摘要:

摘要:阿尔茨海默症（Alzheimer’s disease， AD）作为一种不可逆转的神经退行性疾病，能在其发病初期进行干预治疗对病情的控制和改善具有重要意义。近年来，研究者广泛地使用深度学习方法对AD的核磁共振成像（Magnetic resonance imaging， MRI） 进行分析并做出早期诊断。但AD早期的脑部结构变化与正常人差别较小，目前单一尺度的分析方法难以有效捕捉到这些细小差别的特征。针对以上问题，本文提出特征增强金字塔网络（Feature enhanced pyramid network， FEPN）进行AD的MRI早期诊断，通过设计的浅层特征重提取模型利用上下文信息补充高层特征，并计算融合权重指导高低层特征图的融合，增强了上下文信息交互和多尺度特征融合的匹配度。对比实验采用Kaggle公开的Alzheimer数据集对该方法进行验证，实验结果表明，相比于其他同类方法，FEPN有效提升了4种AD脑状态（非痴呆、非常轻度痴呆、轻度痴呆、中度痴呆）MRI的分类精度。

摘要:运动控制是神经、运动和感觉功能的多方面协调及信息交互作用过程，探究运动系统中运动-生理信息间的关联关系对于理解人体运动控制机制具有重要意义。为此，本文通过对脑电信号（Electroencephalogram， EEG）和惯性信息中的加速度信号（Acceleration， ACC）进行相干分析，探究上肢静息态和任务态时EEG和ACC信号间的因果关系及演变规律。首先，通过对7名受试者的EEG和ACC信号进行预处理，去除信号中的干扰成分；进一步，分别计算在静息态、任务态（动态力、静态力）下的EEG和ACC信号间的相干性结果，并通过显著相干的阈值指标来计算显著性面积进而实现量化分析。结果显示，在动态力下的EEG-ACC相干显著性面积大于静态力下的值，静态力下的显著性面积大于静息态下的值；且分别在左、右侧上肢运动时，EEG的C3、C4通道与ACC间的显著性面积也呈现出在对侧运动脑区显著。研究结果表明，EEG和ACC信号间的同步特征在上肢运动的静息态、任务态（动态力、静态力）下有显著特征，这有助于深入理解神经-运动控制机制，为运动功能评估提供新的定量指标，进而为运动功能障碍疾病的早期诊断提供理论依据。

摘要:弥散磁共振成像（Diffusion magnetic resonance imaging， dMRI）是一种重要的无创检测生物组织微观结构的医学成像工具，其中弥散微循环模型（Intravoxel incoherent motion ，IVIM）是已被广泛用于分离组织水扩散和微血管血流运动的弥散磁共振成像模型。求解弥散微循环模型参数的传统方法依赖于从多b值扩散弥散磁共振成像数据（通常≥10个b值）中拟合双指数模型，这需要一个相对较长的采集时间，对于体部弥散微循环模型成像是一个挑战。深度学习方法可以使用q空间数据的一个子集进行弥散磁共振成像模型参数估计，从而加速弥散磁共振成像的采集。然而，常见的基于卷积神经网络的深度学习与生物物理模型无关，因此，网络输出结果缺乏可解释性。本文将稀疏编码与深度学习相结合，提出了一种基于稀疏编码深度学习网络的弥散微循环模型参数估计方法。它利用了深度网络的表达优势，同时结合稀疏化表达的双指数模型来估计胎盘的弥散微循环模型参数，相比于其他算法，本文所拟的算法实现了更高的参数估计准确率和泛化能力。

摘要:脑出血是一种在患者颅内突然发生的重急症，常伴随有强烈的症状和较高致死率，基于脑CT影像对脑出血进行自动化快速诊断具有重要意义。其中，临床上有效应用的实现不仅要求诊断结果的准确性、诊断速度和结果解释能力，尤其要重视出血漏检情形。因此本文提出代价敏感的Faster R-CNN模型，通过自动调节模型中锚的训练样本比例以及在损失函数中引入衡量阳性样本重要性的超参数等方式，更多地关注阳性样本和漏检情形提升检测效果，最后通过定位的具体目标区域来诊断脑内出血情况。经多次实验选择性能最优的网络结构和合适的超参数，利用多项指标度量最终模型的检测和诊断效果。实验结果表明，代价敏感的Faster R-CNN方法能够从减少漏检的角度上更好地识别出血区域，进而提高不平衡代价下的脑出血诊断效果。

摘要:颅内动脉瘤是一种具有较高致死和致残率的常见脑血管疾病。近年来，临床对基于影像的智能化和精准化的疾病诊断策略提出了迫切需求，其中血管及病灶的精准分割是其重要基础。本文提出了一种新型的颅内动脉瘤血管多结构分割框架，利用血管先验灰度特征建立了自适应的数据采样方法，并设计了一种基于Dense机制的深度网络模型实现血管分割。本文收集了135例颅内动脉瘤患者（年龄分布：54.7±12.7岁， 75名男性）的飞行时间磁共振血管影像进行模型的训练和测试。相比于原空间采样和图像压缩方法（平均Dice相似性系数：0.829和0.780），自适应采样方法可以明显提升血管分割的精度（平均Dice相似性系数：0.858）；与经典的3D UNet、SegNet和DeepLabV3+网络相比（平均Dice相似性系数：0.854，0.824和0.800），基于Dense机制的网络能够利用更少的计算资源实现更优的分割效果，对于不同位置和大小的动脉瘤也表现出良好的分割鲁棒性。

摘要:随着医学影像数据的不断发展，纵向数据分析逐渐成为了解和跟踪阿尔茨海默病（Alzheimer’s disease， AD）发病过程的重要研究方向。目前已经提出了许多纵向数据分析方法，其中多任务学习得到广泛应用，它能够集成多个时间点的影像数据，提高模型的泛化能力。大多数现有的方法能够识别不同时间点的共享特征，但这些特征中会包含一定的噪声。与此同时，不同时间点进展的潜在关联仍未得到充分的探索。本文提出了一种基于参数分解和关系诱导的多任务学习（Parameter decomposition and relation-induced multi-task learning， PDRIMTL）方法，以此从纵向数据中识别特征。该方法不仅能够识别去除噪声后的共享特征，提高共享特征的鲁棒性，而且能够对不同时间点的内在关联进行建模。结果表明，在不同时间点的结构磁共振成像（Structural magnetic resonance imaging，sMRI）数据上，该模型能够有效提高对AD鉴别的准确性。

摘要:有效地分析处理癫痫脑电信号并对其准确分类可以进一步完善癫痫检测问题。因此，各种深度学习方法逐渐应用到该问题中，如使用BiLSTM模型对癫痫脑电的一维时间序列数据进行处理。为进一步提高癫痫脑电分类的准确率，本文将癫痫脑电的一维时间序列数据转换为二维图像，使用EfficientNetV2模型来实现癫痫检测的二分类。同时，引入梯度加权类激活映射（Gradient-weighted class activation mapping， Grad-CAM）对二维图像分类进行可视化分析。对德国伯恩大学脑电癫痫脑电信号数据集的预处理版本进行分类实验，EfficientNetV2模型的准确率达到了98.69％，优于BiLSTM模型。结果表明，EfficientNetV2模型可以有效通过二维脑电图像实现癫痫脑电分类，而且分类准确率更高。

摘要:功能性连接（Functional connectivity， FC）可以表示脑区的协同工作能力，目前广泛采用动态功能性连接（Dynamic functional connectivity，DFC）和聚类分析相结合的方法研究疾病的显著性差异分析和分类。但现有研究，对于聚类个数的确定和聚类结果选用并没有明确的标准，且传统的DFC无法表示不同频率的FC信息。因此，本文对轻度认知障碍（Mild cognitive impairment， MCI）磁共振信号中固有频率DFC聚类问题进行研究。首先对被试的时间进程（Time course，TC）数据做噪音辅助的多元经验模态分解并计算DFC；然后通过评判辅助的聚类方法做聚类分析，再采用最小二乘对聚类结果做拟合；最后采用分类器做分类。实验采用阿尔茨海默病神经影像学（Alzheimer’s disease nearoimaging， ADNI）数据库的数据对本文算法进行测试。实验结果表明，有监督聚类分类准确率高于无监督聚类；引入固有频率的DFC分类准确率要高于传统的DFC；最小二乘拟合能提升分类准确率。

摘要:提出一种基于深度卷积联合适应网络（Convolutional neural network-joint adaptation network，CNN-JAN）的脑电信号（Electroencephalogram， EEG）情感识别模型。该模型将迁移学习中联合适应的思想融合到深度卷积网络中，首先采用长方形卷积核提取数据的空间特征，捕捉脑电数据通道间的深层情感相关信息，再将提取的空间特征输入含有联合分布的多核最大均值差异算法（Multi-kernel joint maximum mean discrepancy，MK-JMMD）的适配层进行迁移学习，使用MK-JMMD度量算法解决源域和目标域分布不同的问题。所提方法在SEED数据集上使用微分熵特征和微分尾端性特征分别进行情感分类实验，其中使用微分熵特征被试内跨试验准确率达到84.01%，与对比实验和目前流行的迁移学习方法相比，准确率进一步提高，跨被试实验精度也取得较好的性能，验证了该模型用于EEG信号情感识别任务的有效性。

摘要:学生的学习情况与其课堂注意力状态密切相关。为了探寻注意力训练能否提高课堂注意力，对10名在校学生进行了α音乐训练，并收集了训练前后的非注意和注意状态的脑电（Electroence-phalogram，EEG）信号进行对比研究。由于EEG信号本质上是动态的，且具有低信噪比和高冗余度的特性，为避免直接通过神经网络识别EEG信号效果差的问题，提取了信号的样本熵（Sample entropy，SampEn）、各个波段的能量和能量比共11个特征，并将这些特征进行融合转化为多特征图像，作为神经网络模型的输入。此外，将AlexNet和VGG11两个网络模型进行加权融合构成双卷积神经网络，进一步提高了图像分类性能。结果表明，与单个模型相比，双卷积神经网络融合模型的性能更佳，其识别准确率最高可达到97.53%。研究发现，经过α音乐训练，受试者的脑电特征与此前相比有显著性差异，且网络模型的分类准确率比训练前提高了4%，说明本文所提的α音乐训练能够提高健康学生的注意力水平。

摘要:出血量是脑出血疾病分级、治疗方案确定和预后判断的重要指标。但由于大脑结构的复杂性、血肿形态和位置的多样性，在CT影像中准确可靠地分割血肿和测量出血量极为困难。本文提出一种基于自注意力机制深度学习网络的脑血肿分割和出血量测量算法。首先，为克服大脑结构的复杂性，弥补卷积模块只能进行线性运算和提取局部特征的缺点，在分割网络编码器末端引入自注意力模块，通过高阶运算，提取图像全域的特征关联特性，从全局角度提取血肿；然后引入通道和空间注意力模块，通过训练学习得到各个通道和特征区域上的权重，通过该权重突出有用信息，抑制无用信息；最后，根据脑出血患者多层CT影像切片的血肿分割结果，计算出血量。在真实脑出血CT影像数据集上的实验结果表明，本文算法在多种情况下的脑血肿分割和出血量测量上均取得了较好的效果，即使在形状不规则或贴近颅骨的情况下，本文算法仍然较为有效。

摘要:心理生理计算目前主要基于同步芯片的神经生理信号采集技术进行分析研究，而人体神经生理活动表征具有异步属性，同步采集技术无法精准、实时和高效地刻画人体神经生理信号活动规律。如何低功耗、低冗余、实时精准地采集异步多模态神经生理信号成为心理生理计算首要解决的难题。针对这一难题，本文以研究微观神经生理活动规律和宏观心理生理活动为目的，解决异步多模态生理信息采集方案和相匹配的被动生理信号传感技术的设计难点，设计研发了首款异步生理信号处理芯片，该芯片具备低功耗、高精度时序、高性能计算和抗干扰的特点。最后展望了该芯片在脑科学和类脑计算领域的应用前景。

摘要:针对人为提取的冗余特征集和无关特征集导致可穿戴传感器的人体活动识别分类性能降低的问题，提出一种基于启发式集成特征选择的人体活动识别方法。该方法首先选取了包含功率谱密度（Power spectrum density， PSD）的特征集用于识别易混淆的活动，在此基础上借助皮尔逊系数法（Pearson correlation coefficient， PCC）筛选出低相关的特征子集，然后使用改进的正余弦优化算法（Sine cosine algorithm， SCA）进行特征优化，通过两次特征筛选得到最优特征子集。实验结果表明，在实验室采集的数据集中使用该方法后的特征子集维数为34，识别准确率达到了98.21%。在公开的SCUT-NAA数据集中进行对比实验，特征子集维数为39，低于以往基于该数据集研究方法的特征维数，并且识别准确率达到了96.51%。

摘要:基于步态参数的定义，研究并提出了使用微软最新一代Azure Kinect无标记运动捕获系统（以下简称Kinect系统）采集并提取步态参数的方法，同时在数据处理中分别采用自适应滤波、指数滤波、卡尔曼滤波及无滤波条件，以提高步态参数计算结果的准确性与可靠性。为了评价本文计算方法的准确性与滤波效果，将提取的步态参数结果与同步实验的Qualisys标记式运动捕获系统（瑞典Qualisys公司，简称Q标记法）的结果进行统计学对比分析，并据此对不同滤波方法进行评价。结果显示，总体而言Kinect系统与Q标记法的结果一致性较高，结果均落在95%一致性界限内，并且在有滤波条件下的准确度要高于无滤波条件，且卡尔曼滤波的效果最好；在单个步态参数方面，步速的结果在所有滤波条件下均有较大差异性，无法应用；对于其他参数，本文方法表现了较高的准确性与一致性，并且应用卡尔曼滤波后的一致性与可靠性都有所提高。应用本文方法并使用卡尔曼滤波进行平滑处理后，Kinect系统可以较为准确地计算健康人的步态参数，并在某些情况下代替标记法设备。

摘要:现有H型高血压诊断需要检测患者体内的伴有血浆同型半胱氨酸含量，效率低且带有创口。中医学脉诊可以通过分析患者脉搏生理活动，结合临床问诊信息实现H型高血压无创辅助诊断。本文提出了基于混合深度学习的脉诊分类模型，在具有双向长短时记忆（Bi-directional long short-term memory，BiLSTM）网络中增加卷积神经网络（Convolutional neural network，CNN）结构提取脉诊特征局部相关特征，构建基于CNN-BiLSTM结构的高血压脉诊分类网络。实验采用上海中医药大学附属龙华医院及中西医结合医院的325例临床疑似高血压脉诊病例。实验结果表明本文模型评估参数灵敏度、特异性、正确率、F₁-score、接收者操作特征（Receiver operating characteristic，ROC）曲线及其下方围成的面积（Area under curve，AUC）值分别为：79.71%、69.56%、77.17%、83.96%、0.850 0，高于经典机器学习方法的诊断精度，对中医临床辅助诊断具有较好的参考价值。

摘要:许多应用程序会产生大量的流数据，如网络流、web点击流、视频流、事件流和语义概念流。数据流挖掘已成为热点问题，其目标是从连续不断的流数据中提取隐藏的知识/模式。聚类作为数据流挖掘领域的一个重要问题，在近期被广泛研究。不同于传统的静态数据聚类问题，数据流聚类面临有限内存、一遍扫描、实时响应和概念漂移等许多约束。本文对数据流挖掘中的各种聚类算法进行了总结。首先介绍了数据流挖掘的约束；随后给出了数据流聚类的一般模型，并描述了其与传统数据聚类之间的关联；最后提出数据流聚类领域中进一步的研究热点和研究方向。

摘要:语音合成技术日趋成熟，为了提高合成情感语音的质量，提出了一种端到端情感语音合成与韵律修正相结合的方法。在Tacotron模型合成的情感语音基础上，进行韵律参数的修改，提高合成系统的情感表达力。首先使用大型中性语料库训练Tacotron模型，再使用小型情感语料库训练，合成出具有情感的语音。然后采用Praat声学分析工具对语料库中的情感语音韵律特征进行分析并总结不同情感状态下的参数规律，最后借助该规律，对Tacotron合成的相应情感语音的基频、时长和能量进行修正，使情感表达更为精确。客观情感识别实验和主观评价的结果表明，该方法能够合成较为自然且表现力更加丰富的情感语音。

摘要:设计了一种基于现场可编程门阵列（Field programmable gate array， FPGA）的低硬件成本256点快速傅里叶变换（Fast Fourier transform， FFT）处理器的IP核。采用按频率抽取的基-2⁴算法和单路延迟负反馈（Single-path delay feedback， SDF）流水线架构用于减少旋转因子的复数乘法运算复杂度。为了降低硬件成本，提出了一种串接正则有符号数（Canonical signed digit， CSD）常数乘法器取代常用的布斯乘法器用来完成旋转因子W256i与对应序列的复数乘法运算，同时这种乘法器还能够移除存储旋转因子系数的只读存储器（Read only memory， ROM）。该处理器IP核基于QUARTUS PRIME平台进行综合，在Cyclone 10LP FPGA上实现。结果显示，该FFT处理器最高工作频率为100 MHz，对于24位符号数FFT运算，逻辑单元（Logic elements， LEs）使用量与记忆体位（Memory bits， MBs）使用量仅为3 978 LEs和6 456 MBs。

摘要:为解决现有存储方案无法满足在特定功能需求下存储速度与设备体积双重要求的问题，本文设计一种基于现场可编程逻辑门阵列（Field programmable gate array， FPGA）控制的SD3.0版本TF卡控制器，旨在占用最小体积的同时实现更高速的数据存储。通过自行设计的小型数据采集卡，将24 bit位宽的数据经过DDR3、FIFO、RAM、两级缓存最终存入TF卡中。分别从硬件、软件两方面介绍了方案的设计，其中硬件部分主要包括电路工艺、采集卡指标与板级信号完整性验证；软件方面主要包括存储流程、RTL级验证与TF卡测试方案。实验结果表明，本文设计的PCB电路可提供SD3.0协议所需的电压转换和数据存储功能，并且板卡功能稳定，集成度较高，部分TF卡测试的速度超过60 MB/s，长时间测试性能稳定，具有良好的通用性，满足设计要求，为小型化存储实验提供了解决方案。