傳統樣本熵很難量化信號本身固有的遠程相關性, 雖然多尺度熵能夠檢測數據內在相關性, 但其多用于單變量信號。多元多尺度熵作為多尺度熵在多元信號上的推廣, 是非線性動態相關性的一種反映, 但是傳統的多元多尺度熵計算量大, 對于通道數較多的系統需要耗費大量的時間和空間, 并且無法準確地反映變量間的相關性。本文提出的改進的多元多尺度熵, 將傳統的多元多尺度熵針對單個變量的嵌入模式改為對所有變量同時嵌入, 不但解決了隨著通道數增加內存溢出的問題, 也更適用于實際多變量信號分析。本文方法對仿真數據及波恩癲癇數據進行了試驗, 仿真結果表明該方法對相關性數據具有良好的區分性能; 癲癇數據實驗表明, 該方法對5個數據集均具有較好的分類精度, 其中對數據集Z、S的分類精度達100%。
腦電圖是人腦神經元動態活動的綜合表現形式,可以用來研究癲癇的腦部病理變化。本文引入多尺度排列熵(MPE)的概念,將其應用于癲癇患者和健康人的腦電圖特征提取,并將所有特征參數送入支持向量機(SVM)進行分類。實驗結果表明,在區分癲癇患者和健康人的腦電圖時平均分類精度達100%,癲癇發作間期和發作期的平均分類精度為99.58%。與同時輸入的1~5個單尺度排列熵(PE)對比分析發現,MPE比PE更能反映癲癇腦電圖多尺度上的特征,能更好、更穩定地實現癲癇預測。
臨床上基于個人電腦的腦電監護系統不適用于便攜和家庭的監測，并且癲癇患者長期住院檢測會增加醫療負擔。為此本文設計了一種基于Android智能手機的16導便攜式、網絡化監控系統。整個系統采用了主動電極技術、WiFi無線傳輸技術、多尺度排序熵算法、反向傳播(BP)神經網絡優化算法等，并基于Android手機應用軟件實現對腦電數據的處理、分析、顯示、報警等功能。系統在多臺Android 2.3以上系統的手機上測試后運行穩定、可靠，為醫護人員和患者提供了一種便攜、可靠、實用的癲癇發作監控解決方案。
本研究旨在實現對植物狀態和最小意識狀態腦電信號的分類識別。通過對植物狀態和最小意識狀態患者施加喚名刺激，采集被喚名時患者的腦電信號；然后對腦電數據進行去噪預處理、樣本熵和多尺度熵的特征提取；最后將提取的數據特征送入多核學習支持向量機（SVM）中進行訓練和分類。試驗結果表明，嚴重意識障礙患者alpha波腦電特征表現顯著，平均分類精度為88.24%，實現了定量化的嚴重意識障礙狀態判定，為意識障礙程度的臨床診斷提供了輔助依據。
血糖波動復雜性的研究有助于理解血糖調節系統的內在規律。本文以Ⅱ型糖尿病患者（93人）72 h 動態血糖序列為分析對象，使用多尺度熵分析技術研究動態血糖序列結構的復雜性。針對72 h 動態血糖序列較短的問題，采用了最新改進的精細復合多尺度熵（RCMSE）分析技術，分別觀察了基于平均血糖波動幅度（MAGE）和糖化血紅蛋白（HbA1c）進行分組的糖尿病患者的血糖波動復雜性。研究發現，MAGE 值大的組其復雜度低，熵值在尺度 1～6（5～30 min）之間的差異具有統計學意義，HbA1c 值高的組其復雜度也較低，但是分組之間的熵值差異沒有統計學意義。本文研究結果表明，血糖調控不好（無論從 MAGE 值還是從 HbA1c 值來看），將會帶來血糖序列動態結構復雜度的損失。本文所提的 RCMSE 分析技術可為血糖序列波動分析提供一個新的視角，血糖序列復雜度有可能成為血糖波動分析的一個新的生物學指標。
癲癇腦電的自動分類對于癲癇的診斷和治療具有重要意義。本文提出了一種基于小波多尺度分析和極限學習機的癲癇腦電分類方法。首先，利用小波多尺度分析對原始腦電信號進行多尺度分解，提取出不同頻段的腦電信號。然后采用Hurst指數和樣本熵兩種非線性方法對原始腦電信號和小波多尺度分解得到的不同頻段腦電信號進行特征提取。最后，將得到的特征向量輸入到極限學習機中，實現癲癇腦電分類的目的。本文采用的方法在區分癲癇發作期和發作間期時取得了99.5%的分類準確率。結果表明，本方法在癲癇的診斷和治療中具有很好的應用前景。
本文針對傳統多尺度熵在多尺度化過程中信息丟失問題，提出一種加權多重多尺度熵特征提取算法。該算法在各尺度上構建了從大到小的多重數據序列，考慮多重數據序列對該尺度樣本熵的貢獻程度不同，計算各個序列在該尺度序列中所占比重，以此作為系數重構各尺度樣本熵。相比于傳統多尺度熵算法，該算法不但克服了信息丟失問題，還充分考慮了序列的相關性與對總熵值的貢獻程度，減小了尺度間的波動，更能挖掘腦電信號的細節信息。基于該算法，本文分析了孤獨癥（ASD）兒童腦電信號特征，與樣本熵、傳統多尺度熵及延擱取值法多重多尺度熵算法比較，分類準確率分別提高了 23.0%、10.4% 與 6.4%。基于該算法對比分析孤獨癥兒童與對照組健康兒童的 19 通道腦電信號，結果表明除 FP2 通道外，其余通道的熵值均顯示健康兒童略高于孤獨癥兒童，且 F3、F7、F8、C3、P3 通道的熵值差異具有統計學意義（P<0.05）。本文通過對各個腦區加權多重多尺度熵進行分類，發現前顳葉區域通道（F7、F8）的分類準確率最高，表明前顳葉可以作為評估孤獨癥兒童腦功能狀態的敏感腦區。
目的構建不同形貌的多尺度纖維支架，探究不同形貌結構對支架物理性能及血液和細胞相容性的影響。方法靜電紡聚己內酯［poly（ε-caprolactone），PCL］/聚乙烯吡咯烷酮（polyvinylpyrrolidone，PVP）雙組分纖維（PCL∶PVP 質量比分別為 8∶2 和 5∶5），并通過浸提 PVP 組分制備表面多孔纖維支架，根據聚合物質量比分別標記為 PCL-P8、PCL-P5。另外采取溶液誘導結晶方式在 PCL 纖維表面形成串晶結構（shish-kebab，SK），調控結晶時間制備不同尺寸的 PCL-SK 纖維支架。以表面光滑的 PCL 纖維支架作為對照，取兩種不同纖維形貌的 PCL 多尺度纖維支架，采用場發射掃描電鏡、接觸角測試、差示掃描量熱儀（differential scanning calorimeter，DSC）進行性能表征；取新西蘭大白兔靜脈血，采用溶血和凝血實驗表征支架的血液相容性；采用細胞計數試劑盒 8（cell counting kit 8，CCK-8）法檢測豬髂動脈內皮細胞（pig iliac artery endothelial cell，PIEC）在支架上的增殖情況，評價支架的生物相容性。結果場發射掃描電鏡觀察顯示 PCL/PVP 雙組分纖維提取 PVP 后，表面出現多孔形貌；此外，通過溶液誘導成功制備出呈現周期排列的 SK 結構，且結晶時間越長，片晶尺寸和周期距離越大。接觸角和 DSC 檢測示，與表面光滑的 PCL 纖維支架相比，PCL 表面多孔和 PCL-SK 纖維支架的結晶度增加，PCL-SK 纖維支架疏水性增加，而 PCL 表面多孔纖維支架的疏水性無明顯變化。溶血實驗顯示，PCL 表面多孔和 PCL-SK 纖維支架的溶血率均高于 PCL 纖維支架，根據美國材料與試驗協會（ASTM）F756-08 標準評價，所有支架均為非溶血材料，均適用于血液接觸型材料。凝血實驗顯示培養 5、10 min 時，PCL 表面多孔和 PCL-SK 纖維支架的凝血指數均高于單純 PCL 纖維支架。CCK-8 法檢測示兩種多尺度纖維支架均比 PCL 纖維支架更有利于 PIEC 增殖。結論以靜電紡技術為基礎，采用溶液誘導和共混物相分離方法可以構建不同形貌的多尺度纖維支架，不僅可以調控支架的表面物理化學性能，且多尺度纖維支架具有良好的血液和生物相容性，在組織工程領域具有較高的應用潛能。
借助信號內在的稀疏性或可壓縮性，壓縮感知利用隨機投影實現以遠低于奈奎斯特頻率的采樣頻率下對壓縮后數據的采集。結合壓縮感知和低秩思想，可以加快心臟磁共振（CMR）圖像的掃描速度，減輕患者不適，提高檢查質量。本文提出 CMR 圖像的多尺度低秩分解模型，并采用交替方向拉格朗日乘子法（ADMM）進行求解。以峰值信噪比（PSNR）和相對誤差（RLNE）作為定量評價指標，結合人眼視覺感受以及局部區域放大，對比分析本文算法與 L + S 分解、kt FOCUSS、k-t SPARSE SENSE 等主流算法的性能優劣。實驗結果表明：本文提出的多尺度低秩分解模型，經過 ADMM 算法重構的效果在性能指標上明顯優于其他對比算法，同時圖像細節和邊緣輪廓成像質量更佳。該方法將推動 CMR 快速成像技術的發展及其在臨床疾病診療中的應用。
腦神經電生理信號的內在特征變化能夠反映腦功能的正常與否，因此有效的特征提取分析方法有利于腦功能異常的早期診斷與相關疾病的治療。近年來的研究表明，神經電信號具有非線性和多尺度的特性。基于此，科研人員近來發展了適用于多尺度非線性信號分析的多尺度熵（MSE）算法，并在神經信息科學領域得到了廣泛應用。本文對 MSE 算法的原理和特性進行了介紹，并進一步介紹了幾種在實際應用中針對 MSE 算法的一些不足而提出的相關改進算法。然后，對 MSE 及其改進算法在疾病診斷、腦功能分析以及腦-機接口等方面的應用進行了綜述。最后，對上述各算法在神經信號分析中面臨的挑戰及其可能的發展方向進行了探討。