耳鳴為非外部刺激產生的主觀聽覺感知,發病率逐年升高,越來越引起重視。經過調查發現,用某些音樂來緩解耳鳴、調節消極情緒、減壓有很好的效果,能打破耳鳴與不良情緒之間的惡性循環鏈,但重復循環的音樂對耳鳴治療效果不大。因此,本文提出了一種基于音樂數字設備接口(MIDI)技術和粉紅噪聲生成耳鳴康復分形聲的方法。試聽實驗結果表明該方法生成的分形片段相似但又不完全重復,沒有音調突變,對用康復聲進行耳鳴治療有借鑒意義。
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。
目的探討Tsetlin Machine（TM）在心拍分類中的應用。 方法運用TM對中國生理信號挑戰賽2020數據集中正常、室性早搏和室上性早搏心拍圖片進行三分類，并對分類結果進行解釋性分析。該數據集包括10例心律失常患者的單導聯心電圖數據，排除1例心房顫動患者，最終納入9例患者數據。 結果分類結果表明，TM的九折平均識別準確率達84.3%，并且能通過位模式解釋圖展示分類判別的依據。 結論TM在分類心拍的同時能對分類結果作出解釋，對分類結果的合理解釋便于人們理解模型在進行心拍圖分類時的判決依據，進而增加模型的可信度。
目的通過機器學習技術對心房顫動（房顫）射頻消融術后房顫復發進行預測，并試圖尋找影響術后房顫復發的風險因素。方法納入 2017 年 1 月—2021 年 1 月因瓣膜病房顫在四川大學華西醫院及其分院（上錦分院）進行射頻消融手術的300例患者，其中男129例、女171例，平均年齡52.56歲。建立5個機器學習模型對房顫復發進行預測，將其中3個表現最好的模型組合成一個投票分類器，再次進行預測。最后使用SHApley Additive exPlanations方法進行風險因素分析。結果投票分類器得到的預測準確率為75.0%，召回率為61.0%，受試者工作特征曲線下面積為0.79。此外，還發現左心房內徑、射血分數、右心房內徑等因素對術后房顫復發存在影響。結論基于機器學習的瓣膜病房顫射頻消融術后復發預測可為房顫臨床診治提供一定參考，減少因無效消融給患者帶來的風險；根據研究中發現的風險因素，可為患者提供精準的治療。
目的 建立基于機器學習的框架，從瓣膜性心臟病患者中快速篩選出可能發展為心房顫動（房顫）的高危患者，并將風險預測的相關信息提供給臨床醫生作為臨床指導，以便及時做出治療決策。 方法 回顧性收集四川大學華西醫院及其分院的1 740例瓣膜性心臟病患者的臨床資料，其中男831例（47.76%）、女909例（52.24%），平均年齡54歲。基于以上數據，建立經典的logistic回歸、3種標準機器學習模型和3種集成機器學習模型，用于房顫的風險預測和特征分析。將機器學習模型的性能與經典logistic回歸進行比較，選擇了兩種最佳模型，應用SHAP（Sharpley Addictive Explanation）算法，提供群體和單體層面上的可解釋性。此外，我們還提供了特征分析結果的可視化。結果 Stack模型在所有模型中表現最好（房顫檢出率85.6%，F1分數0.753），而XGBoost在標準機器學習模型中表現優異（房顫檢出率 71.9%，F1分數0.732），且兩種模型的表現都明顯優于logistic回歸模型（房顫檢出率65.2%，F1分數0.689）。SHAP算法顯示，左心房內徑、二尖瓣E峰流速、右心房內徑、每搏輸出量和心功能分級是影響房顫預測的最重要特征。Stack模型和XGBoost都具有出色的預測能力和可解釋性。結論 Stack模型具有最高的房顫檢測性能和綜合表現，加載SHAP算法的Stack模型可用于篩選房顫高風險患者，并揭示相應的風險特征。我們的框架可用于指導房顫的臨床干預和監測。
目的評估機器學習算法在心臟瓣膜病心房顫動患者心臟血栓形成的預測和表征中的應用。方法本研究從四川大學華西醫院及其分院收集2016—2021年心臟瓣膜病伴心房顫動患者的臨床數據，從2 515例接受瓣膜手術的患者中篩選出886例瓣膜病伴心房顫動患者納入研究，其中男545例（61.5%）、女341例（38.5%），平均年齡（55.62±9.26）歲，192例患者術中證實有心臟血栓形成。采用5種監督機器學習算法來預測患者的血栓形成。基于患者的臨床數據（特征篩選后的33個特征），采用10折嵌套交叉驗證方法，通過曲線下面積、F1分數以及馬修斯相關系數等評價指標對模型的預測效果進行評價。最后，使用SHAP解釋方法來解釋模型，并以患者為例分析模型的特征。結果隨機森林模型各項綜合評估指標最佳，受試者工作特征曲線下面積為0.748±0.043，準確率79.2%。對模型的解釋和分析表明，每搏輸出量、二尖瓣E波峰值流速和三尖瓣壓力梯度等是影響預測的重要因素。結論隨機森林模型實現了最好的預測性能，有望被臨床醫生用作一種輔助決策工具，用于篩查患有瓣膜病心房顫動的高栓塞風險患者。
目的通過深度學習技術對柯氏音的不同時相進行自動分類，從而提高不同人群血壓測量的準確率。方法本研究設計了一種融合注意力機制（Attention）、殘差網絡（residual network，ResNet）和雙向長短時記憶網絡（bidirectional long short-term memory，BiLSTM）的柯氏音時相分類模型。首先從一整段柯氏音信號中逐拍提取出單個柯氏音信號，并將每個柯氏音信號轉換為梅爾頻譜圖；然后利用Attention注意力機制和ResNet網絡對梅爾頻譜圖進行局部特征提取，用BiLSTM網絡處理特征之間的時序關系，并使用全連接層網絡對特征進行降維，最后利用SoftMax函數實現分類。數據集采自于44位志愿者（女24位、男20位，平均年齡 36 歲），并使用10折交叉驗證的方法對模型性能進行驗證。結果所建立的模型針對5類柯氏音時相的整體分類準確率為93.4%，相比其它模型具有較好的分類性能。結論深度學習方法可以準確地對柯氏音時相進行分類，為后續設計以柯氏音時相分類為基礎的自動血壓測量方法奠定了有力的技術基礎。
目前在心臟外科手術精準治療中仍然存在部分亟待解決的問題，例如體外循環作為手術精準治療的關鍵因素之一，仍有許多核心環節依賴體外循環醫生和外科醫生的經驗結合主觀因素來對體外循環的狀況進行判斷，缺乏精確的數據反饋。隨著老齡人口的增加和手術難度的提高，體外循環過程中細節的精準反饋將為手術成功率的提高以及高難度手術的開展提供支持。為了克服這些問題中的關鍵性難點，除了需要殷實的醫學背景外，通常還需要多個學科領域的密切合作。組建涵蓋醫療、信息、軟件等行業相關專業人士的多學科合作團隊，能為這些難點提供優質的解決方案。本文以醫學與電子信息聯合團隊在心臟外科手術精準治療中的幾項專利作為示范，探討了在心臟外科手術精準治療領域中如何發現待解決的技術問題并找到相應的解決方案，同時分享了申請發明專利的經驗。