孕婦監護很重要，在降低胎兒死亡率、保障圍產期母胎安全、預防早產和妊娠意外等方面起到極為重要的作用。定期檢查是目前孕婦監護的主流方法，但院外檢查手段匱乏，而醫院監護設備昂貴、操作復雜。利用智能信息技術（如機器學習算法）可以分析孕婦相關生理信號，從而實現對母胎的早期檢測和意外預警，達到高質量院外監護的目的。但目前，與孕婦院外監護的智能處理方法相關的公開研究綜述報道不足，因此本文以孕婦院外監護為研究背景，對其中智能處理方法的公開研究報道進行綜述，分析現有研究方法的優缺點，指出可能存在的問題，闡述未來發展趨勢，以期為今后的相關研究提供參考。
基于語音數據實現帕金森病診斷近年來已被證明是一種有效方式。但是，目前相關研究在樣本預處理和集成學習方面還考慮不足，從而造成樣本對分類器誤導、分類準確率和穩定性還不令人滿意等問題。本文提出了一種結合樣本重復剪輯算法和隨機森林的帕金森病診斷新算法，并基于最新公共數據集進行了對比實驗。實驗結果表明，本文算法實現了對語音樣本和受試者的分類診斷，針對受試者的平均分類準確率達到了100%，比原數據提供者最高改善了29.44%。本文基于樣本優選實現了一種新的語音帕金森病診斷算法；與同類算法相比，具有較高的準確率和穩定性。
胰腺癌的診斷非常重要，而細胞抹片顯微圖像的病理分析是其診斷的主要手段。圖像的準確自動分割和分類是病理分析的重要環節，因此本文提出了一種新的胰腺細胞抹片顯微圖像自動分割與分類算法。在分割方面，首先采用多特征 Mean-shift 聚類算法（MFMS）定位細胞核區域；接著采用彈性數學形態學結合角點檢測的去粘連模型（CSM）對粘連重疊細胞核進行去粘連處理，實現了分割的準確性和魯棒性。在分類方面，首先針對分割的細胞核提取了 4 個形狀特征和 138 個不同顏色空間的紋理特征；然后結合支持向量機（SVM）和鏈式遺傳算法（CAGA）實現封裝式特征選擇；最后將優選特征送入 SVM 進行分類，完成了胰腺細胞抹片顯微圖像的分類識別。本文采用了 15 幅圖像一共 461 個細胞核進行測試。實驗結果顯示，本文算法可以實現不同類型的胰腺細胞抹片顯微圖像的自動分割與準確分類。就分割來說，本文算法可獲得較高的正確率（93.46%±7.24%）；就正常和癌變細胞的分類來說，本文算法可獲得較高的分類正確率（96.55%±0.99%）、靈敏度（96.10%±3.08%）和特異度（96.80%±1.48%）。
隨著智能手機等移動設備感知、計算能力的飛速提升，以移動設備作為載體的人體活動識別成為新的研究熱點。利用智能移動設備中的加速度傳感器等采集到的慣導信息進行人體活動識別，相比于常用的計算機視覺識別，具有應用方便、成本低且更能反映人體運動本質等優勢。本文采用智能手機采集到的 WISDM 數據集，構建了基于加速度計慣導信息和卷積神經網絡（CNN) 的人體活動識別模型，并同時引入 K 最近鄰算法（KNN）和隨機森林算法來對 CNN 網絡進行評估。CNN 模型的分類正確率達到了 92.73%，相較于 KNN 和隨機森林都有很大提高。實驗結果表明，與 KNN、隨機森林算法相比，CNN 算法模型可以實現更精確的人體活動識別，在預測和促進人體健康水平方面具有廣闊的應用前景。
語音特征學習是精神病語音識別方法的核心和關鍵。深層特征學習可以自動提取語音特征，但受限于小樣本問題；傳統的特征提取（原始特征）避免小樣本問題影響，但嚴重依賴經驗且自適應不佳。為了解決這一問題，本文提出了一種深層內嵌混合稀疏堆棧自動編碼器流形集成算法。首先，基于先驗知識提取精神病語音特征，構造原始特征。其次，將原始特征內嵌入到稀疏堆棧自動編碼器（深度網絡）中，對隱藏層的輸出進行濾波，增強深層特征與原始特征的互補性。再次，設計 L1 正則化特征選擇機制，壓縮由深層特征和原始特征組成的混合特征集的維度。最后，設計了加權局部保持投影算法和集成學習機制，構造了流形投影分類器集成模型，進一步提高了小樣本下特征融合的分類穩定性。此外，本文首次設計了一個中大規模的精神病語音采集方案，收集并構建了一個大規模的中文精神病語音數據庫，用于精神病語音識別算法的驗證。實驗結果表明，該算法主要創新部分有效；與其他有代表性的算法相比具有更好的分類準確率，最大改善了 3.3%。綜上所述，本文提出了一種基于深層內嵌混合稀疏堆棧自動編碼器和流形集成的精神病語音識別方法，有效提高了精神病語音識別準確率。
β 淀粉樣蛋白（Aβ）沉積是阿爾茨海默癥（AD）的重要防治靶點，在腦中及早發現 Aβ 蛋白沉積是 AD 早期診斷的關鍵。磁共振成像（MRI）是一種理想成像方式，但不能直接顯示圖像中存在的沉積信息。本文基于過濾式和封裝式的選擇模式引入鏈式智能體遺傳算法（CAGA）、主成分分析（PCA）、支持向量機（SVM）和隨機森林（RF），構建 6 種特征學習分類算法，通過像素特征優選來實現 Aβ 蛋白沉積信息（分布）的檢測。首先，分割腦磁共振（MR）圖像中的腦組織；然后提取腦組織中的像素值形成像素特征向量；接著設計特征學習分類算法對像素實現特征優選，并基于投票機制得到一組最終最優特征向量；最后采用彈性映射方法將最優像素特征向量映射到腦MR圖像上，并標記出對應的像素點，從而顯示出 Aβ 蛋白沉積的分布。實驗結果表明，本文的像素特征學習方法可提取并顯示 Aβ 蛋白沉積信息，最高分類準確率可達到 80% 以上，表明該方法是可行和有效的。本文從腦 MR 圖像中檢測的 Aβ 沉積信息將有助于提高基于 MR 的 AD 診斷準確率。
近年來，已有研究證明基于語音數據可實現帕金森病（PD）的診斷，但是目前相關研究主要集中在特征提取及分類器設計等方面，對于樣本優選方面考慮不足。本課題組前期研究結果表明，樣本優選可有效改進分類準確性，但是樣本和語音的相關關系至今還未能深入研究。因此，本文提出了基于相關特征加權和多核學習算法，同時對語音段和特征進行優選，用于發現語音段和特征的協同效應，從而達到提升 PD 分類準確性的目的。實驗結果表明，本文算法針對受試者的分類準確率達到了 82.5%，較已有文獻算法提高了 30.5%。此外，本文算法還挖掘出了語音段和特征的協同效應，對語音標記物提取有一定參考價值。
基于語音數據挖掘實現帕金森病診斷的方法近年來已被證明有效。然而，受數據采集對象患病程度以及采集設備和環境等因素影響，所獲取數據集的樣本空間中存在不同類別樣本混疊現象。混疊區域的樣本難以有效識別，嚴重影響了算法的分類準確度。為了解決這一問題，本文提出了分包融合集成算法，通過設計類心距離比值來衡量樣本的混疊程度并將訓練集劃分成多個子集，再利用錯誤分類樣本傳遞式訓練的方法調整子集劃分結果，最后通過優化子分類權重對各個子分類器的測試結果進行加權融合。實驗結果表明，本文方法分類準確度在兩個公共數據集上都得到明顯提高，平均準確度最大提高可達25.44%。該方法不僅有效提高了帕金森病語音數據集分類準確度，還增加了樣本利用率，為帕金森病語音診斷提供了一種新思路。