生物医学信号处理
2022, 37(1):134-146.
DOI: 10.16337/j.1004-9037.2022.01.011
摘要:
针对全麻手术患者术中低体温发生率高、影响因素复杂的问题，提出了一种基于特征选择和XGBoost优化的术中低体温预测模型，以更好辅助医生对全麻手术患者的临床诊断。首先，利用随机森林（Random forest， RF）在处理高维数据集上的优势，通过RF的袋外估计法进行特征选择。然后，以极端梯度提升（XGBoost）为基础，利用基于精英保留策略的遗传算法，即EGA算法优化XGBoost超参数。最后，根据最优参数训练预测模型，并用于术中低体温预测。该模型组合利用3种算法优点，提升模型泛化能力和预测精度。实验结果表明：本文所提模型与逻辑回归、支持向量机等7种机器学习预测模型相比，预测准确率、精确度、召回率、AUC均有优势；与现有其他预测模型相比均有提升。
针对全麻手术患者术中低体温发生率高、影响因素复杂的问题，提出了一种基于特征选择和XGBoost优化的术中低体温预测模型，以更好辅助医生对全麻手术患者的临床诊断。首先，利用随机森林（Random forest， RF）在处理高维数据集上的优势，通过RF的袋外估计法进行特征选择。然后，以极端梯度提升（XGBoost）为基础，利用基于精英保留策略的遗传算法，即EGA算法优化XGBoost超参数。最后，根据最优参数训练预测模型，并用于术中低体温预测。该模型组合利用3种算法优点，提升模型泛化能力和预测精度。实验结果表明：本文所提模型与逻辑回归、支持向量机等7种机器学习预测模型相比，预测准确率、精确度、召回率、AUC均有优势；与现有其他预测模型相比均有提升。
2022, 37(1):155-163.
DOI: 10.16337/j.1004-9037.2022.01.013
摘要:
放射治疗计划系统需要CT图像准确计算剂量分布，但有时临床只能获得MR图像。图像合成能有效利用现有图像合成新模态图像，从而增强图像信息。针对MR图像生成CT图像问题，综合循环一致生成对抗网络不成对数据可训练合成新模态图像的特点，以及密集连接网络的特征复用和优化信息流传播的优点，提出融合密集连接的循环生成对抗网络模型，改善输入信息的消失和梯度信息稀释，合成更可信的CT图像。在18个病人的数据集上训练和验证模型，优化后的循环生成对抗网络与原方法相比，平均绝对误差降低了3.91%，结构相似性提高了1.1%，峰值信噪比提高了4.4%；与深度卷积神经网络模型和基于图谱方法比较，相对误差分别降低了0.065%和0.55%。本文利用深度学习模型优点，能根据MR图像合成更接近真实的CT图像，更好地满足放射治疗计划系统剂量计算的需求。
放射治疗计划系统需要CT图像准确计算剂量分布，但有时临床只能获得MR图像。图像合成能有效利用现有图像合成新模态图像，从而增强图像信息。针对MR图像生成CT图像问题，综合循环一致生成对抗网络不成对数据可训练合成新模态图像的特点，以及密集连接网络的特征复用和优化信息流传播的优点，提出融合密集连接的循环生成对抗网络模型，改善输入信息的消失和梯度信息稀释，合成更可信的CT图像。在18个病人的数据集上训练和验证模型，优化后的循环生成对抗网络与原方法相比，平均绝对误差降低了3.91%，结构相似性提高了1.1%，峰值信噪比提高了4.4%；与深度卷积神经网络模型和基于图谱方法比较，相对误差分别降低了0.065%和0.55%。本文利用深度学习模型优点，能根据MR图像合成更接近真实的CT图像，更好地满足放射治疗计划系统剂量计算的需求。
2022, 37(1):82-93.
DOI: 10.16337/j.1004-9037.2022.01.007
摘要:
针对当前人眼定位相关算法任务单一、且在多种干扰因素影响下（如光照、眼镜、遮挡）性能下降的问题，提出了可同时检测人眼感兴趣区域、识别人眼多种属性及定位关键点的轻量型神经网络MEL-YOLO。将YOLOV3算法与改进的DS-sandglass模块结合，在关键点回归分支应用去归一化的编解码方法提高网络定位宽度，并且在损失函数引入完全交并比（Complete intersection-over-union，CIoU）和均方误差（Mean square error，MSE），使得网络整体性能提升。MEL-YOLO算法在近红外虹膜数据集上人眼检测准确率为100%；属性识别和关键点定位准确率分别为98.7%和96.5%，在可见光数据集UBIRIS上分别达到92%和91%。实验结果证明：MEL-YOLO能同时实现人眼检测、属性识别及关键点定位，且准确率高、模型较小、泛化能力强，能够适用于低性能的边缘计算设备。
针对当前人眼定位相关算法任务单一、且在多种干扰因素影响下（如光照、眼镜、遮挡）性能下降的问题，提出了可同时检测人眼感兴趣区域、识别人眼多种属性及定位关键点的轻量型神经网络MEL-YOLO。将YOLOV3算法与改进的DS-sandglass模块结合，在关键点回归分支应用去归一化的编解码方法提高网络定位宽度，并且在损失函数引入完全交并比（Complete intersection-over-union，CIoU）和均方误差（Mean square error，MSE），使得网络整体性能提升。MEL-YOLO算法在近红外虹膜数据集上人眼检测准确率为100%；属性识别和关键点定位准确率分别为98.7%和96.5%，在可见光数据集UBIRIS上分别达到92%和91%。实验结果证明：MEL-YOLO能同时实现人眼检测、属性识别及关键点定位，且准确率高、模型较小、泛化能力强，能够适用于低性能的边缘计算设备。
2022, 37(1):147-154.
DOI: 10.16337/j.1004-9037.2022.01.012
摘要:
作为消化系统最常见的疾病之一，急性胰腺炎的医学影像仍使用简单的手工特征进行分析，效率与精度较低，与其危害性并不相称。由于胰腺的解剖变异性以及各种并发症，急性胰腺炎的影像表现复杂，不同患者不同种类的病灶差异大，基于CT影像的急性胰腺炎诊断难度较大。本文提出一种基于双重注意力网络用于诊断急性胰腺炎，该网络使用全局特征为不同阶段的局部特征生成局部注意力特征，使不同阶段的注意力特征关注不同尺度的病灶，最终通过融合对全局注意力特征进行分类。同时在生成注意力特征时，使用通道域注意力调整通道间的依赖，提高模型的表示能力。在真实的急性胰腺炎数据集上的实验结果表明，本文提出的网络取得了更好的急性胰腺炎诊断精度，相对原模型，灵敏度与曲线下面积（Area under the curve ，AUC）分别至少提升了3.4%，3.2%；相较其他注意力机制如SENet对ResNet模型的改进，AUC提升2.7%。
作为消化系统最常见的疾病之一，急性胰腺炎的医学影像仍使用简单的手工特征进行分析，效率与精度较低，与其危害性并不相称。由于胰腺的解剖变异性以及各种并发症，急性胰腺炎的影像表现复杂，不同患者不同种类的病灶差异大，基于CT影像的急性胰腺炎诊断难度较大。本文提出一种基于双重注意力网络用于诊断急性胰腺炎，该网络使用全局特征为不同阶段的局部特征生成局部注意力特征，使不同阶段的注意力特征关注不同尺度的病灶，最终通过融合对全局注意力特征进行分类。同时在生成注意力特征时，使用通道域注意力调整通道间的依赖，提高模型的表示能力。在真实的急性胰腺炎数据集上的实验结果表明，本文提出的网络取得了更好的急性胰腺炎诊断精度，相对原模型，灵敏度与曲线下面积（Area under the curve ，AUC）分别至少提升了3.4%，3.2%；相较其他注意力机制如SENet对ResNet模型的改进，AUC提升2.7%。
2022, 37(3):715-724.
DOI: 10.16337/j.1004-9037.2022.03.020
摘要:
为了改善机器人的操作方式，提高体感交互的识别精度，提出了一种基于限幅加权骨骼节点滤波的体感交互技术。首先利用Kinect传感器获取深度场景信息，并通过骨骼追踪技术处理所获得的深度信息以此匹配人体各个关节，建立人体各关节的3D坐标；然后采用空间向量映射的形式计算出各关节转动角度，并利用本文所提出的限幅加权滤波算法，即通过对采集并计算出的关节转动角度进行限幅加权滤波处理，减少了骨骼噪声的影响；最后将转动角度转化为控制指令，通过蓝牙串口将控制指令发送给机械臂控制器，操控机械臂舵机转动。实验结果表明，该方法能够实现体感交互效果，机械臂随人体手臂运动的识别率为96.3%，且限幅加权滤波算法能有效减少骨骼噪声影响。
为了改善机器人的操作方式，提高体感交互的识别精度，提出了一种基于限幅加权骨骼节点滤波的体感交互技术。首先利用Kinect传感器获取深度场景信息，并通过骨骼追踪技术处理所获得的深度信息以此匹配人体各个关节，建立人体各关节的3D坐标；然后采用空间向量映射的形式计算出各关节转动角度，并利用本文所提出的限幅加权滤波算法，即通过对采集并计算出的关节转动角度进行限幅加权滤波处理，减少了骨骼噪声的影响；最后将转动角度转化为控制指令，通过蓝牙串口将控制指令发送给机械臂控制器，操控机械臂舵机转动。实验结果表明，该方法能够实现体感交互效果，机械臂随人体手臂运动的识别率为96.3%，且限幅加权滤波算法能有效减少骨骼噪声影响。
2022, 37(4):766-775.
DOI: 10.16337/j.1004-9037.2022.04.006
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。
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。
2022, 37(4):883-893.
DOI: 10.16337/j.1004-9037.2022.04.016
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。
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。
2022, 37(4):776-786.
DOI: 10.16337/j.1004-9037.2022.04.007
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。
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。
2022, 37(4):872-882.
DOI: 10.16337/j.1004-9037.2022.04.015
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。
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。
2022, 37(4):860-871.
DOI: 10.16337/j.1004-9037.2022.04.014
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%。
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%。
2022, 37(4):757-765.
DOI: 10.16337/j.1004-9037.2022.04.005
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。
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。
2022, 37(4):798-813.
DOI: 10.16337/j.1004-9037.2022.04.009
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。
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。
2022, 37(4):848-859.
DOI: 10.16337/j.1004-9037.2022.04.013
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。
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。
2022, 37(4):736-746.
DOI: 10.16337/j.1004-9037.2022.04.003
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。
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。
2022, 37(4):814-824.
DOI: 10.16337/j.1004-9037.2022.04.010
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。
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。
2022, 37(4):727-735.
DOI: 10.16337/j.1004-9037.2022.04.002
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。
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。
2022, 37(4):839-847.
DOI: 10.16337/j.1004-9037.2022.04.012
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。
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。
2022, 37(4):787-797.
DOI: 10.16337/j.1004-9037.2022.04.008
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。
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。
2022, 37(4):825-838.
DOI: 10.16337/j.1004-9037.2022.04.011
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。
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。
2022, 37(4):747-756.
DOI: 10.16337/j.1004-9037.2022.04.004
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。
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。
2022, 37(5):1115-1125.
DOI: 10.16337/j.1004-9037.2022.05.016
摘要:
目前来自采集中心的具有自杀倾向的重度抑郁症（Major depressive disorder， MDD）患者脑功能影像存在异质性，从而造成的计算瓶颈影响了分析可靠性。为此，本文借助同质化多站点算法，试图扩充MDD患者静息态功能磁共振成像（Resting-state functional magnetic resonance imaging，rfMRI）的样本体量，探究自杀倾向对MDD脑功能网络的影响。实验纳入3个站点、共99例MDD患者（包括非自杀倾向（Non-suicidal MDD，nMDD）67例、自杀倾向（Suicidal MDD，sMDD）32例）及72例健康对照（Healthy controls，HC）组rfMRI数据，计算Pearson相关性的功能连接并由ComBat技术同质化多站点功能连接；以小世界属性为稀疏度判别标准，以功能连接为边建立脑网络并进行图论分析；在节点度、节点效率指标上采用多重比较校正进行组间显著性对比。实验结果表明，同质化有效清除了站点间功能连接异质性。在小脑下半月小叶及蚓锥体，sMDD组较nMDD组和HC组皆具有组间显著性（pFDR<0.05），即存在自杀倾向导致的异常脑功能活动。该研究克服了多站点的MDD患者的小样本缺陷，有效地提取了自杀倾向患者脑功能影像标记，有助于评估自杀风险。
目前来自采集中心的具有自杀倾向的重度抑郁症（Major depressive disorder， MDD）患者脑功能影像存在异质性，从而造成的计算瓶颈影响了分析可靠性。为此，本文借助同质化多站点算法，试图扩充MDD患者静息态功能磁共振成像（Resting-state functional magnetic resonance imaging，rfMRI）的样本体量，探究自杀倾向对MDD脑功能网络的影响。实验纳入3个站点、共99例MDD患者（包括非自杀倾向（Non-suicidal MDD，nMDD）67例、自杀倾向（Suicidal MDD，sMDD）32例）及72例健康对照（Healthy controls，HC）组rfMRI数据，计算Pearson相关性的功能连接并由ComBat技术同质化多站点功能连接；以小世界属性为稀疏度判别标准，以功能连接为边建立脑网络并进行图论分析；在节点度、节点效率指标上采用多重比较校正进行组间显著性对比。实验结果表明，同质化有效清除了站点间功能连接异质性。在小脑下半月小叶及蚓锥体，sMDD组较nMDD组和HC组皆具有组间显著性（pFDR<0.05），即存在自杀倾向导致的异常脑功能活动。该研究克服了多站点的MDD患者的小样本缺陷，有效地提取了自杀倾向患者脑功能影像标记，有助于评估自杀风险。
2022, 37(6):1401-1411.
DOI: 10.16337/j.1004-9037.2022.06.020
摘要:
基于脑-机接口（Brain-computer interface， BCI）的脑-控技术发展迅速，取得较大进展。然而，现有研究多采用单人脑控方式，存在执行效率低、可控自由度低的问题，难以满足复杂条件下的操控任务需求。针对此问题，本文采用时-频-相混合编码的视图脑-机交互方法，设计双人协同策略，通过解码P300和稳态视觉诱发电位（Steady-state visual evoked potential， SSVEP）脑电特征，开发了108指令的双人协同脑-控机械臂系统，实现双人同时对汉字一笔一划的书写。8名被试在线平均正确率为87.92%，平均在线信息传输速率（Information-transfer rate， ITR）为66.00 b/min。该系统扩展了BCI信息交互方式，初步验证了协同BCI操控机械臂的可行性和有效性，为协同BCI提供了技术支撑。
基于脑-机接口（Brain-computer interface， BCI）的脑-控技术发展迅速，取得较大进展。然而，现有研究多采用单人脑控方式，存在执行效率低、可控自由度低的问题，难以满足复杂条件下的操控任务需求。针对此问题，本文采用时-频-相混合编码的视图脑-机交互方法，设计双人协同策略，通过解码P300和稳态视觉诱发电位（Steady-state visual evoked potential， SSVEP）脑电特征，开发了108指令的双人协同脑-控机械臂系统，实现双人同时对汉字一笔一划的书写。8名被试在线平均正确率为87.92%，平均在线信息传输速率（Information-transfer rate， ITR）为66.00 b/min。该系统扩展了BCI信息交互方式，初步验证了协同BCI操控机械臂的可行性和有效性，为协同BCI提供了技术支撑。
2022, 37(5):1126-1133.
DOI: 10.16337/j.1004-9037.2022.05.017
摘要:
分子机器是指由分子尺度的物质构成且能行使某种加工功能的机器，主要构件是蛋白质等生物分子。三维空间结构决定了蛋白质的相关特性和功能，理解蛋白质的氨基酸（残基）序列如何折叠成特定的三维空间结构，即蛋白质结构的折叠机制及其特性对于分子机器的研究具有重要意义。因此，使用一种快速简单的研究蛋白质结构折叠机制信息的模拟方法很有必要。本文主要基于蛋白质的自然状态拓扑，采用高斯网络模型研究了蛋白质GB1，分析了其结构特性及其结构的展开过程，与相关实验和分子动力学模拟数据吻合良好，表明该弹性网络模型适用于蛋白质结构的研究。
分子机器是指由分子尺度的物质构成且能行使某种加工功能的机器，主要构件是蛋白质等生物分子。三维空间结构决定了蛋白质的相关特性和功能，理解蛋白质的氨基酸（残基）序列如何折叠成特定的三维空间结构，即蛋白质结构的折叠机制及其特性对于分子机器的研究具有重要意义。因此，使用一种快速简单的研究蛋白质结构折叠机制信息的模拟方法很有必要。本文主要基于蛋白质的自然状态拓扑，采用高斯网络模型研究了蛋白质GB1，分析了其结构特性及其结构的展开过程，与相关实验和分子动力学模拟数据吻合良好，表明该弹性网络模型适用于蛋白质结构的研究。
2023, 38(5):1104-1111.
DOI: 10.16337/j.1004-9037.2023.05.009
摘要:
早期发现新冠肺炎可以及时医疗干预提高患者的存活率，而利用深度神经网络（Deep neural networks， DNN）对新冠肺炎进行检测，可以提高胸部CT对其筛查的敏感性和判读速度。然而，DNN在医学领域的应用受到有限样本和不可察觉的噪声扰动的影响。本文提出了一种多损失混合对抗方法来搜索含有可能欺骗网络的有效对抗样本，将这些对抗样本添加到训练数据中，以提高网络对意外噪声扰动的稳健性和泛化能力。特别是，本文方法不仅包含了风格、原图和细节损失在内的多损失功能从而将医学对抗样本制作成逼真的样式，而且使用启发式投影算法产生具有强聚集性和干扰性的噪声。这些样本被证明具有较强的抗去噪能力和攻击迁移性。在新冠肺炎数据集上的测试结果表明，基于该算法的对抗攻击增强后的网络诊断正确率提高了4.75%。因此，基于多损失混合和启发式投影算法的对抗攻击的增强网络能够提高模型的建模能力，并具有抗噪声扰动的能力。
早期发现新冠肺炎可以及时医疗干预提高患者的存活率，而利用深度神经网络（Deep neural networks， DNN）对新冠肺炎进行检测，可以提高胸部CT对其筛查的敏感性和判读速度。然而，DNN在医学领域的应用受到有限样本和不可察觉的噪声扰动的影响。本文提出了一种多损失混合对抗方法来搜索含有可能欺骗网络的有效对抗样本，将这些对抗样本添加到训练数据中，以提高网络对意外噪声扰动的稳健性和泛化能力。特别是，本文方法不仅包含了风格、原图和细节损失在内的多损失功能从而将医学对抗样本制作成逼真的样式，而且使用启发式投影算法产生具有强聚集性和干扰性的噪声。这些样本被证明具有较强的抗去噪能力和攻击迁移性。在新冠肺炎数据集上的测试结果表明，基于该算法的对抗攻击增强后的网络诊断正确率提高了4.75%。因此，基于多损失混合和启发式投影算法的对抗攻击的增强网络能够提高模型的建模能力，并具有抗噪声扰动的能力。
2023, 38(2):324-335.
DOI: 10.16337/j.1004-9037.2023.02.009
摘要:
多源域领域泛化是模型利用多个不同领域中的语义信息，并且能够很好地泛化到未知领域上。在医学图像中，不同领域之间的跨度比较大，模型泛化性能在未知域上会有较大程度的下降。为了解决这一问题，本文提出了一种编码特征再针对特定领域进行解码的网络结构。该模型使用一个通用编码器来学习所有领域上的领域不变特征，并通过特定领域解码器还原原有图像以加强其对图像特征的复原能力。此外，该模型还通过生成特征迁移图像与源域图像进行对抗学习来加强编码器学习领域不变特征的能力。 同时，本文在模型中还引入了特殊构造的分割融合预处理步骤来扩充数据集以增强模型的泛化能力，并进一步提高了本文提出网络结构的性能。在两个医学图像的分割任务中，大量实验数据表明，本文提出的模型相比现有先进模型表现出了优异的性能，此外本文还进行了一系列消融实验，证明了模型的有效性。
多源域领域泛化是模型利用多个不同领域中的语义信息，并且能够很好地泛化到未知领域上。在医学图像中，不同领域之间的跨度比较大，模型泛化性能在未知域上会有较大程度的下降。为了解决这一问题，本文提出了一种编码特征再针对特定领域进行解码的网络结构。该模型使用一个通用编码器来学习所有领域上的领域不变特征，并通过特定领域解码器还原原有图像以加强其对图像特征的复原能力。此外，该模型还通过生成特征迁移图像与源域图像进行对抗学习来加强编码器学习领域不变特征的能力。 同时，本文在模型中还引入了特殊构造的分割融合预处理步骤来扩充数据集以增强模型的泛化能力，并进一步提高了本文提出网络结构的性能。在两个医学图像的分割任务中，大量实验数据表明，本文提出的模型相比现有先进模型表现出了优异的性能，此外本文还进行了一系列消融实验，证明了模型的有效性。
2023, 38(4):802-814.
DOI: 10.16337/j.1004-9037.2023.04.005
摘要:
全球有约1/3的人口曾受到失眠的困扰，研究表明脑电的高度觉醒是失眠的一个重要原因，表现在高频脑电活动的增强。然而，由于存在较大的干扰因素，日常静息态条件下评判困难。因此本文提取原发性失眠患者和健康对照的脑电图（Electroencephalogram，EEG）高频频带（Beta、Gamma频带），使用更适合EEG这种非线性、非平稳信号的相位锁相值（Phase locking value， PLV）方法来构建静息态功能脑网络，使用自适应阈值技术进行二值化处理。为了提升失眠症脑网络特征评价的可靠性，综合了各脑网络特征，提出了用于失眠症检测的脑网络综合度量指标。且发现在Gamma频带上，综合指标在原发性失眠患者组与健康对照组之间存在显著性差异（p = 0.044 ![]()
![]()
全球有约1/3的人口曾受到失眠的困扰，研究表明脑电的高度觉醒是失眠的一个重要原因，表现在高频脑电活动的增强。然而，由于存在较大的干扰因素，日常静息态条件下评判困难。因此本文提取原发性失眠患者和健康对照的脑电图（Electroencephalogram，EEG）高频频带（Beta、Gamma频带），使用更适合EEG这种非线性、非平稳信号的相位锁相值（Phase locking value， PLV）方法来构建静息态功能脑网络，使用自适应阈值技术进行二值化处理。为了提升失眠症脑网络特征评价的可靠性，综合了各脑网络特征，提出了用于失眠症检测的脑网络综合度量指标。且发现在Gamma频带上，综合指标在原发性失眠患者组与健康对照组之间存在显著性差异（
27 低密度脑电自适应去噪方法
2023, 38(4):824-836.
DOI: 10.16337/j.1004-9037.2023.04.007
摘要:
便携式和可穿戴设备的低密度脑电图更便于实际使用，但会受到多种不可预知的噪声影响，给去噪带来极大的困难。脑活动成分较为相似，在特征空间分布较为紧密，而噪声成分与脑电成分不同，差异性大，在特征空间分布较为分散。本文提出了一种低密度脑电自适应去噪方法，采用小波分解和盲源分离方法提取潜在成分，并基于脑电和噪声成分在特征空间的分布特性，采用单类支持向量机识别并去除远离成分分布中心的异常成分。仿真数据的定量分析结果表明，提出的方法在肌电、眼电和工频等噪声抑制方面均优于现有方法；通过对真实脑电数据的成分簇可视化分析，直观展示了低密度脑电噪声有效去除的原因。结合盲源分离和异常检测的思路进行低密度脑电去噪，不需要设定特定噪声相关的特征参数，能够自适应地去除多种类型噪声同时有效保留脑活动成分，具有优良的性能和实用性。
便携式和可穿戴设备的低密度脑电图更便于实际使用，但会受到多种不可预知的噪声影响，给去噪带来极大的困难。脑活动成分较为相似，在特征空间分布较为紧密，而噪声成分与脑电成分不同，差异性大，在特征空间分布较为分散。本文提出了一种低密度脑电自适应去噪方法，采用小波分解和盲源分离方法提取潜在成分，并基于脑电和噪声成分在特征空间的分布特性，采用单类支持向量机识别并去除远离成分分布中心的异常成分。仿真数据的定量分析结果表明，提出的方法在肌电、眼电和工频等噪声抑制方面均优于现有方法；通过对真实脑电数据的成分簇可视化分析，直观展示了低密度脑电噪声有效去除的原因。结合盲源分离和异常检测的思路进行低密度脑电去噪，不需要设定特定噪声相关的特征参数，能够自适应地去除多种类型噪声同时有效保留脑活动成分，具有优良的性能和实用性。
2023, 38(5):1142-1150.
DOI: 10.16337/j.1004-9037.2023.05.012
摘要:
多动症会严重影响儿童发育，对多动症患者的有效诊断受到广泛关注。该文结合脑网络的拓扑结构信息和图上的信号，提出一种基于稀疏表示的图相似性计算方法，从微观到宏观分析脑区之间的差异。该方法使用Pearson相关系数构建全连通脑网络，基于稀疏表示从底层结构中提取节点子网络，根据图核函数计算子网络相似性，最后给出了脑网络相似性的全局指标。以受试者间的相似性作为特征在公共数据集ADHD-200上的分类实验结果表明，该方法能够以93.1%的准确度区分多动症患者和健康对照者，分类性能明显优于其他已有算法。此外，结果表明多动症患者在中央前回、丘脑、海马和脑岛等脑区之间有更强的连接。
多动症会严重影响儿童发育，对多动症患者的有效诊断受到广泛关注。该文结合脑网络的拓扑结构信息和图上的信号，提出一种基于稀疏表示的图相似性计算方法，从微观到宏观分析脑区之间的差异。该方法使用Pearson相关系数构建全连通脑网络，基于稀疏表示从底层结构中提取节点子网络，根据图核函数计算子网络相似性，最后给出了脑网络相似性的全局指标。以受试者间的相似性作为特征在公共数据集ADHD-200上的分类实验结果表明，该方法能够以93.1%的准确度区分多动症患者和健康对照者，分类性能明显优于其他已有算法。此外，结果表明多动症患者在中央前回、丘脑、海马和脑岛等脑区之间有更强的连接。
2023, 38(4):815-823.
DOI: 10.16337/j.1004-9037.2023.04.006
摘要:
针对情绪脑电信号提出一种网络图特征学习与情绪识别算法。首先，利用情绪脑电数据构建对应的情绪脑电网络；其次，在由情绪脑电网络尺度定义的高维空间构建脑电网络样本间的局部邻接关系图以挖掘样本集的分布特性，进而得到样本集的图拉普拉斯矩阵；在此基础上，进一步利用谱图理论对情绪脑电网络的最优低维空间映射进行求解，在保留原始样本局部邻接关系的前提下实现对情绪脑电网络的降维与重新表达，并将每个情绪脑电网络样本表示成1组脑电网络特征集；最后利用提取到的情绪脑电网络特征集，结合支持向量机分类学习算法，针对情绪识别任务进行识别模型的训练和学习，实现对情绪状态的准确解码与识别。在国际公开情绪脑电数据集的实验结果表明：相较于传统情绪识别算法，本文所提方法能有效提升情绪识别准确率，在基于公开数据集的多类情绪识别任务中分别达到91.85%（SEED数据集， 3类）、79.36%（MAHNOB-HCI数据集，3类）和79%（DEAP数据集，4类）的稳健识别效果。
针对情绪脑电信号提出一种网络图特征学习与情绪识别算法。首先，利用情绪脑电数据构建对应的情绪脑电网络；其次，在由情绪脑电网络尺度定义的高维空间构建脑电网络样本间的局部邻接关系图以挖掘样本集的分布特性，进而得到样本集的图拉普拉斯矩阵；在此基础上，进一步利用谱图理论对情绪脑电网络的最优低维空间映射进行求解，在保留原始样本局部邻接关系的前提下实现对情绪脑电网络的降维与重新表达，并将每个情绪脑电网络样本表示成1组脑电网络特征集；最后利用提取到的情绪脑电网络特征集，结合支持向量机分类学习算法，针对情绪识别任务进行识别模型的训练和学习，实现对情绪状态的准确解码与识别。在国际公开情绪脑电数据集的实验结果表明：相较于传统情绪识别算法，本文所提方法能有效提升情绪识别准确率，在基于公开数据集的多类情绪识别任务中分别达到91.85%（SEED数据集， 3类）、79.36%（MAHNOB-HCI数据集，3类）和79%（DEAP数据集，4类）的稳健识别效果。
2023, 38(4):915-925.
DOI: 10.16337/j.1004-9037.2023.04.014
摘要:
临床活动性评分（Clinical activity score，CAS）是临床诊断甲状腺相关眼病（Thyroid associated ophthalmopathy， TAO）的重要评估方法之一。由于TAO症状的多样性和非患病区域的影响，人工诊断TAO容易受医生的主观经验影响。精准获取TAO患者脸部关键区域是早期诊断TAO的重要前提之一。因此，本文提出了一种基于DSE-Net的TAO患病区域自动分割的轻量型算法。DSE-Net采用U-Net作为主干模型，设计的密集型挤压-激励（Dense squeeze-and-excitation， DSE）通道注意力模块逐层提取编码结构的低级特征并融合解码结构的高级特征，进一步增强模型的特征提取能力。在巩膜、眼睑和泪阜数据集上的测试证明了DSE-Net的有效性，其中Dice系数分别达到了84.8%、84.7%和92.7%，IoU分别达到了74.0%、74.7%和86.5%。同时经过大量的对比实验证明了DSE-Net的优越性。提出的模型具有参数少、结构简单和特征提取能力强等特点，为TAO的早期诊断和预后治疗提供了重要信息。
临床活动性评分（Clinical activity score，CAS）是临床诊断甲状腺相关眼病（Thyroid associated ophthalmopathy， TAO）的重要评估方法之一。由于TAO症状的多样性和非患病区域的影响，人工诊断TAO容易受医生的主观经验影响。精准获取TAO患者脸部关键区域是早期诊断TAO的重要前提之一。因此，本文提出了一种基于DSE-Net的TAO患病区域自动分割的轻量型算法。DSE-Net采用U-Net作为主干模型，设计的密集型挤压-激励（Dense squeeze-and-excitation， DSE）通道注意力模块逐层提取编码结构的低级特征并融合解码结构的高级特征，进一步增强模型的特征提取能力。在巩膜、眼睑和泪阜数据集上的测试证明了DSE-Net的有效性，其中Dice系数分别达到了84.8%、84.7%和92.7%，IoU分别达到了74.0%、74.7%和86.5%。同时经过大量的对比实验证明了DSE-Net的优越性。提出的模型具有参数少、结构简单和特征提取能力强等特点，为TAO的早期诊断和预后治疗提供了重要信息。
2023, 38(4):860-872.
DOI: 10.16337/j.1004-9037.2023.04.010
摘要:
提出一种改进的AdaBoost强化学习算法，并将其应用于鉴别健康者和肝癌患者的呼气信号。首先采集志愿者（包括健康对照组和肝癌患者）的呼气信号，利用Relief算法提取其主要特征；接着融合Stacking 模型，基于传统的机器学习算法训练得到若干基分类器组，构建一个个子分类器。为减少训练样本对分类器性能的影响，利用K折交叉，先后得到k个基分类器，形成一个基分类器组；进一步，由投票法得到该基分类器组，即子分类器对测试集的预测结果；然后根据各子分类器对训练集的预测错误率调整训练样本，并获得各子分类器的权重系数；最后将多个子分类器的预测结果进行加权组合，得到最终预测结果。实验结果表明，相比传统的AdaBoost算法，改进的AdaBoost算法在鉴别肝癌呼气和健康对照组呼气时，错误率明显下降，鲁棒性有所提升。该算法在鉴别肝癌呼气时，准确率可以达到90%左右，特异性和精确度也均超过95%。因此，改进的AdaBoost算法可有效提升肝癌呼气鉴别精度，对通过呼气鉴别肝癌、实现早期诊断的研究具有重要意义。
提出一种改进的AdaBoost强化学习算法，并将其应用于鉴别健康者和肝癌患者的呼气信号。首先采集志愿者（包括健康对照组和肝癌患者）的呼气信号，利用Relief算法提取其主要特征；接着融合Stacking 模型，基于传统的机器学习算法训练得到若干基分类器组，构建一个个子分类器。为减少训练样本对分类器性能的影响，利用K折交叉，先后得到k个基分类器，形成一个基分类器组；进一步，由投票法得到该基分类器组，即子分类器对测试集的预测结果；然后根据各子分类器对训练集的预测错误率调整训练样本，并获得各子分类器的权重系数；最后将多个子分类器的预测结果进行加权组合，得到最终预测结果。实验结果表明，相比传统的AdaBoost算法，改进的AdaBoost算法在鉴别肝癌呼气和健康对照组呼气时，错误率明显下降，鲁棒性有所提升。该算法在鉴别肝癌呼气时，准确率可以达到90%左右，特异性和精确度也均超过95%。因此，改进的AdaBoost算法可有效提升肝癌呼气鉴别精度，对通过呼气鉴别肝癌、实现早期诊断的研究具有重要意义。
2023, 38(4):837-848.
DOI: 10.16337/j.1004-9037.2023.04.008
摘要:
由于体积、表面积等常规形态学指标对于皮层下核团而言过于笼统，因此传统的形态特征获取手段难以检测到其表面形态的细微变化。为解决这一问题，本文提出了一种针对皮层下核团的精细特征提取算法，并将其应用到老年人认知状态预测任务上。通过表面共形参数化、表面共形表示和基于互信息的表面流配准，提取了46名被试双侧海马和杏仁核各15 000×2个顶点上的形态学特征；通过斑块选择、稀疏编码与字典学习，和最大池化的降维流程，避免了维度诅咒的同时充分保留了核团的纹理信息；最后，以树为弱学习器，采用GentleBoost算法集成了最终的强分类器做认知预测。结果显示，仅纳入海马和杏仁核两个皮层下结构的新颖特征，即可达到85%的预测准确率，为皮层下结构的精细特征发掘提供了新思路。
由于体积、表面积等常规形态学指标对于皮层下核团而言过于笼统，因此传统的形态特征获取手段难以检测到其表面形态的细微变化。为解决这一问题，本文提出了一种针对皮层下核团的精细特征提取算法，并将其应用到老年人认知状态预测任务上。通过表面共形参数化、表面共形表示和基于互信息的表面流配准，提取了46名被试双侧海马和杏仁核各15 000×2个顶点上的形态学特征；通过斑块选择、稀疏编码与字典学习，和最大池化的降维流程，避免了维度诅咒的同时充分保留了核团的纹理信息；最后，以树为弱学习器，采用GentleBoost算法集成了最终的强分类器做认知预测。结果显示，仅纳入海马和杏仁核两个皮层下结构的新颖特征，即可达到85%的预测准确率，为皮层下结构的精细特征发掘提供了新思路。
2023, 38(4):792-801.
DOI: 10.16337/j.1004-9037.2023.04.004
摘要:
早期蕈样肉芽肿（Mycosis fungoid， MF）可表现为红斑鳞屑性皮损，很难从银屑病及慢性湿疹等良性炎症性皮肤病中鉴别出来。本文提出了一种基于多模态图像融合的早期蕈样肉芽肿识别方法。该方法基于皮肤镜图像和临床图像，采用ResNet18网络提取单模态图像的特征；设计跨模态的注意力模块，实现两种模态图像的特征融合；并且设计自注意力模块提取融合特征中的关键信息，改善信息冗余，从而提高蕈样肉芽肿智能识别的准确度。实验结果表明，本文所提出的智能诊断模型优于对比算法。将本文模型应用于皮肤科医生的实际临床诊断，通过实验组医生和对照组医生平均诊断准确率的变化证实了本文模型能够有效提升临床诊断水平。
早期蕈样肉芽肿（Mycosis fungoid， MF）可表现为红斑鳞屑性皮损，很难从银屑病及慢性湿疹等良性炎症性皮肤病中鉴别出来。本文提出了一种基于多模态图像融合的早期蕈样肉芽肿识别方法。该方法基于皮肤镜图像和临床图像，采用ResNet18网络提取单模态图像的特征；设计跨模态的注意力模块，实现两种模态图像的特征融合；并且设计自注意力模块提取融合特征中的关键信息，改善信息冗余，从而提高蕈样肉芽肿智能识别的准确度。实验结果表明，本文所提出的智能诊断模型优于对比算法。将本文模型应用于皮肤科医生的实际临床诊断，通过实验组医生和对照组医生平均诊断准确率的变化证实了本文模型能够有效提升临床诊断水平。
2023, 38(4):777-792.
DOI: 10.16337/j.1004-9037.2023.04.003
摘要:
近年来，深度学习方法广泛应用于各种疾病预测任务，甚至在其中一些方面超过了人类专家。 然而，算法的黑盒性质限制了其临床应用。对此，本文结合知识表示学习和深度学习方法构建了一种融入知识表示向量的可解释深度学习模型。该模型首先依据体检指标正常范围构建体检指标与检测值之间的关系图，并通过基于知识表示学习的深度学习模型对人体体检指标与检测值关系图进行编码，然后将患者体检数据表示为向量，输入到构建的自注意力机制和卷积神经网络构建的分类器中来实现疾病预测。将模型应用于糖尿病预测实验中，其准确率和召回率均优于对比的机器学习方法。与表现较优的随机森林算法相比，模型的准确率和召回率分别提升了0.81%和5.21%。实验结果表明，通过可解释性方法将知识表示学习和深度学习技术融合应用于糖尿病预测，可以达到对糖尿病的早期发现与辅助诊断的目的。
近年来，深度学习方法广泛应用于各种疾病预测任务，甚至在其中一些方面超过了人类专家。 然而，算法的黑盒性质限制了其临床应用。对此，本文结合知识表示学习和深度学习方法构建了一种融入知识表示向量的可解释深度学习模型。该模型首先依据体检指标正常范围构建体检指标与检测值之间的关系图，并通过基于知识表示学习的深度学习模型对人体体检指标与检测值关系图进行编码，然后将患者体检数据表示为向量，输入到构建的自注意力机制和卷积神经网络构建的分类器中来实现疾病预测。将模型应用于糖尿病预测实验中，其准确率和召回率均优于对比的机器学习方法。与表现较优的随机森林算法相比，模型的准确率和召回率分别提升了0.81%和5.21%。实验结果表明，通过可解释性方法将知识表示学习和深度学习技术融合应用于糖尿病预测，可以达到对糖尿病的早期发现与辅助诊断的目的。
2023, 38(4):759-776.
DOI: 10.16337/j.1004-9037.2023.04.002
摘要:
睡眠分期是为了分析多导睡眠图记录而进行的重要过程，在睡眠监测和睡眠障碍诊疗中发挥着关键作用。传统的手动睡眠分期需要专业知识，繁琐且耗时；而深度学习通过模拟人脑解释信息的机制来构建模型，具有强大的自动特征提取及特征表达功能。将深度学习方法应用于睡眠分期研究，不依赖于手工特征设计，能够实现睡眠分期的自动化。本文着眼于2017年以来的一些典型的自动睡眠分期研究，重点从单视图和多视图输入两个方面系统回顾了应用于自动睡眠分期中的深度学习模型，并分析了多视图模型存在的难点，指出了其具有的潜在研究价值。最后，对自动睡眠分期未来的研究方向进行了探讨。
睡眠分期是为了分析多导睡眠图记录而进行的重要过程，在睡眠监测和睡眠障碍诊疗中发挥着关键作用。传统的手动睡眠分期需要专业知识，繁琐且耗时；而深度学习通过模拟人脑解释信息的机制来构建模型，具有强大的自动特征提取及特征表达功能。将深度学习方法应用于睡眠分期研究，不依赖于手工特征设计，能够实现睡眠分期的自动化。本文着眼于2017年以来的一些典型的自动睡眠分期研究，重点从单视图和多视图输入两个方面系统回顾了应用于自动睡眠分期中的深度学习模型，并分析了多视图模型存在的难点，指出了其具有的潜在研究价值。最后，对自动睡眠分期未来的研究方向进行了探讨。
2023, 38(4):741-758.
DOI: 10.16337/j.1004-9037.2023.04.001
摘要:
超声造影（Contrast-enhanced ultrasound， CEUS）通过外周静脉注入超声造影剂，显著增强来自肿瘤微血管的血流信号，便于临床医生以实时、动态的方式评估肿瘤血管生成、周边浸润等，广泛应用于多器官病变诊断、预后评估和治疗方案规划等方面。近年来，以深度学习为代表的机器学习方法快速发展，为动态超声造影智能分析带来新的机遇。深度学习方法很大程度上拓宽了超声造影临床应用范围，提高了其诊疗效能。但与常规超声影像类似，超声造影仍然存在斑点噪声、呼吸运动干扰和标准化程度低等问题，使得动态灌注时间、空间信息挖掘面临挑战。本文系统性回顾了近年来超声造影智能分析相关工作，涵盖良恶性鉴别、恶性分级、疗效预测和诊疗方案选择等方面应用，总结了当前影像组学及深度学习方法在超声造影分析领域的最新进展，并指出当前研究的局限性和未来发展方向。
超声造影（Contrast-enhanced ultrasound， CEUS）通过外周静脉注入超声造影剂，显著增强来自肿瘤微血管的血流信号，便于临床医生以实时、动态的方式评估肿瘤血管生成、周边浸润等，广泛应用于多器官病变诊断、预后评估和治疗方案规划等方面。近年来，以深度学习为代表的机器学习方法快速发展，为动态超声造影智能分析带来新的机遇。深度学习方法很大程度上拓宽了超声造影临床应用范围，提高了其诊疗效能。但与常规超声影像类似，超声造影仍然存在斑点噪声、呼吸运动干扰和标准化程度低等问题，使得动态灌注时间、空间信息挖掘面临挑战。本文系统性回顾了近年来超声造影智能分析相关工作，涵盖良恶性鉴别、恶性分级、疗效预测和诊疗方案选择等方面应用，总结了当前影像组学及深度学习方法在超声造影分析领域的最新进展，并指出当前研究的局限性和未来发展方向。
2023, 38(4):898-914.
DOI: 10.16337/j.1004-9037.2023.04.013
摘要:
针对高血压靶器官损伤时域脉搏波预测模型效率较低和分类精度较差的问题，本文提出了一种基于频域脉搏波特征图预测模型，实现高效无创辅助诊断。本文采用高斯滤波替换三角滤波，将脉搏波时域特征转换为频域矩阵特征图，并采用一种改进的SiMAM注意力机制模型EfficientNetS，提高脉搏波全局特征提取能力。608例临床高血压靶器官损伤脉搏波样本经5-Fold交叉验证后分类模型评估指标F1 score、Accuracy、Precision、Sensitivity、曲线下面积(Area under the curve,AUC)值分别为：97.31%、98.72%、97.71%、97.04%、99.13%。与典型模型相比，本文方法具有较高的分类精度和泛化性能。此外，本文采用随机森林算法研究时域和频域特征与脉搏波分类相关性，深入挖掘潜在的影响高血压靶器官损伤分类的关键因素，发现高血压靶器官损伤的发病机理，为临床诊断提供有效支持。
针对高血压靶器官损伤时域脉搏波预测模型效率较低和分类精度较差的问题，本文提出了一种基于频域脉搏波特征图预测模型，实现高效无创辅助诊断。本文采用高斯滤波替换三角滤波，将脉搏波时域特征转换为频域矩阵特征图，并采用一种改进的SiMAM注意力机制模型EfficientNetS，提高脉搏波全局特征提取能力。608例临床高血压靶器官损伤脉搏波样本经5-Fold交叉验证后分类模型评估指标F1 score、Accuracy、Precision、Sensitivity、曲线下面积(Area under the curve,AUC)值分别为：97.31%、98.72%、97.71%、97.04%、99.13%。与典型模型相比，本文方法具有较高的分类精度和泛化性能。此外，本文采用随机森林算法研究时域和频域特征与脉搏波分类相关性，深入挖掘潜在的影响高血压靶器官损伤分类的关键因素，发现高血压靶器官损伤的发病机理，为临床诊断提供有效支持。
2023, 38(4):849-859.
DOI: 10.16337/j.1004-9037.2023.04.009
摘要:
心音信号是分析诊断心脏疾病的重要信号，而心音分割是对其进行分析处理之前必不可少的一步。本文通过将心音分割任务分离为定位与识别两个子任务，提出一种两级卷积神经网络，由定位网络和判别网络两级构成，分别完成心音信号的识别与定位。首先将原始信号通过滑动窗口进行分帧，然后通过短时傅里叶变换得到其频谱，再通过梅尔滤波器得到其梅尔频谱系数（Mel frequency spectral coefficient， MFSC）特征，输入第1个定位网络对其是否为心音段进行判断，如果是的话，再输入判别神经网络，识别第一心音与第二心音，从而实现心音的分割。最后利用多帧结果投票，减小误判。同时，在卷积神经网络中引入空间注意力机制，实验结果表明，这种加入了注意力机制的两级神经网络模型在心音分割任务上比使用单个卷积神经网络分类模型的准确率更高，也使得模型更加简单，轻量化。
心音信号是分析诊断心脏疾病的重要信号，而心音分割是对其进行分析处理之前必不可少的一步。本文通过将心音分割任务分离为定位与识别两个子任务，提出一种两级卷积神经网络，由定位网络和判别网络两级构成，分别完成心音信号的识别与定位。首先将原始信号通过滑动窗口进行分帧，然后通过短时傅里叶变换得到其频谱，再通过梅尔滤波器得到其梅尔频谱系数（Mel frequency spectral coefficient， MFSC）特征，输入第1个定位网络对其是否为心音段进行判断，如果是的话，再输入判别神经网络，识别第一心音与第二心音，从而实现心音的分割。最后利用多帧结果投票，减小误判。同时，在卷积神经网络中引入空间注意力机制，实验结果表明，这种加入了注意力机制的两级神经网络模型在心音分割任务上比使用单个卷积神经网络分类模型的准确率更高，也使得模型更加简单，轻量化。
2023, 38(4):873-885.
DOI: 10.16337/j.1004-9037.2023.04.011
摘要:
为了更加精确地分割出甲状腺结节，本文提出了一种改进的全卷积神经网络（Fully convolutional network，FCN） 分割模型。相较于FCN，本文方法加入了空洞空间卷积池化金字塔 （Atrous spatial pyramid pooling， ASPP） 模块与多层特征传递模块（Feature transfer， FT），并采用LinkNet模型中Decoder模块进行上采样，VGG16主干网络实现特征提取下采样。实验采用来自斯坦福AIMI（Artificial intelligence in medicine and imaging）共享数据集的17 413张超声甲状腺结节图像分别用于训练、验证和测试。实验结果表明，相比于其他多种分割模型，本文模型在平均交并比（mean Intersection over union，mIoU），Dice相似系数，F1分数3个分割指标上分别达到了79.7%，87.6%和98.42%，实现了更好的分割效果，有效地提升了甲状腺结节的分割精确度。
为了更加精确地分割出甲状腺结节，本文提出了一种改进的全卷积神经网络（Fully convolutional network，FCN） 分割模型。相较于FCN，本文方法加入了空洞空间卷积池化金字塔 （Atrous spatial pyramid pooling， ASPP） 模块与多层特征传递模块（Feature transfer， FT），并采用LinkNet模型中Decoder模块进行上采样，VGG16主干网络实现特征提取下采样。实验采用来自斯坦福AIMI（Artificial intelligence in medicine and imaging）共享数据集的17 413张超声甲状腺结节图像分别用于训练、验证和测试。实验结果表明，相比于其他多种分割模型，本文模型在平均交并比（mean Intersection over union，mIoU），Dice相似系数，F1分数3个分割指标上分别达到了79.7%，87.6%和98.42%，实现了更好的分割效果，有效地提升了甲状腺结节的分割精确度。
2023, 38(4):886-897.
DOI: 10.16337/j.1004-9037.2023.04.012
摘要:
自闭症的诊断主要依靠患者的病史与临床症状表现，尚缺乏客观的评价指标，因此挖掘与疾病相关的生物标记，对于实现自闭症的早期识别与干预至关重要。尽管多中心脑影像数据增加了样本数量并提高了数据的统计能力，有助于提高自闭症的诊断性能，但目前的研究常受到数据异质性的困扰。为此本文提出基于低秩表示判别域适应的诊断模型，实现对多中心自闭症的预测分析。首先将源域数据和目标域数据映射到公共空间，并在空间用目标域数据对源域数据进行重新表示，从而降低源域和目标域之间的分布差异；其次通过学习正交重构矩阵使得源域数据在公共空间中的表示能够保留主要能量，从而适合于随后的学习任务；最后使用源域数据的标签信息将分类损失整合到训练过程中，从而保证公共空间表示的判别能力。为了求解所提出的模型，提出了基于交替方向乘子算法的优化策略。实验结果表明，该模型能够降低多中心数据分布差异，实现知识的有效迁移，从而提高多中心自闭症的诊断性能。
自闭症的诊断主要依靠患者的病史与临床症状表现，尚缺乏客观的评价指标，因此挖掘与疾病相关的生物标记，对于实现自闭症的早期识别与干预至关重要。尽管多中心脑影像数据增加了样本数量并提高了数据的统计能力，有助于提高自闭症的诊断性能，但目前的研究常受到数据异质性的困扰。为此本文提出基于低秩表示判别域适应的诊断模型，实现对多中心自闭症的预测分析。首先将源域数据和目标域数据映射到公共空间，并在空间用目标域数据对源域数据进行重新表示，从而降低源域和目标域之间的分布差异；其次通过学习正交重构矩阵使得源域数据在公共空间中的表示能够保留主要能量，从而适合于随后的学习任务；最后使用源域数据的标签信息将分类损失整合到训练过程中，从而保证公共空间表示的判别能力。为了求解所提出的模型，提出了基于交替方向乘子算法的优化策略。实验结果表明，该模型能够降低多中心数据分布差异，实现知识的有效迁移，从而提高多中心自闭症的诊断性能。
