為評(píng)價(jià)上腔靜脈逆行性灌注對(duì)腦保護(hù)的效果 ,對(duì) 10余年來(lái)的研究成果進(jìn)行綜述。上腔靜脈逆行性灌注是深低溫停循環(huán)腦保護(hù)的輔助手段 ,已證明在低溫狀態(tài)下 ,它為腦部提供低流量血流 ,維持腦部低溫狀態(tài) ;提供部分氧和營(yíng)養(yǎng)物質(zhì) ,運(yùn)走代謝產(chǎn)物 ;減少氣栓及栓塞的發(fā)生 ,從而延長(zhǎng)了深低溫停循環(huán)腦保護(hù)的安全時(shí)限 ,而腦水腫的危險(xiǎn)性限制了該方法在臨床的應(yīng)用。在腦保護(hù)液中加入腦保護(hù)藥物已取得一定進(jìn)展 ,而上腔靜脈逆行性灌注中束閉下腔靜脈的研究仍在進(jìn)行中。在應(yīng)用該方法時(shí) ,應(yīng)注意掌握其適應(yīng)證及預(yù)防可能發(fā)生的危險(xiǎn)。
由于P波一般為低頻低幅波,容易受到基線漂移,肌電干擾等噪聲影響,且不是每個(gè)心拍都包含P波,確定某一心拍有無(wú)P波也是一難題,針對(duì)小波-幅值-斜率的方法對(duì)多樣形態(tài)P波適應(yīng)的局限性,以及小波變換結(jié)合神經(jīng)網(wǎng)絡(luò)檢測(cè)方法中選取偽P波樣本的局限性,本文提出了基于小波-幅值閾值并以多特征作為神經(jīng)網(wǎng)絡(luò)的輸入的P波檢測(cè)方法,該方法首先利用小波變換對(duì)心電(ECG)信號(hào)進(jìn)行去噪,然后利用小波變換求模極大值對(duì)的方法確定候選P波的位置,接下來(lái)利用幅值閾值初步判斷有無(wú)P波,最后利用神經(jīng)網(wǎng)絡(luò)確定心拍有無(wú)P波。本文經(jīng)由專家注釋的QT心電數(shù)據(jù)庫(kù)對(duì)該算法和傳統(tǒng)的小波閾值法及基于小波-幅值-斜率的方法檢測(cè)ECG信號(hào)P波的效果進(jìn)行了對(duì)比,驗(yàn)證了本文提出的算法的可行性,對(duì)醫(yī)院心電科記錄的ECG信號(hào)進(jìn)行了檢測(cè),其結(jié)果與醫(yī)生的標(biāo)注基本相同,并對(duì)QT數(shù)據(jù)庫(kù)中的13份且每份15 min的ECG信號(hào)進(jìn)行了檢測(cè)驗(yàn)證,P波正確檢測(cè)率達(dá)到了99.911%。
現(xiàn)有的心律失常分類方法通常采用人為選取心電圖（ECG）信號(hào)特征的方式，其特征選取具有主觀性，且特征提取復(fù)雜，導(dǎo)致分類準(zhǔn)確性容易受到影響等?；谝陨蠁?wèn)題，本文提出了一種基于判別式深度置信網(wǎng)絡(luò)（DDBNs）的心律失常自動(dòng)分類新方法。該方法所構(gòu)建的生成受限玻爾茲曼機(jī)（GRBM）自動(dòng)提取心拍信號(hào)形態(tài)特征，然后引入具有特征學(xué)習(xí)和分類能力的判別式受限玻爾茲曼機(jī)（DRBM），依據(jù)提取的形態(tài)特征和 RR 間期特征進(jìn)行心律失常分類。為了進(jìn)一步提高 DDBNs 的分類性能，本文將 DDBNs 轉(zhuǎn)換為使用柔性最大值（Softmax）回歸層進(jìn)行監(jiān)督分類的深度神經(jīng)網(wǎng)絡(luò)（DNN），通過(guò)反向傳播對(duì)網(wǎng)絡(luò)進(jìn)行微調(diào)。最后，采用麻省理工學(xué)院與貝斯以色列醫(yī)院心律失常數(shù)據(jù)庫(kù)（MIT-BIH AR）進(jìn)行實(shí)驗(yàn)驗(yàn)證，對(duì)于數(shù)據(jù)來(lái)源一致的訓(xùn)練集和測(cè)試集，該方法整體分類精度可達(dá) 99.84% ± 0.04%；對(duì)于數(shù)據(jù)來(lái)源非一致的訓(xùn)練集和測(cè)試集，通過(guò)主動(dòng)學(xué)習(xí)（AL）方法擴(kuò)充少量訓(xùn)練集，該方法整體分類精度可達(dá) 99.31% ± 0.23%。實(shí)驗(yàn)結(jié)果表明了該方法在心律失常自動(dòng)特征提取和分類上的有效性，為深度學(xué)習(xí)自動(dòng)提取 ECG 信號(hào)特征及分類提供了一種新的解決方法。
為了克服乳腺圖像微鈣化簇檢測(cè)中假陽(yáng)性率高、泛化性差等缺點(diǎn)，本文提出了一種結(jié)合判別式深度置信網(wǎng)絡(luò)（DDBNs）自動(dòng)快速定位乳腺 X 線圖像中微鈣化簇區(qū)域的方法。首先，對(duì)乳腺區(qū)域進(jìn)行提取及增強(qiáng)，將增強(qiáng)后的乳腺區(qū)域進(jìn)行子塊重疊分割和小波濾波；之后，構(gòu)建用于乳腺子塊特征提取和分類的 DDBNs 模型，將預(yù)訓(xùn)練后的 DDBNs 轉(zhuǎn)換成使用 softmax 分類器的深度神經(jīng)網(wǎng)絡(luò)（DNN），并通過(guò)反向傳播對(duì)網(wǎng)絡(luò)進(jìn)行微調(diào)；最后，輸入待檢乳腺 X 線圖像，完成可疑病灶區(qū)域的定位。通過(guò)對(duì)乳腺攝影篩查數(shù)據(jù)庫(kù)（DDSM）中的 105 幅含有微鈣化點(diǎn)的圖像進(jìn)行實(shí)驗(yàn)驗(yàn)證，本文方法獲得了 99.45% 的真陽(yáng)性率和 1.89%的假陽(yáng)性率，且檢測(cè)一幅 2 888 × 4 680 大小圖像的時(shí)間約 16 s。實(shí)驗(yàn)結(jié)果表明：該算法在保證較高真陽(yáng)性率的同時(shí)有效地降低了假陽(yáng)性率，檢測(cè)到的微鈣化簇區(qū)域與專家標(biāo)記區(qū)域具有高度一致性，為乳腺 X 線圖像中微鈣化簇區(qū)域的自動(dòng)檢測(cè)提供了新的研究思路。
針對(duì)在胎兒心電信號(hào)提取中，U-Net同級(jí)卷積編碼器尺度的單一性忽略了母親和胎兒心電特征波的大小和形態(tài)差異，且當(dāng)殘差收縮模塊作為編碼器的閾值學(xué)習(xí)過(guò)程中缺少對(duì)心電信號(hào)時(shí)間信息利用的問(wèn)題，本文提出一種基于多尺度殘差收縮U-Net模型的胎兒心電信號(hào)提取方法。首先在殘差收縮模塊中引入Inception和時(shí)間域注意力，增強(qiáng)同級(jí)卷積編碼器的胎兒心電信號(hào)多尺度特征提取能力和時(shí)間域信息的利用；為了保持更多的心電波形局部細(xì)節(jié)特征，將U-Net中的最大池化替換為Softpool；最后，由殘差模塊和上采樣構(gòu)成的解碼器逐步生成胎兒心電信號(hào)。本文應(yīng)用臨床心電信號(hào)進(jìn)行實(shí)驗(yàn)，最終結(jié)果表明：與其他胎兒心電提取算法相比，本文方法可以提取更為清晰的胎兒心電信號(hào)，在2013年競(jìng)賽數(shù)據(jù)集上靈敏度、陽(yáng)性預(yù)測(cè)值和F1分?jǐn)?shù)分別達(dá)到93.33%、99.36%、96.09%。因此本文方法可以有效提取胎兒心電信號(hào)，為圍產(chǎn)期胎兒健康監(jiān)護(hù)提供了一種具有應(yīng)用價(jià)值的方法。