本文設計了一款基于單片機控制的微型電動心臟按壓器。本系統利用脈寬調制技術控制直線步進電動缸的運動,以實現按壓頻率和按壓深度的精確控制和實時調節,達到在心肺復蘇(CPR)過程中長時間連續穩定的胸外按壓的目的,從而提高CPR的成功率。同時,該按壓器可產生不同類型的按壓波形,包括梯形波以及三角波。最后選用梯形按壓波形,通過成熟的心臟呼吸驟停的大鼠CPR模型驗證了機械按壓較人工按壓有更好的復蘇效果。
心肺復蘇（CPR）過程中實施的胸外按壓引起的偽跡會嚴重降低除顫節律辨識的可靠性。本文提出了一種無需參考信號的CPR偽跡自適應濾除算法。結合經驗模態分解（EMD）和獨立成分分析（ICA），將真正的心電節律信號從受CPR偽跡干擾的心電信號中分離出來。為評估算法的效果，構建了一個用于除顫節律辨識的反向傳播神經網絡。采集了1 484例受CPR偽跡干擾的豬的心電信號用于實驗。實驗結果表明，該算法可以在很大程度上抑制CPR偽跡的影響，從而顯著提高CPR過程中除顫節律辨識的準確性。
致死性心電節律的辨識和分類是自動體外除顫儀的關鍵任務。本文對已存在的心電節律辨識算法提取出的 21 個特征值進行了回顧性研究，并基于這些特征值構建了一個遺傳算法優化的反向傳播神經網絡。以數據庫提供的 1 343 例心電信號樣本用于實驗。實驗結果表明，本文構建的神經網絡在對竇性節律、心室顫動、室性心動過速、心臟停搏 4 類心電信號的辨識分類上有很好的表現，在測試集上的平衡準確性高達 99.06%；相較已存在的算法，辨識性能更好。將該算法應用在自動體外除顫儀上，將進一步提高除顫前節律分析的可靠性，最終提高心臟驟停的存活率。
急性呼吸窘迫綜合征（ARDS）是一種嚴重威脅人類生命健康的疾病，具有起病急、病死率高等特點。目前這種疾病的主要診斷和疾病嚴重程度分級標準依賴于血氣分析結果，從而計算患者的氧合指數（PaO2/FiO2，P/F），但是血氣分析是有創操作，且不能連續監測病情的發展。針對以上問題，我們提出了一種新的 ARDS 疾病嚴重程度的辨識算法。基于患者的多種無創生理參數，結合特征選擇技術，對多種生理參數進行重要性排序。利用交叉驗證技術評估辨識性能，比較不同特征子集下，使用神經網絡、邏輯回歸、AdaBoost、Bagging 四種監督學習算法的分類結果。通過不同特征子集下不同算法的敏感性、特異性、準確率、曲線下面積（AUC）來綜合選擇最優的特征子集和分類算法。我們利用四種監督學習算法，對 ARDS 嚴重程度進行區分（P/F ≤ 300）。根據 AUC 來評估算法性能，AdaBoost 在使用 20 個特征時，AUC = 0.832 1，準確率為 74.82%，取得了最優的 AUC。根據特征個數來評估算法性能，Bagging 在使用 2 個特征時，AUC = 0.819 4，準確率為 73.01%。該方法相較于傳統方法有較大的優勢，能夠連續監測 ARDS 患者的病情發展，為醫務人員提供輔助診斷建議。