對柯氏音的不同時相進行自動分類,從而提高不同人群血壓測量的準確率。方法本研究設計了一種融合注意力機制(Attention)、殘差網絡(residual network,ResNet)和雙向長短時記憶網絡(bidirectional long short-term memory,BiLSTM)的柯氏音時相分類模型。首先從一整段柯氏音信號中逐拍提取出單個柯氏音信號,并將每個柯氏音信號轉換為梅爾頻譜圖;然后利用Attention注意力機制和ResNet網絡對梅爾頻譜圖進行局部特征提取,用BiLSTM網絡處理特征之間的時序關系,并使用全連接層網絡對特征進行降維,最后利用SoftMax函數實現分類。數據集采自于44位志愿者(女24位、男20位,平均年齡 36 歲),并使用10折交叉驗證的方法對模型性能進行驗證。結果所建立的模型針對5類柯氏音時相的整體分類準確率為93.4%,相比其它模型具有較好的分類性能。結論深度學習方法可以準確地對柯氏音時相進行分類,為后續設計以柯氏音時相分類為基礎的自動血壓測量方法奠定了有力的技術基礎。