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。
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。
由于兒童心臟大小隨年齡變化顯著，且兒童心率較快，超聲心動圖心臟邊界相較成人更模糊，因此兒科超聲心動圖的準確分割是一項具有挑戰性的任務。針對上述問題，本文提出了一種結合通道注意力和尺度注意力的雙解碼器網絡模型。首先，利用結合深監督策略的注意力引導解碼器，獲取心室區域的注意力圖；然后，將產生的心室注意力通過跳躍連接返回到網絡的多個層，調整編碼器生成的特征權重，突出左右心室區域；最后，通過尺度注意力模塊和通道注意力模塊強化左右心室邊緣特征。實驗結果表明，本文所提方法在所采集的雙側心室分割數據集中，平均戴斯系數（DSC）達到90.63%，優于醫學圖像分割領域一些常規和最新方法，尤其在心室邊緣處分割更清晰。本文的研究可為兒科超聲心動圖雙側心室分割以及后續先天性心臟病輔助診斷提供新的解決方案。