咳嗽識別在臨床上具有重要的診斷指導意義。針對咳嗽頻譜能量的分布特點,本文提出了一種新的梅爾(Mel)頻率倒譜系數(MFCC)提取方法。將咳嗽頻譜劃分為若干個頻段,采用主元分析方法計算各頻段的能量強度系數,根據強度系數的插值曲線分配濾波器個數,設計Mel刻度上非均勻分布的濾波器組進行MFCC特征提取。基于隱馬爾可夫模型(HMM)的咳嗽識別實驗表明,該方法可以有效改善咳嗽識別的效果。
為解決當前臨床上缺乏對高血壓疾病亞型及并發癥發病模式分析的技術體系問題，本文提出了一種集成主元分析（PCA）、K-means 聚類、Apriori 頻繁項挖掘等理論，對高血壓患者群體差異因素下的并發癥模式分析方法。首先，針對患者指標的多樣性所帶來的冗余干擾問題，利用 PCA 理論對指標數據進行降維及去冗余處理；其次，在獲取指標數據主元成分的基礎上，利用 K-means 算法實現患者的群體分析；最后，基于不同患者群體的并發癥數據，利用 Apriori 算法實現并發癥頻繁模式分析。本文同時采用實際案例驗證上述方法的有效性，以期為當前醫療大數據的分析與應用提供有效的解決思路與方案。
基于深度學習的癲癇腦電自動檢測方法，能避免人為因素的影響而倍受關注，而其有效性主要取決于深度神經網絡模型。為此，本研究將根據癲癇腦電的多尺度、時空特點及導聯間的信息流動特征，設計一種基于注意力的多尺度殘差網絡（AMSRN），并與多尺度主元分析法（MSPCA）相結合，實現癲癇的自動檢測。首先，利用MSPCA對原始癲癇腦電信號進行去噪和特征增強；進而，設計AMSRN模型結構與參數。其中，注意力模塊（AM）、多尺度卷積模塊（MCM）、時空特征提取模塊（STFEM）和分類模塊（CM）相繼完成基于注意力加權機制的信號重表達以及多尺度-時空特征的提取、融合與分類。基于麻省理工學院的波士頓兒童醫院（CHB-MIT）公共數據集進行5折交叉驗證實驗研究，AMSRN模型在靈敏度（98.56%）、F1分數（98.35%）、準確度（98.41%）及精確度（98.43%）等方面均取得了較好結果。結果表明，AMSRN模型能夠很好地利用癲癇發作引起的腦網絡信息流動強化導聯間差異性，并有效捕獲癲癇腦電的多尺度和時空特征，有利于改善癲癇檢測性能。