重癥監護室中急性低血壓發生的預測研究是臨床醫學的重點與難點。本文應用非線性混沌分析方法, 對MIMICⅡ臨床記錄中患者的平均動脈壓時間序列信號進行分析, 構建患者的李雅普諾夫指數變化曲線。研究發現患者在急性低血壓癥狀發生前一般會出現明顯的指數曲線突變情況, 這為急性低血壓的有效預測提供了直觀的依據, 為急性低血壓的理論研究與應用提供了一條可參考的思路。
為了降低人體適應性對電刺激效果的影響,介紹了一種基于混沌信號的電刺激系統設計方法。首先在PC機上采用MATLAB軟件構建混沌模型,經迭代運算產生混沌信號。用NI公司的數據采集卡USB-6251將信號輸出到外部設備,再用LM3886模塊對信號進行功率放大。經粘貼或綁縛在人體皮膚上的電極,傳入信號以刺激內部神經。通過改變混沌模型的參數可獲得不同的刺激效果,從而降低了因生理電刺激適應性而導致的電刺激效果變差的影響。測試結果表明:混沌信號的隨機性增加了電刺激波形的多樣性;混沌信號的規則性保證了電刺激過程的舒適感,提出的方法為電刺激儀器的設計提供了一個新的方向。
為了科學評價人體站立平衡能力, 本文基于混沌系統非線性分析理論, 提出了一種新的評價方法。該方法利用運動平臺對受試者足底施加前后方向正弦式運動刺激, 采用三個加速度傳感器固定于受試者肩、髖、膝, 采集人體平衡調節的動態數據。通過重構系統的相空間, 計算得到受試者不同體段動態數據的最大Lyapunov指數(LLE), 用LLE的差值平方和(SSDLLE)作為平衡能力的評價指標。最后用該方法計算了20位受試者的平衡指標, 并與傳統評價方法的結果進行對比, 結果表明SSDLLE較為符合受試者的平衡表現, 可以在一定程度上用于評測人體的平衡能力。此外, 結果還表明人體各個關節的協調能力決定了平衡能力的優劣; 各體段的混沌特性的差異與個體的站立平衡能力是存在相關性的。
為了提高心臟起博器非接觸供電技術的可靠性, 本文提出了一種新穎的應用無線反饋穩壓技術調節心臟病患者內置供電濾波電路輸出電壓、電流的控制方法, 使其輸出電壓保持穩定, 從而確保超級電容和心臟起搏器得到穩定的供電電源。要實時地實施精確的電壓控制, 考慮原、副邊線圈電感耦合系數變化、外置供電電源電壓和負載的變化, 需要實時、準確檢測整流濾波后的輸出電壓、電流值。因此, 在基于混沌控制理論的基礎上, 本文采用快速觀測整流濾波后的電壓和電流的雙渦卷相圖算法, 可有效提高電路的檢測時間。所提出的控制方法其相圖可分解成8段, 得到7個零極值點, 當檢測到這些零極值點時, 根據零極值點的瞬時值得到對應的電壓、電流平均值。仿真與實驗結果表明, 采用上述控制方法, 可使開關器件的響應時間縮短為不超過1/2開關周期, 從而驗證了所提出檢測算法的可行性與有效性。
耳鳴是一種常見臨床癥狀, 發病率很高, 嚴重影響患者生活質量。科學研究表明, 利用某些相似不重復的音樂可緩解耳鳴。通過混沌系統直接映射合成的音樂雖整體符合相似不重復特性, 但其音樂內部仍會出現同一音調連續重復多次或音調突變情況。針對這一問題, 本文基于五聲音階、混沌理論, 借助樂器數字接口(MIDI)技術, 提出了一種新的耳鳴康復音生成方法。試聽結果表明, 這種方法生成的耳鳴康復音不僅具有自相似性, 在可控范圍內不會完全重復; 并且音樂內部不會有較大的音調突變, 因此將其應用于耳鳴治療具有一定參考價值。
準確區分生理序列隨機性與混沌性，且不受序列長度與參數的影響是衡量復雜度算法的關鍵。本文提出了一種編碼式Lempel-Ziv（LZ）算法，分別從序列隨機性與混沌性的區分、長度的影響、動力學性質突變的敏感性、高斯白與粉紅噪聲復雜度測量等4個方面與經典LZ算法、多狀態LZ算法、樣本熵以及排列熵進行比較。結果顯示，在短、中、長時（100、500、5 000點）下，編碼式LZ算法均能準確區分隨機與混沌性，正確測度高斯噪聲的復雜度低于粉紅噪聲，并能準確響應序列動力學性質的改變。本文采用美國麻省理工學院（MIT）和波士頓貝斯以色列醫院（BIH）聯合建立的的MIT-BIH心電數據庫中的充血性心力衰竭RR間期（CHF-RR）數據和正常竇性心律RR間期（NSR-RR）數據進行測試，實驗結果顯示，在各種時長下，編碼式LZ復雜度算法均能準確地得出心力衰竭的復雜度低于竇性心律（P＜0.01）的結果，且不受長度與參數影響，具有較強的泛化能力。
基于機器學習和信號處理的聲學檢測方法是目前病理嗓音檢測的重要手段，嗓音特征的提取是其中至關重要的一環。目前廣泛使用的特征，存在依賴基頻提取、易受噪聲影響、計算復雜度高等不足。針對這些不足，本文提出了一種基于多頻帶分析和混沌分析的病理嗓音檢測方法。使用gammatone濾波器組模擬人耳聽覺特性進行多頻帶分析，獲取不同頻帶的信號；根據嗓音中的混沌現象帶來的湍流噪聲會惡化頻譜收斂性的特點，對每個頻帶的信號進行短時傅里葉變換，提取特征gammatone短時譜自相似度（GSTS），分析每個頻帶信號的混沌程度，來區分正常和病理嗓音。實驗結果顯示，結合傳統機器學習方法，GSTS在馬薩諸塞州眼耳醫院（MEEI）病理嗓音數據庫中識別準確率達到99.50%，相比已有識別率最高的特征提升3.46%，同時特征提取時間相比傳統非線性特征大幅減少。該結果表明，相比已有特征，GSTS具有更高的提取效率和更好的識別效果。