云技術的發展使得很多領域能夠在遠程進行數據交互，極大地提高了各行各業運作的協同性，對醫療衛生行業更是產生了巨大的幫助和推進。該文首先基于云平臺技術提出了傷口數據由基層醫院匯總到中心醫院統一進行診斷的數據平臺架構。其次模擬了通過區域生長算法結合中值濾波技術的方法，對通過不同介質上傳的垂直角度傷口圖像進行標準化處理，從而獲得可對比和檢索的標準化傷口圖像。實驗結果驗證此框架設計下提出方法的有效性。
腦機接口(BCI)腦電圖(EEG)分類能實現人腦直接與外部環境的信息交互。提出了基于輔助訓練思想的半監督稀疏表示分類器方法在BCI EEG分類中的應用。首先采用稀疏表示分類器從未標記樣本中選擇部分相關度較高的樣本。其次采用Fisher線性分類器作為判別分類器得到已選樣本的邊界信息。通過距離大小和方向判別條件進一步選出高置信度樣本。本文對三組基準數據集BCIⅠ、BCIⅡ_Ⅳ和USPS分別進行仿真實驗,分類正確率分別為97%、82%和84.7%,運算速度最快的僅需約0.2s。在分類正確率和運算效率兩個方面,均優于自訓練半監督SVM、有導師SVM兩種方法。
針對利用稀疏角度投影數據實現優質CT圖像重建的問題,提出了一種改進的基于選擇性圖像全變差(TV)約束的快速迭代重建算法。該算法采用兩相式重建策略,首先利用代數重建算法(ART)重建中間圖像并進行非負性約束,然后采用選擇性TV最小化對上述圖像進行優化修正,兩步交替進行直到滿足某一收斂準則。為了進一步提升算法效能,該算法在迭代過程中應用快速收斂技術加快算法收斂。應用該算法對仿真的Sheep-Logan體模進行重建,實驗結果表明,該算法不僅提高了圖像的重建質量,保護了圖像的邊緣信息,而且顯著加快了迭代重建的收斂速度。
腦功能網絡探索是揭示大腦處理情緒時潛在神經聯系的重要手段,稀疏貝葉斯網絡(SBN)方法可以分析各區域因果特性及相互影響,逐漸被應用于腦網絡的研究中。本文提取了22名被試情緒腦電(EEG)的theta和alpha頻段,構建了不同情緒喚醒度的有效性腦網絡,并對節點的度、平均聚類系數和特征路徑長度進行分析。結果發現:①相比于低喚醒度的EEG信號,左中顳在高喚醒度狀態的因果影響都很明顯,而右前額的因果影響都不顯著;②高喚醒度的平均聚類系數較高,而低喚醒度的特征路徑長度較短。
由于大腦信息編碼的稀疏特性, 微電極陣列記錄的神經元集群信號中包含大量的噪聲和冗余信息, 這降低了運動意圖解碼的穩定性和精確度。針對這一問題, 本文將偏最小二乘(PLS)特征提取應用于神經元集群解碼中, 首先采用PLS提取神經元集群鋒電位發放特征, 然后用支持向量機(SVM)對提取的特征進行分類, 解碼得到運動意圖。采集三組鴿子十字迷宮轉向實驗中的大腦神經元集群信號進行解碼, 結果表明, PLS結合分類模型的解碼方法克服了PLS回歸易受噪聲累積影響的缺點, 穩定性和解碼正確率均更高, 相比傳統的降維方法, PLS提取特征個數更少, 包含有用信息更多, 三組實測數據的解碼正確率分別為93.59%、84.00%和83.59%。
本文擬研究心臟全心動周期各房室容積與時間的關系，用于指導動態心臟體模的運動測控。本課題組共篩選 50 例試驗對象以回顧性心電門控技術采集 20 個時相的心臟計算機斷層攝影造影（CTA）圖像，利用心功能分析軟件測量心臟全心動周期各房室容積值。將患者按照性別、年齡、體重、身高、心率等因素分組，采用重復測量設計方法進行統計學分析，利用結構化稀疏算法擬合容積時間關系的數學表達式。研究結果顯示，以性別、年齡、體重、身高和心率分組，在時間點上各房室容積值的差異均具有統計學意義（P = 0.000）；時間因素與性別分組在左心室存在交互作用（F = 8.597，P = 0.006），其余分組與時間因素不存在交互作用；右心室在不同體重分組之間容積值的差異具有統計學意義（F = 9.004，P = 0.005），其余各分組之間容積值的差異均無統計學意義。其次，以結構化稀疏算法與最小二乘法擬合的心臟各房室容積時間關系式的準確度相當，但前者擬合結果的表達式更簡潔，其基函數的非零元個數僅為最小二乘法的 2.2%，且魯棒性測試表明，擬合結果魯棒性可靠。基于本文以上研究結果提出，若將擬合關系式用于心臟運動測控或能更準確模擬動態心臟的運動規律，為動態心臟體模運動仿真的測控裝置研究奠定了一定的理論基礎。
臨床上原發性腦部淋巴瘤（PCNSL）和膠質母細胞瘤（GBM）的治療方案存在很大差異，因此治療前對二者的精確鑒別具有重要臨床價值。本文提出一套基于稀疏表示體系的腫瘤自動鑒別方法，利用 PCNSL 和 GBM T1 加權磁共振成像（MRI）圖像紋理細節信息的差異鑒別這兩種腫瘤。首先，基于影像組學的思想，設計一種基于字典學習和稀疏表示的腫瘤紋理特征提取方法，將不同體積、不同形狀的腫瘤區域轉化為 968 維紋理特征；其次，針對提取特征存在的冗余問題，建立迭代稀疏表示方法選擇少數高穩定性高分辨力的特征；最后，將選擇的關鍵特征送入稀疏表示分類器（SRC）分類。利用十折法對數據集進行交叉驗證，鑒別結果的準確率為 96.36%，敏感度為 96.30%，特異性為 96.43%。實驗結果表明，本文方法不僅能夠有效地鑒別 PCNSL 和 GBM，還避免了使用先進 MRI 鑒別腫瘤時存在的參數提取問題，在實際應用中具有較強的魯棒性。
醫學核磁共振圖像重構技術是核磁共振成像領域的關鍵技術之一。壓縮感知理論指出利用核磁共振圖像的稀疏性能夠從高度欠采樣的觀測值中精確重構圖像。如何利用圖像的稀疏性先驗以及更多的先驗知識來提高重構質量成為核磁共振成像的一個關鍵問題。本文根據綜合稀疏模型和稀疏變換模型的相互補充作用，利用核磁共振圖像在這兩種模型下的稀疏性先驗，將結合了綜合稀疏模型與稀疏變換模型的雙稀疏模型應用于壓縮感知核磁共振圖像的重構系統，提出了一種融合雙字典學習的自適應圖像重構模型。本文充分利用了圖像在自適應綜合字典學習和自適應變換字典學習下的兩種稀疏先驗知識，使用交替迭代最小化法對提出的模型進行分階段求解，求解過程中引入了綜合 K-奇異值分解（K-SVD）算法和變換 K-SVD 算法。通過實驗驗證，與目前較好的核磁共振圖像重構模型對比，本文提出模型的圖像重構效果更好、收斂速度更快，且具有更好的魯棒性。
本研究旨在通過對腦電信號的優化特征進行提取和分類以實現單次運動想象的解碼。在多通道腦電信號分類識別中，各通道數據以及空間濾波器的數目選擇方面往往缺乏有效的特征選取策略。針對此問題，提出了一種結合稀疏思想和貪婪搜索的方法對共空間模式的特征提取進行改進。采用改進后的共空間模式可以有效克服傳統方法提取的特征向量空間會存在特征模式重復選取的問題，提取的特征差異更明顯。然后采用 Fisher 線性判別分析對其進行分類。結果表明所提出方法的準確性較傳統共空間模式方法提高了 19%，利用更少的數據便可以使判別準確率達到最優。本文在腦電信號的特征提取方面取得的研究成果，為實現運動想象腦電信號解碼奠定了基礎。
麻醉意識狀態監測是神經科學基礎研究及臨床應用中的重要問題，受到廣泛關注。本研究為尋找臨床麻醉意識狀態監測指標，共采集 14 位全麻手術患者在三種意識狀態（清醒、中度麻醉、深度麻醉）下各 5 min 靜息態腦電數據，對比采用稀疏偏最小二乘（SPLS）和傳統的同步似然（SL）方法計算腦功能連接，通過連接特征來區分麻醉前后三種意識狀態。通過全腦網絡分析，本文 SPLS 方法與傳統 SL 方法得到的不同意識狀態下的網絡參數變化趨勢一致，并且采用 SPLS 方法所得結果的差異具有統計學意義（P<0.05）。對 SPLS 方法得到的連接特征運用支持向量機進行分類，分類準確率為 87.93%，較使用 SL 方法得到的連接特征分類準確率高出 7.69%。本文研究結果顯示，基于 SPLS 方法進行功能連接分析在區分三種意識狀態方面有更好的性能，或可為臨床麻醉監測提供一種新思路。