由于大腦信息編碼的稀疏特性, 微電極陣列記錄的神經元集群信號中包含大量的噪聲和冗余信息, 這降低了運動意圖解碼的穩定性和精確度。針對這一問題, 本文將偏最小二乘(PLS)特征提取應用于神經元集群解碼中, 首先采用PLS提取神經元集群鋒電位發放特征, 然后用支持向量機(SVM)對提取的特征進行分類, 解碼得到運動意圖。采集三組鴿子十字迷宮轉向實驗中的大腦神經元集群信號進行解碼, 結果表明, PLS結合分類模型的解碼方法克服了PLS回歸易受噪聲累積影響的缺點, 穩定性和解碼正確率均更高, 相比傳統的降維方法, PLS提取特征個數更少, 包含有用信息更多, 三組實測數據的解碼正確率分別為93.59%、84.00%和83.59%。
“M+N”理論是針對光譜分析提出的用于提高預測精度的一種理論方法。將被測量、M種非測量組分和N種外界干擾一同歸于整個測量系統中，系統全面地考慮“M”因素和“N”因素對測量精度的影響。建立基于“M+N”理論的血氧飽和度人體試驗系統，采用動態光譜法消除個體差異及不同測量部位（“N”因素中的系統誤差）對預測精度的影響；利用差值提取法消除運動偽差（“M”因素中的隨機誤差），獲得了62組有效樣本數據。采取偏最小二乘法建模預測，預測值與真值的相關系數為0.796 8，相對誤差為±0.026 6；而目前臨床上普遍采用的血氧監護儀與真值的相關系數為0.595 7，相對誤差為±0.076 0。表明基于“M+N”理論的近紅外血氧飽和度無創測量方法其預測精度明顯優于血氧監護儀。
利用偏最小二乘法（PLS）結合拉曼光譜技術，建立了血液中紫杉醇含量的預測模型。本實驗利用拉曼光譜對 312 個樣本進行了掃描，采用高效液相色譜技術（HPLC）對血液中紫杉醇含量進行了常規分析，利用蒙特卡羅偏最小二乘法（MCPLS）剔除異常樣本，確定了校準集和預測集，采用可移動窗口偏最小二乘法（MWPLS）以逼近度（Da）為指標優化了最佳預處理方法、波長變量和隱變量數等參數，并最終建立了紫杉醇的預測模型。其校準集和預測集的預測值與真實值之間的相關系數（Rc2 和 Rp2）分別為 0.933 1 和 0.926 4。最后對預測模型進行了獨立驗證實驗，結果表明 20 個驗證樣本的相關誤差為 9.36%±2.03%，表明模型具有很好的擬合度和預測能力。
麻醉意識狀態監測是神經科學基礎研究及臨床應用中的重要問題，受到廣泛關注。本研究為尋找臨床麻醉意識狀態監測指標，共采集 14 位全麻手術患者在三種意識狀態（清醒、中度麻醉、深度麻醉）下各 5 min 靜息態腦電數據，對比采用稀疏偏最小二乘（SPLS）和傳統的同步似然（SL）方法計算腦功能連接，通過連接特征來區分麻醉前后三種意識狀態。通過全腦網絡分析，本文 SPLS 方法與傳統 SL 方法得到的不同意識狀態下的網絡參數變化趨勢一致，并且采用 SPLS 方法所得結果的差異具有統計學意義（P<0.05）。對 SPLS 方法得到的連接特征運用支持向量機進行分類，分類準確率為 87.93%，較使用 SL 方法得到的連接特征分類準確率高出 7.69%。本文研究結果顯示，基于 SPLS 方法進行功能連接分析在區分三種意識狀態方面有更好的性能，或可為臨床麻醉監測提供一種新思路。