腦機接口系統的核心問題之一是信號分類。本文針對腦電信號的異構融合特征的分類問題提出了一種新方法：封裝式彈性網特征選擇和分類。首先，對預處理后的腦電（EEG）信號聯合應用時域統計、功率譜、共空間模式和自回歸模型方法提取高維異構融合特征。其次，采用封裝方式進行特征選擇：對訓練數據采用彈性網罰邏輯回歸擬合模型，通過坐標下降法估計模型參數，運用10倍交叉驗證選擇出最優特征子集。最后采用已訓練的最優模型對測試樣本進行分類。實驗中采用國際BCI競賽Ⅳ的EEG數據，結果表明，該方法適用于高維融合特征的最優特征子集選擇問題，對于EEG信號的識別不僅效果好、速度快，而且能夠選出與分類更相關的子集，獲得相對簡單的模型，平均測試正確率達到了81.78%。
音樂誘發下的情感狀態評估結果可為輔助音樂治療提供理論支持與幫助。情感狀態評估的關鍵是情感腦電的特征提取，故本文針對情感腦電特征提取算法的性能優化問題開展研究。采用 Koelstra 等提出的分析人類情緒狀態的多模態標準數據庫 DEAP，提取 8 種正負情緒代表各個腦區的 14 個通道腦電數據，基于小波分解重構 δ、θ、α、β 四種節律波；在分析比較小波特征（小波系數能量和小波熵）、近似熵和 Hurst 指數三種腦電特征情感識別效果的基礎上，提出一種基于主成分分析（PCA）融合小波特征、近似熵和 Hurst 指數的腦電特征提取算法。本算法保留累積貢獻率大于 85% 的主成分，并選擇特征根差異較大的特征參數，基于支持向量機實現情感狀態評估。結果表明，使用單一小波特征（小波系數能量和小波熵）、近似熵和 Hurst 指數特征量，情感識別的正確率均值分別是 73.15%、50.00% 和 45.54%，而改進算法識別準確率均值在 85% 左右。基于改進算法情感識別的分類準確率比傳統方法至少能提升 12%，可為情感腦電特征提取以及輔助音樂治療提供幫助。
為了提高基于運動想象（MI）的腦控智能小車的控制性能，本文提出一種基于腦電（EEG）信號神經反饋（NF）控制智能小車的方法。采用 MI 心理策略，通過實時呈現該心理活動相關 EEG 信號特征的能量柱形圖給受試者，訓練受試者快速掌握 MI 技能并調節其 EEG 信號的活動，并以 MI 多特征融合和多分類器決策相結合的方法，從而在線腦控智能小車。訓練組（試驗前接受設計的反饋系統訓練）取得平均、最高和最低的識別指令準確率分別為 85.71%、90.47% 和 76.19%，對照組（不接受訓練）對應的準確率分別為 73.32%、80.95% 和 66.67%；訓練組平均、最長和最短用時分別為 92 s、101 s 和 85 s，對照組對應的用時分別為 115.7 s、120 s 和 110 s。通過以上試驗研究結果，期望本文可為后續基于 MI 的 EEG 信號 NF 控制智能機器人的開發提供新的思路。
肺結節是早期肺癌的主要表現形式，準確檢測肺結節對肺癌的早期診斷和治療具有重要意義。然而，由于肺部計算機斷層掃描（CT）圖像背景復雜、檢測范圍大，且肺結節大小不一、形態各異，所以快速準確檢測肺結節是一項極具挑戰的工作。為此，本文提出了一種融合多尺度特征的肺結節自動檢測算法，實現了肺結節的準確檢測。首先，在用于大規模圖像識別的深度卷積網絡（VGG16）上設計了具有三層模塊結構的肺結節檢測模型，利用網絡第一層模塊提取 CT 圖像中肺結節特征并粗略地估計肺結節位置；然后利用網絡第二層模塊融合多尺度的圖像特征信息進一步增強肺結節細節特征；而網絡第三層模塊融合分析第一層和第二層模塊的特征，得到多尺度下肺結節候選框；最后利用非極大值抑制方法對多尺度下肺結節候選框進行概率分析，得到最終的肺結節位置。本文應用肺部影像數據庫聯盟（LIDC）公共數據集上的肺結節數據對所提算法進行了驗證，平均檢測精度達到 90.9%。本研究成果可應用于肺結節自動篩查系統，有助于提升肺結節篩查精度。
疲勞估計在下肢康復訓練過程中對提高意圖識別精度、避免二次傷害有重要意義。現有方法多是僅利用表面肌電信號（sEMG）特征進行疲勞估計，未考慮加入蘊含疲勞狀態信息的心電信號（ECG）特征，識別率較低且不穩定。針對此問題，提出了一種將 ECG 與 sEMG 特征融合用于下肢康復疲勞估計的方法，設計改進的粒子群優化-支持向量機分類器，對融合特征向量進行識別，實現對輕松、過渡和疲累三種不同疲勞狀態的準確識別，最終三種狀態識別率分別為 98.5%、93.5%、95.5%。經實驗證明，該方法的平均識別率與只依靠 sEMG 特征相比提高了 4.50%，比未經特征融合的 ECG、sEMG 組合特征提高了 13.66%，證明將 ECG 與 sEMG 進行特征融合可以實現下肢康復疲勞的準確檢測。
為解決當前醫療設備維修難等問題，本研究提出一種基于長短時記憶網絡（LSTM）的醫療設備故障智能診斷方法。首先，在無電路圖紙、未知電路板信號走向情況下，采集 7 種不同故障類別的醫療設備電路板征兆現象及端口電信號兩種類別特征，并進行特征編碼、歸一化以及融合篩選等預處理；其次，基于 LSTM 搭建故障智能診斷模型，使用融合并篩選的多模態特征，進行故障診斷分類識別實驗，然后實驗結果與使用端口電信號、征兆現象及兩種類別特征融合等方式進行故障診斷識別對比；此外，與 BP 神經網絡（BPNN）、循環神經網絡（RNN）、卷積神經網絡（CNN）等算法進行故障診斷性能對比和評估。結果表明：基于融合并篩選的多模態特征，LSTM 算法模型的分類診斷準確率平均達到 0.970 9，較單獨利用端口電信號、征兆現象及兩種類別特征融合的故障診斷準確率更高；較 BPNN、RNN、CNN 等算法也具有更高的故障診斷準確率，為同類設備的故障智能診斷提供了一種相對可行的新思路。
運動想象腦-機接口（MI-BCI）作為最常見的主動式腦-機交互范式，仍存在指令集小、正確率低等瓶頸問題，其信息傳輸速率（ITR）與實際應用嚴重受限。本文設計了六指令想象動作，采集了 19 名被試的腦電信號（EEG），研究協同腦-機接口（cBCI）的協同策略對 MI-BCI 分類性能的提升效果，對比了不同群體規模、融合策略的變化對群體分類性能的影響。結果表明，最適的群體規模為 4 人，最佳的融合策略為決策融合，并且在該條件下群體的分類正確率達到了 77%，這比相同群體規模下特征融合策略有所提高（77.31% vs. 56.34%），并且比單用戶的平均水平明顯提高（77.31% vs. 44.90%）。本研究證明了 cBCI 協同策略可有效提升 MI-BCI 分類性能，為 MI-cBCI 研究及其未來應用奠定了基礎。
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。
ST段的形態變化和心血管疾病息息相關，不僅能表征不同的疾病，并且能夠預示患病的嚴重程度。但ST段持續時間短、能量低、形態多變并且受到多種噪聲的干擾，導致ST段形態分類成為一個難題。本文針對目前ST段形態分類存在的特征提取單一、分類準確率低等問題，利用ST曲面的梯度來提高ST段形態多分類的精度。本文對正常、上斜型抬高、弓背型抬高、水平型壓低、弓背型壓低五種ST段形態進行識別，首先根據QRS波群位置及醫學統計規律選定一個ST段候選段，其次提取ST段面積、均值、與參考基線差值、斜率、均方差特征。此外，將ST段轉換成曲面，提取ST曲面的梯度特征，與形態學特征組成特征向量，最后使用支持向量機分類，進而實現ST段形態多分類。采用麻省理工學院-貝斯以色列醫院數據庫（MITDB）和歐盟ST-T數據庫（EDB）為數據來源對本文算法進行驗證，結果顯示，本文算法在ST段識別過程中分別達到了97.79%和95.60%的平均準確率。基于本文研究結果，期望今后可在臨床環境中引入本文方法，為臨床中心血管疾病的診斷提供形態指導，提高診斷效率。
多任務運動想象腦電信號有效分類有助于實現精準的多維人機交互，充分利用受試者的高度頻域特異性可提升分類準確率和魯棒性。為此，本文提出基于自適應時頻共空間模式結合卷積神經網絡的多任務腦電信號分類方法。通過自適應頻譜感知提取受試者個性化節律特性，再采用一對多共空間模式計算空域特性，進而表征復合時域特性構建時空頻多層次融合特征，最后利用卷積神經網絡進行高精度高魯棒性四分類。本文采用包含10位受試者［（33 ± 3）歲］實測數據的自測數據集以及第四屆2018腦機接口競賽數據集2a（BCI competition Ⅳ-2a）對本文算法進行驗證，所提算法四分類平均準確率分別達到了93.96%和84.04%，且在公開數據集中本文算法相較于其它先進算法平均分類準確率明顯提高，受試者間準確率范圍誤差則大幅降低。結果表明，本文所提算法在多任務分類中表現出良好性能，能有效提高分類精度和魯棒性。