人體動作和路況的快速準確識別是實現智能假肢自主控制的基礎與前提。本文提出了一種基于假肢（下肢）慣導信號的高斯混合模型（GMM）和隱馬爾可夫模型（HMM）融合的人體動作和路況識別方法。首先，使用慣性傳感器采集膝關節處 x、y 和 z 軸方向上的加速度、角度和角速度信號，然后用時間窗截取信號段并用小波包變換消除信號的抖動噪聲；接著對預處理后的信號進行快速傅里葉變換，提取其系數作為特征值；隨后對特征進行主成分分析（PCA），去除冗余信息；最后采用高斯混合模型和隱馬爾可夫模型進行假肢動作和路況識別。試驗結果表明，本文方法對常規的動作（散步、跑步、騎行、上坡、下坡、上樓梯和下樓梯）的識別率分別達到 96.25%、92.5%、96.25%、91.25%、93.75%、88.75% 和 90%。同等試驗條件下，將本文方法與常規的支持向量機（SVM）識別方法進行比較，結果顯示本文方法的識別率明顯較高。本文研究結果或可為智能假肢的監測和控制提供新的思路和途徑。
混合模型框架下的模型，如潛變量增長混合模型（latent growth mixture modeling，LGMM）或潛類別增長分析（latent class growth analysis，LCGA），因估算過程中涉及多個決策過程，導致潛變量軌跡分析結果的報告呈現多樣性。為解決這一問題，指南制訂小組按照系統化的制訂流程，通過 4 輪德爾菲法調查，遵循專家小組意見，提出了各領域報告潛變量軌跡分析結果時需采用統一的標準，最終確定了報告軌跡研究結果必要的關鍵條目，發布了潛變量軌跡研究報告規范（guidelines for reporting on latent trajectory studies，GRoLTS），并利用 GRoLTS 評價了 38 篇使用 LGMM 或 LCGA 研究創傷后應激軌跡的論文的報告情況。
內、中膜厚度是臨床上用于評價動脈粥樣硬化發展程度的主要指標。目前，基于 B 超圖像測量內、中膜厚度通常由專業醫生手動標記內、中膜邊界來實現，過程繁瑣耗時，人為影響因素多。本文提出了一種基于高斯混合模型（GMM）的聚類灰度閾值法，以檢測 B 超圖像中頸動脈內、中膜厚度。首先基于 GMM 對頸動脈圖像灰度聚類，然后用灰度閾值法檢測血管壁內、中膜的分界，最后測量二者的厚度。與直接使用灰度閾值法的測量技術相比，頸動脈 B 超圖像的聚類解決了內、中膜灰度邊界模糊的問題，從而提高了灰度閾值法的穩定性與檢測精度。本研究選取 120 例健康頸動脈臨床試驗數據，以兩名專家分別手動精細測量 4 次的內、中膜厚度的均值作為參考值，最終研究結果顯示，經 GMM 聚類后估計的內、中膜厚度的歸一化均方根誤差（NRMSE）分別為 0.104 7 ± 0.076 2 和 0.097 4 ± 0.068 3；與直接進行灰度閾值估計的結果相比，NRMSE 的均值分別減小 19.6% 和 22.4%，表明本文所提方法測量精度有所提高；標準差分別減小 17.0% 和 21.7%，表明所提方法穩定性增加。綜上，本文方法有助于動脈粥樣硬化等血管疾病的早期診斷和病程監測。
醫學研究的人群中常存在潛在亞人群具有與其他個體不同的特征或變化趨勢，但無法直接識別。潛變量混合模型基于“總體是由有限個亞群混合構成”的思想，可根據后驗概率為個體分配潛在類別組，既適用于橫斷面數據，也可用于縱向數據。本文從統計學角度出發，詳細闡述潛變量混合模型的4種常見方法的基本原理，總結基本建模流程，并結合既往案例和實際數據對其合理應用進行述評。潛變量混合模型是一種靈活的分類工具，可用于識別和分析研究人群中的潛在類別，深入探討影響潛在類別的預測因素或其對結局變量的影響，具有重要的臨床應用價值。