為評價上腔靜脈逆行性灌注對腦保護的效果 ,對 10余年來的研究成果進行綜述。上腔靜脈逆行性灌注是深低溫停循環腦保護的輔助手段 ,已證明在低溫狀態下 ,它為腦部提供低流量血流 ,維持腦部低溫狀態 ;提供部分氧和營養物質 ,運走代謝產物 ;減少氣栓及栓塞的發生 ,從而延長了深低溫停循環腦保護的安全時限 ,而腦水腫的危險性限制了該方法在臨床的應用。在腦保護液中加入腦保護藥物已取得一定進展 ,而上腔靜脈逆行性灌注中束閉下腔靜脈的研究仍在進行中。在應用該方法時 ,應注意掌握其適應證及預防可能發生的危險。
由于P波一般為低頻低幅波,容易受到基線漂移,肌電干擾等噪聲影響,且不是每個心拍都包含P波,確定某一心拍有無P波也是一難題,針對小波-幅值-斜率的方法對多樣形態P波適應的局限性,以及小波變換結合神經網絡檢測方法中選取偽P波樣本的局限性,本文提出了基于小波-幅值閾值并以多特征作為神經網絡的輸入的P波檢測方法,該方法首先利用小波變換對心電(ECG)信號進行去噪,然后利用小波變換求模極大值對的方法確定候選P波的位置,接下來利用幅值閾值初步判斷有無P波,最后利用神經網絡確定心拍有無P波。本文經由專家注釋的QT心電數據庫對該算法和傳統的小波閾值法及基于小波-幅值-斜率的方法檢測ECG信號P波的效果進行了對比,驗證了本文提出的算法的可行性,對醫院心電科記錄的ECG信號進行了檢測,其結果與醫生的標注基本相同,并對QT數據庫中的13份且每份15 min的ECG信號進行了檢測驗證,P波正確檢測率達到了99.911%。
現有的心律失常分類方法通常采用人為選取心電圖（ECG）信號特征的方式，其特征選取具有主觀性，且特征提取復雜，導致分類準確性容易受到影響等。基于以上問題，本文提出了一種基于判別式深度置信網絡（DDBNs）的心律失常自動分類新方法。該方法所構建的生成受限玻爾茲曼機（GRBM）自動提取心拍信號形態特征，然后引入具有特征學習和分類能力的判別式受限玻爾茲曼機（DRBM），依據提取的形態特征和 RR 間期特征進行心律失常分類。為了進一步提高 DDBNs 的分類性能，本文將 DDBNs 轉換為使用柔性最大值（Softmax）回歸層進行監督分類的深度神經網絡（DNN），通過反向傳播對網絡進行微調。最后，采用麻省理工學院與貝斯以色列醫院心律失常數據庫（MIT-BIH AR）進行實驗驗證，對于數據來源一致的訓練集和測試集，該方法整體分類精度可達 99.84% ± 0.04%；對于數據來源非一致的訓練集和測試集，通過主動學習（AL）方法擴充少量訓練集，該方法整體分類精度可達 99.31% ± 0.23%。實驗結果表明了該方法在心律失常自動特征提取和分類上的有效性，為深度學習自動提取 ECG 信號特征及分類提供了一種新的解決方法。
為了克服乳腺圖像微鈣化簇檢測中假陽性率高、泛化性差等缺點，本文提出了一種結合判別式深度置信網絡（DDBNs）自動快速定位乳腺 X 線圖像中微鈣化簇區域的方法。首先，對乳腺區域進行提取及增強，將增強后的乳腺區域進行子塊重疊分割和小波濾波；之后，構建用于乳腺子塊特征提取和分類的 DDBNs 模型，將預訓練后的 DDBNs 轉換成使用 softmax 分類器的深度神經網絡（DNN），并通過反向傳播對網絡進行微調；最后，輸入待檢乳腺 X 線圖像，完成可疑病灶區域的定位。通過對乳腺攝影篩查數據庫（DDSM）中的 105 幅含有微鈣化點的圖像進行實驗驗證，本文方法獲得了 99.45% 的真陽性率和 1.89%的假陽性率，且檢測一幅 2 888 × 4 680 大小圖像的時間約 16 s。實驗結果表明：該算法在保證較高真陽性率的同時有效地降低了假陽性率，檢測到的微鈣化簇區域與專家標記區域具有高度一致性，為乳腺 X 線圖像中微鈣化簇區域的自動檢測提供了新的研究思路。