針對腦機接口(BCI)系統中的多通道非平穩腦電(EEG)信號和腦磁(MEG)信號, 本文提出一種基于多通道經驗模式分解(MEMD)與功率特征結合的信號特征提取算法。首先將多通道腦信號經MEMD算法分解為一系列多尺度多元固有模態函數(IMF)近似平穩分量, 然后對每個IMF分量提取功率特征, 并利用主成分分析(PCA)降維處理, 最后使用線性判別分析分類器對信號特征分類。實驗采用第三次和第四次國際BCI競賽的數據進行驗證, 對皮層EEG信號和MEG信號運動想象任務的識別正確率分別達到92.0%和46.2%, 均位于競賽第一名水平。實驗結果表明本文所提方法有較好有效性和穩定性, 為腦信號特征提取提供了新思路。
腦機接口(BCI)可以直接通過腦電(EEG)信號控制外部設備。本文針對傳統主成分分析(PCA)和二維主成分分析(2DPCA)處理多通道EEG信號的局限性, 提出了多線性主成分分析(MPCA)的張量特征提取和分類框架。首先生成張量EEG數據, 然后進行張量降維并提取特征, 最后用Fisher線性判別分析分類器進行分類。實驗中將新方法應用到BCI competitionⅡ數據集4和BCI competitionⅣ數據集3, 分別使用了EEG數據的時空二階張量表示形式和時空頻三階張量表示形式, 通過對可調參數多次調試, 取得了高于其它同類降維方法的最佳結果。二階輸入最高正確率分別達到81.0%和40.1%, 三階輸入分別達到76.0%和43.5%。
2型糖尿病患者因長期代謝紊亂造成的認知功能障礙已經成為當前關注的重點。本文利用多通道同步方法——基于相位同步的S估計器對腦電信號進行同步分析, 以期發現與糖尿病輕度認知障礙有關的腦電特性。結果顯示:糖尿病輕度認知障礙患者與正常對照組相比各腦區各頻段的S值均減小, 尤其是δ和α頻段顯著降低, 表明腦電同步值降低; 患者MoCA得分與S值在α頻段具有顯著的正相關性。
運動性肌肉疲勞特指運動引起肌肉產生最大隨意收縮力量或者輸出功率暫時性下降的生理現象，處理不當會對人體產生嚴重的運動性損傷。本文通過對人體下肢表面肌電信號進行多通道采集，采用肌電信號頻譜分析與非線性動力學結合起來的帶譜熵方法，對運動性肌肉疲勞度進行衡量。實驗結果顯示，隨著肌肉疲勞程度的增加，肌電信號頻譜開始向低頻移動，能量越來越集中，系統復雜度下降，反映復雜度的帶譜熵值也隨之降低。通過對熵值變化的監測，可以度量肌肉疲勞程度，為體育訓練、臨床康復訓練等疲勞程度的判定提供了一個指標。
為實現人體心率的非接觸式測量并提高其測量的精準度，本文提出一種基于多通道雷達數據融合的人體心率測量方法。雷達數據首先依次對每個通道數據進行人體位置識別、相位提取與解纏繞、相位差分、功率譜熵優化的帶通濾波以及快速獨立成分分析提取。再將四通道數據疊加融合后，使用霜冰優化的變分模態分解分離出心跳信號。最后引入線性調頻Z變換進行心率估計。經過40組數據驗證，本文方法的平均均方根誤差為2.35次/分，平均錯誤率為2.39%，皮爾遜相關系數為0.97，置信區間為[–4.78, 4.78]次/分，一致性誤差為–0.04次/分。實驗結果顯示，本文提出的測量方法在準確性、相關性、一致性方面表現出色，能夠實現人體心率的精準測量。
胰腺形狀和輪廓多變，其分割是醫學圖像任務中公認的難點。基于卷積網絡（CNN）或轉換器（Transformer）的網絡在醫學圖像分割任務中表現出色，但CNN感受野窄，Transformer利用特征不充分，因此仍需改進。本文提出一種改進的胰腺分割方法，結合CNN和Transformer，在階段式編碼器中引入逐點可分離卷積，用更少參數提取更多特征。利用密集連接的集成解碼器融合多尺度特征，解決跳躍連接對結構的非必要限制。在深度監督中引入一致性項和對比損失，以保證模型的最終精度。為驗證方法的有效性，在長海胰腺數據集和美國國立衛生研究院（NIH）胰腺公開數據集上進行了大量對比實驗，分別取得了76.32%和86.78%的最高Dice相似性系數（DSC）值，同時多項其他指標占優。消融實驗驗證了網絡各組成部分對提升性能和減少參數均有重要貢獻。實驗說明本文改進的損失函數最能平滑訓練過程，使模型性能最佳。最終結果證實，本文方法性能表現優于其他先進方法，能夠有效提升胰腺分割效果，可輔助專業醫師診斷，為后續研究應用提供了可靠參考。