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。
冠狀動脈微循環損傷是目前缺血性心臟疾病再灌注手術預后的重要風險因素之一。近年來的相關研究表明，評估冠狀動脈微循環可以輔助診斷早期心臟供血類疾病或判斷心肌缺血再通的預后情況，具有重要的臨床意義。本文首先從病理生理學角度闡述了冠狀動脈微循環及微循環損傷的定義，其次從工程學角度概述了若干影像學技術對冠狀動脈微循環的探查方法及優劣，并提出了相關的研究展望。
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。
針對現代醫療設備維修貴、維修難、技術資料缺乏及維修力量不足的困境，本文提出了一種基于故障樹的多參數監護儀故障智能診斷專家系統。首先建立了多參數監護儀故障樹并進行了定性定量分析，然后基于故障樹分析結果構建了專家系統知識庫和推理機并確定了系統整體框架，最后采用頁面超文本預處理器(PHP)語言開發實現了多參數監護儀故障智能診斷專家系統，故障診斷準確率達80%。結果表明：基于故障樹和專家系統的兩種故障診斷技術融合可有效實現多參數監護儀故障智能診斷并提供排故建議，既能為多參數監護儀故障診斷提供經驗積累，又能為醫療設備故障診斷提供一種新的思路和技術支持。