多水平模型是既適用于計量資料、又適用于二分類或多分類資料的統計方法。本文通過對各類型的實例數據,分別應用多水平模型、協方差分析和CMH卡方檢驗方法進行分析,探討多水平模型在多中心臨床試驗中心效應分析中的應用。結果表明,在計量資料的中心效應分析中,協方差分析較多水平模型更容易發現中心效應;對分類資料的中心效應,多水平模型更為敏感。可見不同分析方法對中心效應的分析結果不相同,在實際運用中應結合數據自身的結構特點和研究目的,并根據各種方法的適用條件選擇分析方法。
本文采用基于傅里葉變換的最小均方差(MMSE)法對磁共振灌注成像中局部腦血容積(rCBV)進行了計算,針對磁共振灌注成像過程中存在測量噪聲干擾的問題,對算法進行了改進。實驗對比了信噪比(SNR)為50 dB環境下的rCBV和采用MMSE法進行處理的rCBV,分析了不同SNRs對腦血容積的影響。實驗結果表明,采用MMSE法處理灌注圖像可以很好地濾除測量噪聲,準確地計算腦血容積。與現有其他方法相比,該方法對環境的敏感度小,尤其適合處理SNR較大的環境中獲得的灌注圖像。
多元時間序列問題廣泛存在于社會生產和生活中, 異常檢測已經在金融、水文、氣象、地震、視頻監控醫療以及其他領域給人們提供了很多有價值的信息。為了快速高效地發現時間序列中的異常, 使之以直觀的方式呈現在人們面前, 本文以滑動窗口為基礎, 用協方差矩陣作為時間序列的描述子, 將黎曼流形與統計過程控制圖相結合, 來實現多元時間序列的異常檢測及其可視化。以MA模擬數據流和MIT-BIH的心電失常數據作為實驗對象, 對異常檢測方法進行了驗證, 結果表明該方法是合理有效的。
Meta分析時常需采用同一研究中多個亞組的均值及標準差計算獲得未分亞組的均數及標準差，本文介紹了合并多亞組標準差的方法及其推導過程。首先指出一種合并亞組標準差的錯誤方法，并指出該方法是對測量學中同一對象多組測量結果標準差合并公式的誤用，并不適用于Meta分析中合并多亞組標準差計算，同時探討了其計算誤差及對Meta分析結論可能產生的影響。在本文的實例中，錯誤公式在某些條件下可導致較大的計算誤差，從而導致研究結論出現偏差。其后我們進行了公式推導，得出的正確公式在進行多亞組標準差合并時不需滿足其他條件，如不計舍入誤差，計算結果就是整體標準差。根據該公式我們對錯誤方法進行了誤差分析，指出影響其計算準確性的條件。在今后的Meta分析中，建議采用本文推薦的公式進行多亞組標準差合并計算，以避免錯誤方法使Meta分析結果出現偏差
固定效應模型的假設前提是各項研究的真實效應值是相同的，而隨機效應模型的假設前提是各項研究的真實效應呈正態分布。隨機效應模型下總方差是研究內方差與研究間方差之和，而研究間方差的估算方法有多種，各有優缺點。本文簡要介紹隨機效應模型試驗序貫分析中研究間方差的估算方法，并對其進行比較研究。
協變量是指受試者在接受不同干預措施前，研究者預計的、會對主要變量分析產生重要影響的因素，是臨床試驗設計和分析時必須考慮的問題之一。在臨床試驗設計時，應盡可能充分考慮對協變量的控制，可采用隨機分組、分層隨機化、限定協變量取值的方法使其在組間達到均衡可比。在分析時，可根據主要結果變量和協變量的類型，選擇協方差分析、分層分析、線性或廣義線性模型等方法進行校正。本研究介紹在確證性臨床試驗中，如何在設計方案和統計分析計劃中事先明確協變量，預先規定主要統計模型來控制協變量。
為了消除運動偽差、高頻噪聲和基線漂移對光電容積脈搏波（PPG）的影響，得到運動狀態下心率的準確值，本文提出了一種基于歸一化最小均方差（NLMS）自適應濾波器聯合集合經驗模態分解（EEMD）分析的 PPG 信號降噪方法。首先，將含有噪聲的 PPG 信號以 3 軸加速度傳感器為參考信號通過自適應濾波器，濾除其中的運動偽差；其次，將 PPG 信號通過 EEMD 分解得到一系列按頻率由高到低的固有模態分量（IMF），通過排列熵（PE）準則判斷信號的閾值范圍，從而濾除其中的高頻噪聲和基線漂移。實驗結果顯示，不同運動狀態下，降噪后 PPG 信號的計算心率和基于心電信號（ECG）的標準心率的皮爾遜相關系數為 0.731，平均絕對誤差百分比為 6.10%，從而表明該方法能夠準確計算出運動狀態的心率，有利于人體運動狀態下的生理監測。
針對陣發性房顫早期出現很短的初次發作較難被檢出的問題，本文提出了一種基于黎曼流形稀疏編碼的檢測算法。本文算法考慮到非線性流形幾何結構更接近真實的特征空間結構，計算協方差矩陣用于表征心率變異性（RR 間期變化），使數據處于黎曼流形空間中。在流形上應用稀疏編碼，將每個協方差矩陣表示為黎曼字典原子的稀疏線性組合，其中稀疏重建損失由仿射不變黎曼度量定義，黎曼字典由迭代的方式學習得到。本文算法與現有算法相比，使用較短心率變異性信號，計算簡單且沒有對參數的依賴，并取得了更優的預測精度。在 MIT-BIH 房顫數據庫上最終分類結果為靈敏度 99.34%、特異度 95.41%、準確率 97.45%，同時在 MIT-BIH 竇性心律數據庫中實現了 95.18% 的特異度。本文提出的高精度陣發性房顫檢測算法在可穿戴設備的長期監測中具有潛在的應用前景。
閉環經顱超聲刺激技術基于實時反饋信號，具備對神經活動進行精準調控的潛力。在本文中，首先記錄了不同強度的超聲刺激下小鼠的局部場電位（LFP）和肌電（EMG）信號，然后基于數據離線建立了超聲強度與小鼠LFP峰值/EMG均值的數學模型，仿真并搭建了PID神經網絡控制算法調節小鼠LFP峰值和EMG均值的經顱超聲閉環控制系統，實現了小鼠LFP峰值和EMG均值閉環控制。另外，使用廣義最小方差控制算法，實現了對小鼠theta振蕩功率的閉環控制。結果顯示，閉環超聲刺激調控后的LFP峰值、EMG均值和theta功率與給定值未見明顯差異，說明實現了對小鼠LFP峰值、EMG均值和theta功率明顯的控制作用。基于閉環控制算法的經顱超聲刺激提供了一種精準調節小鼠電生理信號的直接工具。