基于獨立分量分析（ICA）的盲源分離技術可從面部視頻序列中分離出血流脈沖信號（BVP），進而可獲取心率、血氧飽和度和呼吸率等生命體征參數。但現有研究結果并未有效展示 ICA 在 BVP 獲取方面的優勢，因此，一些研究者建議直接利用面部視頻圖像序列的綠色通道分量（G 分量）并結合時域濾波進行 BVP 提取（G-BVP）。本文基于 9 位受試者所提供的面部視頻數據，對 ICA-BVP 和 G-BVP 兩種方法的性能和特點進行了比較，研究了面部器官自然運動和光照變化等因素引起的視頻干擾成分對 BVP 提取效果的影響。實驗表明，ICA-BVP 方法在消除運動和光照干擾方面具有較明顯的優勢。在 ICA-BVP 方法的具體實現過程中，提出了基于譜峭度的 BVP 信號自動識別方法，用以解決 ICA 輸出排序不確定的問題。該方法在動態 BVP 信號獲取和心率估計實驗中取得了較理想的測試效果。綜上所述，ICA-BVP 方法在基于面部視頻的血流信號提取及生命體征參數估計的應用中，具有更好的穩定性和準確性。
醫學文獻含有豐富的有價值的醫學知識。目前，在醫學文獻上的實體關系提取研究已經得到了很大的進步，但是隨著醫學文獻數量以指數形式增加，醫學文本的標注工作成為一個很大的問題。為解決人工標注耗時長、工作量大的問題，研究者提出了遠程監督標注的方法，但這種方法會引入大量噪聲。本文提出了一種基于卷積神經網絡的新型神經網絡結構，可以解決大量噪聲問題。該模型可以利用多窗口卷積神經網絡自動提取句子特征，在得到句子向量后，通過注意力機制選擇對真實關系有效的句子。特別地，提出實體類型（ET）嵌入方法，通過加入實體類型特征用于關系分類。我們針對訓練文本存在不可避免的標注錯誤問題，提出句子級別的注意力機制用于關系提取。使用 968 份糖尿病醫學文獻進行實驗，結果表明，與基線模型相比，本文模型在醫學文獻中得到了較好的效果，F1 分數達到 93.15%。最后，我們將提取的 11 類關系以三元組的形式存儲，并利用這些三元組制成具有 33 347 個節點、43 686 條關系邊的復雜關系醫學知識圖譜。實驗結果證明，本文所使用的算法明顯優于用于關系提取的最佳基準系統。
因太赫茲（THz）波具有獨特的性質和優勢，逐漸在生物醫學領域受到重視并得以應用。燒傷是臨床上常見的一種外傷，由于THz的無損和對水敏感的特性，使得THz成像技術在燒傷檢測方面具有廣闊的應用前景。到目前為止，對燒傷創面的THz成像，已從離體研究發展到了在體成像，能夠透過紗布及膏藥獲得高分辨的圖像。本文主要介紹了THz成像技術在燒傷檢測中的最新應用及發展。