目的 通過在結腸鏡檢查中給患者看DVD，了解視覺分散和視聽聯合分散對受檢者焦慮和接受性的影響。 方法 采用隨機對照的研究方法，將180例準備行結腸鏡檢查的患者隨機分為三組，每組60例，視覺分散組檢查時看DVD但不聽DVD里播放的聲音，視聽分散組檢查時看DVD并戴著耳機聽DVD里播放的聲音，對照組檢查時不看DVD，比較三組患者間的焦慮水平和接受性。 結果 視覺分散組和視聽分散組檢查后焦慮水平降低較對照組顯著，但這種差異未達到統計學意義。視覺分散組和視聽分散組的愿再檢查率均較對照組高（Plt;0.05）。 結論 視覺分散和視聽分散能增加結腸鏡檢查患者的接受性，對患者的焦慮水平無顯著影響。
進化心理學認為消極情境可能危及生存, 常引發回避動機, 對人體機能與心理素質皆有重要影響。厭惡與悲傷情境均能夠誘發出負性情緒, 但對兩者誘發負性情緒過程中的注意力捕獲和情緒認知差異尚缺乏了解。本研究選用典型悲傷、厭惡情境圖片, 設計了兩組負性情緒誘發實驗, 并采集了15位青年學生(7男8女, 年齡27歲±3歲)觀看情境圖片時的32導頭皮腦電數據, 提取了各導聯事件相關電位(ERP)信號。通過對厭惡和悲傷情境圖片所誘發ERP信號進行配對樣本t檢驗, 得到兩種圖片下ERP信號有統計學差異的時段; 并根據兩ERP信號在差異時段內均方根差值繪制腦地形圖, 得到差異空間分布。結果顯示:悲傷與厭惡情境圖片所誘發ERP差異主要體現在前中期T1(120～450 ms)和晚期T2(800～1 000 ms)兩個時段; 悲傷圖片在T1時段主要激活了枕葉, 反映了注意力的獲取, 而厭惡圖片在T1時段不僅激活了枕葉, 也高度激活了前額葉, 反映出明顯的情緒感知; 厭惡與悲傷圖片在T2時段都激活了前額葉, 但厭惡圖片所誘發ERP不僅在前額葉, 也在頂葉表現出更強的情緒感知力。以上研究結果將對加深負性情緒認識以及探索負性情緒誘發的深層認知神經學機制有所啟示。
本文旨在利用模仿生物神經細胞同步脈沖發放的交叉視覺皮質模型（ICM）對生物視覺系統的輪廓整合機制及注意力選擇機制進行初步探索。將生物神經元“興奮-抑制”振蕩子的思想引入到ICM中，同時引入目標輪廓鏈碼作為高層反饋控制輸入，提出了擁有自底向上（BUTTON-UP）及自頂向下（TOP-DOWN）機制的興奮-抑制交叉視覺皮質模型（EI-ICM）。仿真實驗顯示，本文提出的模型可有效抑制噪聲使得光滑邊緣同步發放，從而完成BOTTOM-UP過程；目標輪廓鏈碼的引入可得到與輸入目標鏈碼一致的目標輪廓，而其它目標由于與輸入目標鏈碼不匹配，無法形成閉合輪廓，從而完成TOP-DOWN過程。結果表明本文提出的模型可模擬視覺皮層V1區輪廓整合及注意力選擇機制。
盡管注意力在認知和感知科學中占有重要作用，但是缺少一種簡單的方法來衡量一個人的注意力能力。我們定義持續注意力任務下的腦功能網絡連接的強度作為預測行為表現的生理學指標。本文采集了 14 名被試在三種力控制任務中的行為學和腦電數據。通過力的方差和容差乘積的倒數來計算行為學表現評分。通過小波相干的方法對腦電數據構建網絡連接，然后將連接矩陣的每條邊和行為學評分進行相關分析。線性回歸模型將那些顯著相關的網絡連接組合成生理學指標來預測被試三種力控制任務的行為表現，相關系數均大于 0.7。這些結果表明腦功能網絡的連接強度可以為持續注意力任務提供一個廣泛適用的生物標記。
睡眠分期是研究睡眠疾病的重要途徑，近年來受到了廣泛關注。傳統手工標記方法與傳統機器學習算法存在效率低下、泛化性不足的問題，雖然近期流行的深度學習網絡模型依靠其學習復雜特征的能力改善了睡眠分期結果，但仍存在著忽略片段內時序信息與通道相關性的問題。本文提出了一種混合注意力時序網絡，利用循環神經網絡取代較為傳統的卷積神經網絡，從時間角度提取多導睡眠圖的時序特征；然后采用片段內時序注意力與通道注意力機制，實現信號片段內時序特征融合和通道相關性特征融合；再基于循環神經網絡與片段間時序注意力機制，進一步實現信號片段間時序上下文特征融合；最終根據上述混合特征完成端到端自動睡眠分期。本文采用開源數據網站上包含多個多導睡眠圖的睡眠數據集進行對比實驗，實驗結果表明本文模型能夠優于 10 種典型基線模型，睡眠分期準確率分別可達到 0.801、0.801、0.717，平均 F1 分數可達到 0.752、0.728、0.700，驗證了本文模型的有效性。
耳鳴的發病率較高，會影響患者的注意力、情緒、睡眠等，甚至會造成嚴重心理障礙以及自殺傾向。當前并沒有統一客觀的檢測及治療手法，且耳鳴的發病機制尚不明確。本文采集了耳鳴患者和健康被試的靜息態腦電（EEG），對比兩組數據在 δ（0.5～3 Hz）、θ（4～7 Hz）、α（8～13 Hz）、β（14～30 Hz）以及 γ（31～50 Hz）頻帶的功率譜拓撲圖的差異，以此探討耳鳴的神經機制。共招募了 16 名耳鳴患者和 16 名健康被試參加試驗。靜息態實驗結果發現，耳鳴患者靜息態頻譜能量在所關注的全部頻帶上都高于健康被試，利用 t 檢驗得到有統計學意義的差異區域主要集中在 θ 和 α 頻帶右顳葉，以及 β 和 γ 頻帶的左右顳葉、前額和頂葉區域。另外，本文還設計了任務態的注意力實驗，進一步研究耳鳴對注意力的影響。結果顯示，耳鳴患者注意力任務的分類準確率顯著低于健康被試，最高值分別為 80.21% 和 88.75%，提示耳鳴可能導致了患者的注意力衰弱。
心肌灌注顯像作為無創影像學技術之一，為冠心病心肌缺血的診斷提供依據。本文針對心肌灌注顯像圖中的靶心圖，基于U型網絡（U-Net）提出包含多層轉置卷積上采樣拼接模塊和四通路可加權通道注意力模塊的分支結構，并將分支結構的輸出結果與主干U-Net的輸出結果進行融合，實現心肌灌注靶心圖心臟缺血缺失程度部位的精確分割。實驗結果表明：多層轉置卷積上采樣拼接模塊實現了不同深度特征圖的融合，有效地降低與缺失程度相似的重度稀疏程度對分割的干擾。四通路可加權通道注意力模塊能進一步提高兩種相似程度的區分能力及對目標邊緣細節的學習能力，保留更豐富的邊緣細節特征。本文所用實驗數據來自天津醫科大學總醫院、天津泰達醫院、天津第一、第三中心醫院數據庫，在自建數據集上雅卡爾（Jaccard）系數較U-Net提高5.00%。研究結果表明，本文模型優于目前基于U-Net進行優化的其他模型，主觀評價滿足臨床診斷的精度要求。
基于電子計算機斷層掃描（CT）的肺結節檢測的早期篩查是降低肺癌死亡率的重要手段，而近年來三維卷積神經網絡（3D CNN）已經在肺結節檢測領域取得了成功并不斷深入發展。本文提出了一種基于多尺度注意力機制的3D CNN肺結節檢測算法。針對肺結節大小和形狀各異的特點，設計了一個多尺度的特征提取模塊，提取不同尺度的相應特征。通過注意力模塊，從空間和通道兩個角度挖掘特征間的關聯信息，對特征加強。提取出的特征進入類似金字塔的融合機制，使得特征中同時包含深層的語義信息與淺層的位置信息，更利于目標定位與邊界框回歸。在具有代表性的LUNA16數據集上，相對于目前先進的其他方法，本文方法能夠明顯地提高檢測靈敏度，可為臨床醫學提供理論參考。
心電圖（ECG）可直觀地反映人體心臟生理電活動，在心律失常檢測與分類領域中具有重要意義。針對ECG數據中類別不平衡對心律失常分類帶來的消極作用，本文提出一種用于不平衡ECG信號分類的嵌套長短時記憶網絡（NLSTM）模型。搭建NLSTM學習并記憶復雜信號中的時序特征，利用焦點損失函數（focal loss）降低易識別樣本的權重；然后采用殘差注意力機制（residual attention mechanism），根據各類別特征重要性修改已分配權值，解決樣本不平衡問題；再采用合成過采樣技術算法（SMOTE）對麻省理工學院與貝斯以色列醫院心律失常（MIT-BIH-AR）數據庫進行簡單的人工過采樣處理，進一步增加模型的分類準確率，最終應用MIT-BIH-AR數據庫對上述算法進行實驗驗證。實驗結果表明，所提方法能有效地解決ECG信號中樣本不平衡、特征不突出的問題，模型的總體準確率達到98.34%，較大地提升對少數類樣本的識別和分類效果，為心律失常輔助診斷提供可行的新方法。
準確分割磨玻璃肺結節（GGN）具有重要臨床意義。針對電子計算機斷層掃描（CT）圖像中GGN邊界模糊、形狀不規則、強度不均勻等特點導致其分割困難的問題，本文提出一種全卷積殘差網絡算法，即基于空洞空間卷積池化金字塔結構和注意力機制的殘差網絡（ResAANet）算法。該網絡算法利用空洞空間卷積池化金字塔（ASPP）結構擴大特征圖感受野，提取更充分的目標特征，并采用注意力機制、殘差連接和長跳躍連接充分保留卷積層提取的GGN敏感特征。首先，用上海市胸科醫院收集的565個GGN對ResAANet進行全監督訓練、驗證，得到穩定的模型；然后，利用收集的另84個GGN和肺部圖像數據庫聯盟 （LIDC）公共數據庫中145個GGN分別測試模型得到粗分割結果；最后，用連通域分析方法去除假陽性區域得到優化結果。本文所提算法在采集的臨床數據和LIDC測試集上的戴斯相似系數（DSC）達到83.46%、83.26%，平均重合度（IoU）達到72.39%、71.56%，切片分割效率達到0.1 s/張。與其他算法相比，本文提出的方法能準確、快速分割GGN，且具有較好的穩健性，可以為醫生提供結節大小、密度等重要信息，輔助醫生后續的診斷和治療。