白帶顯微圖像中白細胞的數量可以提示陰道炎癥的嚴重程度。目前對白帶中白細胞的檢測主要依靠醫學專家們的人工鏡檢，這種人工檢查耗時、昂貴且容易出錯。近年來，有研究提出基于深度學習技術對白帶白細胞實現智能檢測，但是這類方法通常需要人工標注大量的樣本作為訓練集，標注代價高。因此，本研究提出運用深度主動學習算法來實現對白帶顯微圖像中白細胞的智能檢測。在主動學習框架下，首先以少量的標注樣本作為基礎訓練集，采用更快的卷積神經網絡（Faster R-CNN）訓練檢測模型，再自動挑選最有價值的樣本進行人工標注，從而迭代更新訓練集和相應的檢測模型，使模型的性能不斷提高。實驗結果表明，深度主動學習技術能在較少的人工標注樣本下獲得較高的檢測精度，對白細胞檢測的平均精度達到了 90.6%，可以滿足臨床常規檢查要求。
集合經驗模態分解(EEMD)是一種處理心電等非平穩信號的有效方法, 但其參數白噪聲比值系數與平均次數依靠經驗設置, 導致處理結果準確度低且對未知信號自適應性差。針對上述問題, 本研究提出了基于白噪聲分離的EEMD心電信號去噪方法。該方法通過經驗模態分解(EMD)將心電信號分解至不同頻帶, 基于白噪聲能量密度和對應的平均周期的乘積趨向于一個常數的特性, 提取信號高頻分量重構信號高頻成分; 依據避免模態混疊參數準則實現針對不同信號的分解參數自適應獲取。經過對心電信號的驗證, 結果表明該方法去噪效果明顯, 自適應性強, 是一種有效的去噪方法。
目前顆粒物（尤其是 PM2.5）污染問題日趨嚴重，人們對其關注度越來越高。本文提出一種結合三次樣條插值方法的卡爾曼預測模型并將其應用于微區域校園環境 PM2.5 濃度的預測，以及實現 PM2.5 濃度的插值模擬圖，模擬 PM2.5 的空間分布。本文實驗基于實驗室已搭建的環境信息監測系統服務器數據，其 PM2.5 濃度數據預測值和實際值通過 Wilcoxon 帶符號秩檢驗后，雙側漸進顯著性概率為 0.527，遠大于顯著性水平 α = 0.05。同時，與神經網絡模型預測方法（BP 預測）和支持向量機預測方法（SVM 預測）對比，卡爾曼預測模型的結果更理想，其日均值 PM2.5 濃度數據預測值和監測值的平均絕對誤差（MEA）為 1.8 μg/m3，平均相對誤差（MER）為 6%，相關系數 R 為 0.87。實驗結果表明：卡爾曼預測模型能有效地用于 PM2.5 濃度預測，結合樣條插值方法可以較好地模擬 PM2.5 的空間分布及局部污染特征。