為了使被動平衡康復訓練系統可以制定安全的訓練強度和訓練方式,本論文采用T-S模糊辨識方法建立了一種新的人體站立平衡系統數學模型。該模型以多維運動平臺的運動加速度為模型輸入,人體關節角度為模型輸出。采用人工蜂群尋優算法改進模糊C-均值聚類算法,提高了辨識前件參數的效率。通過試驗,采集了9位健康成年人的被動站立平衡調節數據,用于模型參數訓練和模型結果驗證。采用仿真結果和測量數據的均方差及互相關度,證明了所建模型是準確和合理的。
針對人體站立平衡姿態保持過程中, 下肢主要肌肉的肌力變化分布的最優求解問題。本研究將人體下肢運動肌肉骨骼簡化為具有3關節和9塊肌肉的平面物理模型, 并在此基礎上建立了用于冗余肌力優化求解的數學模型。分別利用粒子群優化(POS)單目標和多目標算法進行最優化求解。數值計算的結果表明多目標優化可以更合理地得到9組肌力的分布及變化規律。最后, 通過對仿真結果的分析, 定性地分析了被動運動下人體恢復站立平衡過程中各肌肉群的運動協調規律。
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。
由于心電圖(ECG)信號的特點以及在采集過程中所受到的干擾影響,ECG信號去噪已成為ECG信號智能分析的基礎。本文在基于小波變換方法的基礎上,對閾值參數進行改進,提出了與噪聲更加匹配的閾值表達式。利用改進的閾值對離散分解后的小波系數進行處理,通過小波逆變換重構信號,能夠更加準確地去除噪聲的小波系數,保留更多原信號小波系數。采用MIT-BIH中的數據進行實驗,結果表明,改進方法較之現有小波閾值去噪方法,能夠達到更好的去噪效果。
本文通過采集 6 種核心穩定訓練動作過程中的肌電信號，分析得出特定肌肉在不同動作下的疲勞狀態。試驗中，30 名受試者完成 6 種核心穩定訓練動作，分別是平板支撐、仰臥雙橋、仰臥單橋（左、右側交替）和兩點交叉支撐（左、右側交替），每種動作持續 1 min，兩種動作之間間隔 2 min。測量肌肉為身體左、右側的豎脊肌、腹外斜肌、腹直肌、股直肌、股二頭肌、脛骨前肌和腓腸肌。采用中位頻率的斜率值表征肌肉的疲勞狀態，結果顯示，在完成核心訓練動作過程中仰臥雙橋和仰臥單橋能引起豎脊肌更大的疲勞，平板支撐引起腓腸肌的疲勞度較大，而腹直肌的疲勞度在平板支撐與其它 5 種動作之間差異均具有統計學意義（P<0.05）；在 6 種核心穩定訓練動作中，所測肌肉左、右側疲勞度差異無統計學意義（P>0.05）。本研究所得結論，為核心穩定訓練動作針對不同肌肉塊的訓練效果提供了量化指導。
光學相干斷層掃描技術（OCT）已成為診斷冠狀動脈狹窄的關鍵技術，因其可識別影像中的斑塊及易損斑塊，所以該技術對輔助診斷冠心病具有十分重要的意義。但當前研究領域內尚缺乏對冠脈 OCT 圖像全自動、多區域、高精度的分割算法。因此本文提出了一種基于中智學理論的冠脈 OCT 圖像的多區域、全自動的分割算法，以期實現對纖維斑塊和脂質區的高精度分割。本文基于隸屬度函數重新定義了 OCT 圖像轉換至中智學領域 T 圖的方法，進而達到提高纖維斑塊的分割精度的目的。針對脂質區的分割，本算法加入同態濾波增強圖像，使用中智學將 OCT 圖像轉換至中智學領域的 I 圖，進一步使用形態學方法，實現高精度的分割。本文對 9 位患者、40 組具有典型斑塊的 OCT 圖像進行分析，并與醫生手動分割結果進行比較，實驗結果證明，本文算法避免了傳統中智學的過分割及欠分割問題，準確地分割出斑塊區域，且算法具有較好的魯棒性，因此本文工作或可有效提高醫生分割斑塊的準確率，期望可以輔助臨床醫生對冠心病的診斷與治療。
準確分割肺結節是醫生判定肺癌的重要前提。針對肺結節分割方法的誤分割問題，尤其是難以分離的與胸壁或血管相連的粘連型肺結節的問題，本文提出了一種基于改進的隨機游走算法來準確分割困難肺結節的方法。本文的創新點在于將圖像中節點和種子點的坐標值與空間距離相結合，加入測地線距離來重新定義權值，然后使用改進的隨機游走算法實現了對肺結節的準確分割。本文選取了 17 名不同類型肺結節患者的計算機斷層掃描（CT）圖像進行分割實驗，將實驗結果與傳統隨機游走方法以及幾種文獻方法進行了對比。實驗表明，本文方法在肺結節分割方面具有較好的精度，準確率超過 88%，單張肺結節 CT 圖像分割時間不超過 4 s。結果提示本文方法可用于對肺結節良惡性的輔助診斷，從而提高醫生的工作效率。
冠脈光學相干斷層成像（OCT）圖像斑塊區域分割是冠脈斑塊識別的前提和基礎，對后續斑塊特征分析及易損斑塊識別，進而實現冠脈疾病的輔助診斷分析具有十分重要的意義。本文提出了一種新的算法，使用K-means 算法與圖割算法結合，實現了冠脈 OCT 圖像斑塊準確的多區域分割——纖維化斑塊、鈣化斑塊和脂質池，并較好地保留了斑塊的邊界特征信息。本文實驗中對 20 組具有典型斑塊特征的冠脈 OCT 圖像進行了分割，通過與醫生手動分割結果比較，證明本文方法能準確地分割出斑塊區域，且算法具有較好的穩定性。研究結果證明了本文工作能夠極大減少醫生分割斑塊所消耗的時間，避免不同醫生之間的主觀差異性，或可輔助臨床醫生對冠心病的診斷與治療。
肌肉疲勞分析在康復醫學領域具有廣泛的應用。本文以康復訓練系統為應用背景，研究基于表面肌電信號的肌肉疲勞分析。通過對 10 名健康測試者在負載可調的功率自行車上進行負載遞增騎行實驗，同步采集了股外側肌、股直肌和豎脊肌的表面肌電信號和通氣閾值，并分析了各肌肉的肌電疲勞閾。同時分析了等長收縮和等張收縮對肌電疲勞閾測定的影響。實驗結果顯示在負載遞增騎行運動中，肌電疲勞閾值的出現要早于通氣閾值，但兩者差異很小，驗證了基于肌電疲勞閾來分析肌肉疲勞的有效性。對比分析騎行運動中等張收縮股外側肌和等長收縮豎脊肌的肌電疲勞閾，發現肌電疲勞閾對不同收縮方式的肌肉均具有效果。肌電疲勞閾不受肌肉運動形式限制，在康復訓練過程中能夠用于防止過度訓練引起的肌肉損傷，對于股骨干骨折患者康復訓練過程中的疲勞監護具有重要的意義。
下壁心肌梗死是一種病死率高的急性缺血性心臟病，易誘發惡性心律失常、心率衰竭、心源性休克等危及生命的并發癥。因而，開展對下壁心肌梗死準確高效的早期診斷研究具有重要的臨床價值。心電圖是早期診斷下壁心肌梗死最敏感的手段。本文提出了一種基于密集連接卷積神經網絡的下壁心肌梗死檢測方法。該方法將Ⅱ、Ⅲ和 aVF 導聯的原始心電信號串接數據作為模型的輸入，利用卷積層的尺度不變性提取心電信號中具有魯棒性的特征，并通過不同層間密集連接的方式加強了心電信號特征的傳遞，使得網絡能夠自動學習心電信號中魯棒性強且辨識度高的有效特征，從而實現下壁心肌梗死的準確檢測。本文還采用德國國家計量學研究所診斷公共心電數據庫進行驗證，本文模型的準確率、敏感性和特異性分別達到了 99.95%、100% 和 99.90%。在含有噪聲的情況下，模型的準確率、敏感性和特異性也均超過 99%。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，以幫助醫生快速診斷下壁心肌梗死。