生物醫(yī)學(xué)工程類別精選(九篇)

前言：一篇好文章的誕生，需要你不斷地搜集資料、整理思路，本站小編為你收集了豐富的生物醫(yī)學(xué)工程類別主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：生物醫(yī)學(xué)工程類別范文

2011考研復(fù)試國(guó)家線：廣東中山大學(xué)考研復(fù)試分?jǐn)?shù)線查詢

2011考研復(fù)試國(guó)家線于3月底公布。2011中山大學(xué)考研復(fù)試分?jǐn)?shù)線正式公布：

類別 報(bào)考學(xué)科門類（專業(yè)） 總分 單科（滿分=100分） 單科（滿分>100分） 學(xué)術(shù) 型 哲學(xué)[01] 320 45 90 經(jīng)濟(jì)學(xué)[02] 360 55 90 法學(xué)[03] 320 50 90 教育學(xué)[04] （不含體育學(xué)[0403]） 315 50 180 體育學(xué)[0403] 270 40 110 文學(xué)[05] （不含外國(guó)語言文學(xué)[0502]、藝術(shù)學(xué)[0504]） 350 55 90 外國(guó)語言文學(xué)[0502] 350 60 90 藝術(shù)學(xué)[0504] 320 40 90 歷史學(xué)[06] 310 50 180 理學(xué)[07]A線 （含數(shù)學(xué)[0701]、物理學(xué)[0702]、化學(xué)[0703]、地理學(xué)[0705]、生物學(xué)[0710]、教育技術(shù)學(xué)[077001]、環(huán)境科學(xué)與工程[0775]、分子醫(yī)學(xué)[077721]） 300 45 80 理學(xué)[07]B線 （含大氣科學(xué)[0706]、海洋科學(xué)[0707]、地質(zhì)學(xué)[0709]、力學(xué)[0772]、生物醫(yī)學(xué)工程[0776]） 280 45 70 心理學(xué)[0771] 350 60 90 工學(xué)[08] 270 45 60 農(nóng)學(xué)[09] 300 45 80 醫(yī)學(xué)[10] （不含基礎(chǔ)醫(yī)學(xué)[1001]） 310 50 180 基礎(chǔ)醫(yī)學(xué)[1001] 280 45 170 管理學(xué)[12] 340 60 90 專業(yè)學(xué) 位 金融碩士[0251] 350 60 90 應(yīng)用統(tǒng)計(jì)碩士[0252] 300 45 80 資產(chǎn)評(píng)估碩士[0256] 350 60 90 法律碩士（非法學(xué)）[035101] 320 50 90 法律碩士（法學(xué)）[035102] 320 50 90 社會(huì)工作碩士[0352] 350 55 90 教育碩士[0451] 300 50 90 漢語國(guó)際教育碩士[0453] 350 55 90 翻譯碩士[0552] 350 60 90 文物與博物館碩士[0651] 310 50 180 工程碩士[0852] 270 45 60 臨床醫(yī)學(xué)碩士[1051] 口腔醫(yī)學(xué)碩士[1052] 公共衛(wèi)生碩士[1053] 護(hù)理碩士[1054] 藥學(xué)碩士[1055] 310 50 180 工商管理碩士[1251] 180 50 110 公共管理碩士[1252] 180 55 110 會(huì)計(jì)碩士[1253] 320 50 120 旅游管理碩士[1254] 160 50 100 圖書情報(bào)碩士[1255] 300 50 100 工程管理碩士[1256] 160 50 110 單獨(dú)考試 法醫(yī)學(xué)[100105] 320 50 180 衛(wèi)生檢驗(yàn)與檢疫[100420] 320 50 180 管理科學(xué)與工程[120100] 320 55 90

第2篇：生物醫(yī)學(xué)工程類別范文

作者簡(jiǎn)介:陽維（1979-），男，湖北天門人，講師，博士，主要研究方向：圖像處理、模式識(shí)別； 張樹恒（1988-），男，河北邯鄲人，碩士研究生，主要研究方向：生物醫(yī)學(xué)圖像處理； 王蓮蕓（1957-），女，山西陽泉人，教授，主要研究方向：環(huán)境因素對(duì)免疫功能的影響； 張素（1968-），女，江蘇無錫人，副教授，主要研究方向：圖像處理。

文章編號(hào):1001-9081（2011）08-02249-04doi:10.3724/SP.J.1087.2011.02249

（1.南方醫(yī)科大學(xué) 生物醫(yī)學(xué)工程學(xué)院，廣州510515; 2.上海交通大學(xué) 生物醫(yī)學(xué)工程學(xué)院，上海200240;

3.上海交通大學(xué) 生命科學(xué)技術(shù)學(xué)院，上海200240）

（）

摘 要:針對(duì)花粉顯微圖像處理提出了一種自動(dòng)分割方法，將有助于花粉識(shí)別系統(tǒng)的開發(fā)。使用歸一化顏色分量訓(xùn)練圖像塊分類器，并且結(jié)合條件隨機(jī)場(chǎng)和圖割進(jìn)行建模和優(yōu)化，利用最大化后驗(yàn)概率（MAP）的方法實(shí)現(xiàn)花粉顯微圖像中花粉區(qū)域的分割。對(duì)于實(shí)驗(yàn)中的133幅圖像，自動(dòng)分割同人工分割的結(jié)果相比較，統(tǒng)計(jì)得到距離誤差均值為7.3像素，準(zhǔn)確率的平均值為87%。實(shí)驗(yàn)結(jié)果表明，使用圖像塊分類器和條件隨機(jī)場(chǎng)模型可以用于花粉圖像的分割。

關(guān)鍵詞:花粉顯微圖像；圖像分割；圖像塊分類器；條件隨機(jī)場(chǎng)；圖割

中圖分類號(hào): TP391.413文獻(xiàn)標(biāo)志碼:A

Segmentation of microscopic images based on

image patch classifier and conditional random field

YANG Wei1,2, ZHANG Shu-heng2, WANG Lian-yun3, ZHANG Su2

（1. School of Biomedical Engineering, Southern Medical University, Guangzhou Guangdong 510515, China;

2. School of Biomedical Engineering, Shanghai Jiao Tong University, Shanghai 200240, China;

3. School of Life Science and Biotechnology, Shanghai Jiao Tong University, Shanghai 200240, China）

Abstract: An automatic segmentation for pollen microscopic images was proposed in this paper, which was useful to develop a recognition system of airborne pollen. First, the image patch classifier was trained with normalized color component. Then, conditional random field was employed to model pollen images and Maximum A Posterior （MAP） was used to segment the pollen areas in microscopic images, with graph cut algorithm for optimization. In the experiments, the respective average values of mean distance error was 7.3 pixels and the true positive rate was 87% on 133 images. The experimental results show that image patch classifier and conditional random field model can be used to accomplish segmentation of the pollen microscopic images.

Key words: pollen microscopic image; image segmentation; image patch classifier; Conditional Random Field （CRF）; graph cut

0 引言

空氣中致敏花粉的監(jiān)測(cè)和預(yù)報(bào)，對(duì)于花粉癥的預(yù)防具有重要意義［1］。目前致敏花粉種類和濃度的統(tǒng)計(jì)，主要由重力法收集飄散在空氣中的花粉，然后人工在光學(xué)顯微鏡下觀察和計(jì)數(shù)，此過程耗時(shí)耗力。對(duì)花粉顯微圖像進(jìn)行自動(dòng)檢測(cè)、分類和計(jì)數(shù)是花粉自動(dòng)監(jiān)測(cè)系統(tǒng)的重要組成部分，其中花粉的形態(tài)特征是實(shí)現(xiàn)花粉分類的重要特征。所以，準(zhǔn)確地檢測(cè)和分割顯微圖像中的花粉區(qū)域，對(duì)于后續(xù)的特征提取、花粉的自動(dòng)分類和計(jì)數(shù)具有重要作用。

國(guó)內(nèi)外已有研究人員對(duì)花粉顯微圖像的分割和檢測(cè)方法進(jìn)行了研究。如文獻(xiàn)［2］在人工確定的花粉感興趣區(qū)域（Region of Interest, ROI）中估計(jì)最優(yōu)灰度閾值的方法實(shí)現(xiàn)分割，但是半自動(dòng)的分割方式效率低，且ROI的位置和大小均會(huì)影響分割結(jié)果，不能保證分割結(jié)果的一致性；文獻(xiàn)［3］中利用顏色相似性和霍夫變換對(duì)共聚焦顯微圖像中的花粉進(jìn)行檢測(cè)，可以得到61%的查準(zhǔn)率。

在本文中，將圖像分割問題看作是二值分類問題，即將圖像中每一個(gè)像素分類為前景或背景的問題，使用圖像塊分類器和條件隨機(jī)場(chǎng)（Conditional Random Field, CRF）實(shí)現(xiàn)花粉的分割。圖像塊分類器用于估計(jì)像素屬于花粉區(qū)域和背景的條件類別概率，然后使用條件隨機(jī)場(chǎng)對(duì)圖像進(jìn)行建模，從而有效地實(shí)現(xiàn)分割。

1 圖像塊分類器

圖像塊分類器被廣泛地應(yīng)用于圖像分類和物體檢測(cè)等方面［4］。本文中，圖像塊分類器應(yīng)用于花粉分割問題，具體步驟如下。

首先，選取若干花粉圖像作為訓(xùn)練集，對(duì)訓(xùn)練集中的圖像進(jìn)行人工標(biāo)注，確定圖像中花粉區(qū)域和背景，設(shè)花粉和背景的像素的標(biāo)號(hào)y分別為＋1和-1。然后，以像素Ic為中心取窗口大小h×h的圖像塊，將圖像塊中像素的灰度值或顏色值排列為特征向量x，x作為分類器的輸入，圖像塊的類別標(biāo)號(hào)為像素Ic的標(biāo)號(hào)y。使用邏輯回歸（Logistic Regression， LR）方法訓(xùn)練分類器:

p（y|x）1/［1+exp（y（wTx+b））］（1）

分類器參數(shù)為w和b。對(duì)于一幅新的圖像來講，計(jì)算像素Ic類別為y的后驗(yàn)概率，圖像塊分類器的輸出即為使得其后驗(yàn)概率較大的標(biāo)號(hào)y：

Y*arg maxY p（Y|X）（2）

式（2）中的內(nèi)積wTx，對(duì)于整幅圖像可轉(zhuǎn)化為卷積的形式。將w按照與x對(duì)應(yīng)的次序，重排為h×h或h×h×c大小的矩陣（這里c為顏色分量的數(shù)量），作為濾波器與灰度圖像或顏色分量圖像進(jìn)行卷積，然后利用式（1）估計(jì)圖像每個(gè)像素的后驗(yàn)概率。使用非線性方法構(gòu)造分類器，雖然可能使分類性能更好，但不能轉(zhuǎn)換為卷積操作，計(jì)算效率低。

在實(shí)驗(yàn)中，為減小光照強(qiáng)度的影響，顏色信息選取的是歸一化后的RGB值，對(duì)RGB分量進(jìn)行歸一化處理：C′，這里C為一顏色分量。依據(jù)實(shí)驗(yàn)結(jié)果以及文獻(xiàn)［5］的結(jié)果，使用這種歸一化方法，比使用顏色分量HSV或RGB得到的塊分類器性能要好。

2 條件隨機(jī)場(chǎng)―最大化后驗(yàn)概率模型

對(duì)于圖像分割問題，很多方法，例如LR或者支持向量機(jī)等方法，都是把像素的顏色分布看作是獨(dú)立同分布的。而實(shí)際中，像素與其鄰近像素存在相互依賴關(guān)系，使得圖像是平滑、連續(xù)的［6］。馬爾可夫隨機(jī)場(chǎng)（Markov Random Field, MRF）可以很好地描述這種局部像素的相互依賴關(guān)系，有效地實(shí)現(xiàn)建模。MRF通過借助條件概率的方法來描述鄰域像素或特征之間的關(guān)系［7］。CRF［8］實(shí)際上是MRF的一種變形。本文中，為進(jìn)一步改善分割效果，采用CRF模型融入更多的顯微圖像的先驗(yàn)信息，實(shí)現(xiàn)對(duì)花粉顯微圖像進(jìn)行建模和分割。

設(shè)隨機(jī)變量X為整幅圖像的觀測(cè)向量，Y為圖像所有像素對(duì)應(yīng)的類別標(biāo)號(hào)，Y{y1,…,yi,…}，CRF有如下形式：

P（Y|X）exp（∑i∈ΩAi（yi,X）+∑i∈Ω∑j∈NiIij（yi,yj,X））（3）

其中：Z為分配函數(shù)，使得P（Y|X）為一概率分布；Ω為圖像像素點(diǎn)的集合；Ni為像素i的鄰域；Vi（yi,X）為局部勢(shì)函數(shù)，與條件概率分布相關(guān)；Iij（yi,yj,X）為配對(duì)勢(shì)函數(shù)，描述像素相鄰點(diǎn)之間的關(guān)聯(lián)和對(duì)類別標(biāo)號(hào)的平滑性進(jìn)行約束。

直接使用CRF模型進(jìn)行學(xué)習(xí)和參數(shù)估計(jì)，需要計(jì)算分配函數(shù)Z，計(jì)算量非常大。簡(jiǎn)化文獻(xiàn)［7］中的偽條件隨機(jī)場(chǎng)方法，假設(shè)勢(shì)能函數(shù)Vi和Vij僅由局部的觀測(cè)決定：

Ai（yi,X）Ai（yi,xi）ln（p（yi|xi））（4）

Iij（yi,yj,X）Ii（yi,yj,xi,xj）（5）

并且取Ai（yi,xi）ln（p（yi|xi））ln （1/（1+exp（yi（wTxi+b）））），不考慮圖像塊之間的關(guān)聯(lián)，直接利用在圖像塊分類器中訓(xùn)練得到的分類函數(shù)。

由最大化后驗(yàn)概率（Maximum A Posterior, MAP）準(zhǔn)則得：

Y*arg maxY P（Y|X）arg maxY ln P（Y|X）arg maxY（∑i∈ΩAi（yi,X）+∑i∈Ω∑j∈NiIij（yi,yj,X））arg minY（-∑i∈Ωln（p（yi|xi））－∑i∈Ω∑j∈NiIij（yi,yj,xi,xj））（6）

MAP估計(jì)等價(jià)于最小化能量：

E（Y）-∑i∈Ωln（p（yi |xi ））-∑i∈Ω∑j∈Ni Iij （yi ,yj ,xi ,xj ）（7）

式（7）中能量函數(shù)的最小化可用圖割（Graph Cut）［9］算法高效解決，但需能量函數(shù)E（Y）中配對(duì)勢(shì)能函數(shù)為準(zhǔn)距離度量。改寫式（7）得:

E（Y）∑i∈Ω-ln（p（yi |xi ）） + λ∑i∈Ω∑j∈Ni Vij （yi ,yj ,xi ,xj ）（8）

其中：

Vi （yi ,yj ,xi ,xj ）α sim（xi ,xj ）, yi yj

（1-α）sim（xi ,xj ）, yi ≠yj

α（0≤α≤1）為權(quán)重系數(shù)；sim（xi ,xj ）exp（-xi -xj 2/（2δ2））為相鄰像素之間的相似性度量，δ為在整幅圖像上估計(jì)的xi－xj的標(biāo)準(zhǔn)偏差，與圖像塊分類器中使用的特征不同，xj、xj用像素i、j的LUV顏色分量值表達(dá)，λ為設(shè)定的參數(shù)。

3 顯微圖像分割流程

在進(jìn)行花粉顯微圖像分割時(shí)，首先，以圖像中每個(gè)像素及其鄰域的顏色信息作為圖像塊分類器的輸入，使用邏輯回歸來估計(jì)像素屬于花粉或背景的條件類別概率，這一步可以通過卷積的方法快速實(shí)現(xiàn)；然后，采用條件隨機(jī)場(chǎng)利用先驗(yàn)約束對(duì)圖像進(jìn)行建模，并且直接利用訓(xùn)練圖像塊分類器估計(jì)的條件類別概率作為似然度描述，結(jié)合最大化后驗(yàn)概率的方法實(shí)現(xiàn)花粉區(qū)域分割，并且使用圖割來優(yōu)化隨機(jī)場(chǎng)的能量函數(shù)；最后，對(duì)初步分割結(jié)果進(jìn)行處理，包括去掉細(xì)小顆粒（大小明顯小于花粉的顆粒），對(duì)邊界進(jìn)行開閉操作達(dá)到平滑效果，填補(bǔ)空洞等。本文分割方法流程如圖1所示。

圖1 CRF模型分割的流程

4 實(shí)驗(yàn)

4.1 花粉顯微圖像采集

本文中用到的顯微圖像［2,10］采集于2009年春季，均為實(shí)驗(yàn)人員利用Durham重力法采集的空氣中的花粉顆粒，然后在光學(xué)顯微鏡下進(jìn)行觀察并拍照得到的。圖像分辨率為1280×1024，花粉種類包括桑科、禾本科和松科，共計(jì)133幅圖像。花粉采集的具體過程為：首先將涂好粘附劑的載玻片放于花粉取樣器內(nèi)，收集在重力作用下落在載玻片上的花粉；然后用瓊脂―甘油染色劑對(duì)載玻片進(jìn)行染色；最后在光學(xué)顯微鏡×400倍（目鏡×10，物鏡×40）下對(duì)觀察到的花粉拍照，圖2（a）為一幅典型的花粉顯微圖像，其中圖像中央偏右的圓形區(qū)域?yàn)榛ǚ蹍^(qū)域。

經(jīng)過染色后的花粉顆粒在圖像中呈暗紅色或粉紅色，由于染色過程、照明、載玻片底色和污染等的影響，背景在不同顯微圖像上差別較大，大多呈淺藍(lán)色或淺紅色。從圖2（b）中可以看出，花粉區(qū)域與背景顏色分量的分布存在差異，主要表現(xiàn)在綠色和藍(lán)色分量上，紅色分量的分布差異不大。最簡(jiǎn)單的花粉分割方法，是將彩色顯微圖像轉(zhuǎn)化為灰度圖像，然后通過灰度閾值方法進(jìn)行分割。但污染和非花粉顆粒在灰度圖像上與花粉顆粒具有大致相同的灰度值，在整幅圖像上估計(jì)全局閾值難以得到滿意的分割，而且難以區(qū)分花粉與污染，如圖3（b）所示。

4.2 圖像塊分類器分割結(jié)果

在實(shí)驗(yàn)中，圖像塊窗口大小取5×5，使用的顏色分量為歸一化后的RGB分量，向量x長(zhǎng)度為5×5×375。圖3（c）顯示了圖3（a）對(duì)應(yīng)的條件類別概率映射，高亮區(qū)域?yàn)闄z測(cè)到的花粉。圖3（d）顯示了對(duì)概率映射使用閾值0.5得到的二值圖像。

圖2 采集到的花粉圖像及顏色直方圖

圖3 花粉顯微圖像分割示意圖

為了評(píng)估圖像塊分類器的分割性能，實(shí)驗(yàn)中分別隨機(jī)選取50000的圖像塊作為訓(xùn)練樣本集和測(cè)試樣本集，兩個(gè)樣本集中標(biāo)號(hào)為+1（花粉）和-1（背景）的樣本各約占50%。圖4顯示了在測(cè)試樣本集上，圖像塊分類器的接受者操作特性（Receiver Operating Characteristic， ROC）曲線，ROC曲線下面積（Area under ROC curve， AUC）為0.998，分類準(zhǔn)確率為98.6%。

圖4 圖像塊分類器的ROC曲線

4.3 CRF分割

使用CRF-MAP模型對(duì)花粉圖像進(jìn)行分割，多次嘗試后權(quán)重參數(shù)α取0.2，λ取10。圖3（e）顯示了使用CRF模型分割得到的花粉區(qū)域二值圖像，可以看出分割區(qū)域的連通性和平滑性得到了改善，但仍有部分污染和雜質(zhì)被誤分為花粉。

對(duì)CRF-MAP分割結(jié)果進(jìn)行后處理的具體步驟如下：首先去掉二值圖中面積小于500個(gè)像素的區(qū)域；接著用5×5的圓盤結(jié)構(gòu)元素對(duì)二值圖進(jìn)行形態(tài)學(xué)開和閉運(yùn)算；最后填補(bǔ)花粉區(qū)域的空洞。圖3（f）顯示了由本文方法最終得到的花粉輪廓，結(jié)果令人滿意。在部分圖像中，仍會(huì)有污染區(qū)域和非花粉顆粒經(jīng)后處理不能剔除，可將這些區(qū)域歸為非花粉區(qū)域在花粉識(shí)別的后續(xù)步驟進(jìn)行識(shí)別。

圖5中顯示了不同種類花粉圖像經(jīng)過CRF分割后的最終結(jié)果，其中白色邊界為CRF分割結(jié)果，黑色邊界為灰度閾值分割結(jié)果。可以看出，CRF方法對(duì)于不同光照情況均可以達(dá)到較為滿意的結(jié)果，這說明CRF方法具有一定的魯棒性。但是背景中經(jīng)過染色,顏色同花粉相似的一些雜質(zhì)仍難以去除。對(duì)于部分圖像，本文方法分割得到的區(qū)域略大于符合人眼視覺中的花粉區(qū)域，可能的原因是染色液在花粉邊界處形成了聚集。

為了量化評(píng)價(jià)分割結(jié)果的質(zhì)量［11］，實(shí)驗(yàn)中對(duì)133幅花粉圖像進(jìn)行人工分割和自動(dòng)分割，并且在表1中給出了CRF分割后的距離誤差均值（Mean Distance Error，MDE）和準(zhǔn)確率（True Positive Fraction，TPF）統(tǒng)計(jì)值。MDE和TPF的定義如下，設(shè)人工分割的邊界坐標(biāo)為M{m1,…,mp}，CRF分割的邊界坐標(biāo)為A{a1,…,aq}，定義邊界A上的點(diǎn)到邊界M的距離Dist為：

Dist（aj,M）minmk∈Maj－mk（9）

則MDE可以計(jì)算為：

MDE∑qj1Dist（aj,M）（10）

TPF的定義為：

TPF（11）

其中RA、RM分別為自動(dòng)提取和人工分割的花粉區(qū)域。

使用文獻(xiàn)［2］中的灰度閾值分割方法對(duì)整幅花粉顯微圖像進(jìn)行分割，結(jié)果并不理想，總計(jì)6幅圖像中花粉區(qū)域未被分割出來，并且17幅圖像的TPF小于50%。而使用本文的方法進(jìn)行分割，圖像中花粉區(qū)域全部被分割出來，并且只有3幅圖像的TPF統(tǒng)計(jì)值小于50%。由此統(tǒng)計(jì)及圖5中（白色邊界為CRF分割邊界，黑色為灰度閾值分割邊界）的結(jié)果可見，本文中的算法相較于灰度閾值分割算法，存在明顯的優(yōu)越性。但是，少量花粉顯微圖像中存在一些與花粉粘連,或顏色相近雜質(zhì)，本文方法仍難以對(duì)其進(jìn)行有效區(qū)分，使得MDE偏高且標(biāo)準(zhǔn)差相對(duì)較大。

表1 分割結(jié)果評(píng)價(jià)

圖5 分割結(jié)果比較

5 結(jié)語

在本文中，提出的基于圖像塊分類器和CRF模型的分割方法，對(duì)于大部分花粉顯微圖像，可以得到較為滿意的分割結(jié)果。該分割方法建立的局部顏色信息CRF模型，相較于以往很多常用的方法（基于灰度閾值或邊緣檢測(cè)的分割方法等），將像素與像素之間的關(guān)聯(lián)性考慮在圖像模型中，從而使得分割更加符合人眼的視覺特性。并且圖像塊分類器只需要較少的訓(xùn)練樣本就可以達(dá)到較好的分割結(jié)果，大大減少了訓(xùn)練成本。在實(shí)際分割過程中，運(yùn)算速度也可以滿足實(shí)時(shí)性需要。

在進(jìn)一步工作中，將嘗試針對(duì)不同尺度圖像塊的分類器，提高分類性能；通過旋轉(zhuǎn)、對(duì)折訓(xùn)練用的圖像塊，得到旋轉(zhuǎn)不變的濾波器，但計(jì)算量會(huì)有一定增加，一個(gè)可行的方法是對(duì)濾波器進(jìn)行約束，使得濾波器是旋轉(zhuǎn)不變和對(duì)稱的。在花粉邊界附近，往往存在顏色值變化較大的梯度，可以結(jié)合上邊界信息提煉CRF分割結(jié)果，進(jìn)一步提高分割的準(zhǔn)確性。

參考文獻(xiàn):

[1] 徐景先,李耀寧,張德山.空氣花粉變化規(guī)律和預(yù)測(cè)預(yù)報(bào)研究進(jìn)展［J］.生態(tài)學(xué)報(bào),2009,29（7）:3854-3863.

［2］ 張樹恒,陽維,廖廣姍,等.基于形狀和紋理特征的顯微圖像識(shí)別［J］.計(jì)算機(jī)工程與設(shè)計(jì),2011,32（4）:1379-1382.

［3］ LANDSMEER S H, HENDRIKS E A, de WEGER L A, et al. Detection of pollen grains in multifocal optical microscopy images of air samples ［J］. Microscopy Research and Technique, 2009, 72（6）: 424-430.

［4］ ZHANG S, YANG W, WU Y L, et al. Abnormal region detection in gastroscopic images by combining classifiers on neighboring patches ［C］// Proceedings of the 8th International Conference on Machine Learning and Cybernetics. Piscataway, NJ: IEEE, 2009: 2374-2379.

［5］ van de SANDE, GEVERS T, SNOEK C G M. Evaluating color descriptors for object and scene recognition ［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2010, 32（9）: 1582-1596.

［6］ LEE C H, SCHMIDT M, MURTHA A, et al. Segmenting brain tumor with conditional random fields and support vector machines ［C］// Proceedings of workshop on Computer Vision for Biomedical Image Applications. Berlin: Springer, 2005: 469-478.

［7］ 胡陽漣.基于馬爾可夫隨機(jī)場(chǎng)的圖像分割研究［D］.西安：西安理工大學(xué),2008.

［8］ LAFFERTY J, MCCALLUM A, PEREIRA F. Conditional random fields: Probabilistic models for segmenting and labeling sequence data ［C］// Proceedings of the 8th International Conference on Machine Learning. San Francisco: Morgan Kaufmann Publishers, 2001: 282-289.

［9］ BOYKOV Y, VEKSLER O, ZABIH R. Fast approximate energy minimization via graph cuts ［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2001, 23（11）: 1222-1239.

第3篇：生物醫(yī)學(xué)工程類別范文

關(guān)鍵詞:集成學(xué)習(xí);特征提取;Adaboost M1;醫(yī)學(xué)圖像分類

中圖分類號(hào):TP311文獻(xiàn)標(biāo)識(shí)碼:A 文章編號(hào):1009-3044(2009)33-9515-03

The Design of Medical Image Classification Based on Ensemble Leaning

LIN Xiao-jia

(Faculty of Logistic and Information Management, Fujian Ineternational Business and Economics College,Fujzhou 350006,China)

Abstract: The paper proposes a medical image classification based on ensemble leaning.The system we proposing consists of a pre-processing phase, a feature extraction phase and a building the classifier phase. On the basis research of single feature, one new method is proposed one kind of medicine image classification new method that synthesized the multi-characteristic merge and the data mining technology. This method is through the introduction of data mining in the concept of Ensemble Learning,utilizing the Ensemble learning method to classify to the single characteristic the weak sorter to carry on the iterative training.

Key words: ensemble learning;the characteristic extraction;adaboost M1;medical image classification

隨著計(jì)算機(jī)醫(yī)學(xué)成像技術(shù)的發(fā)展,醫(yī)學(xué)影像越來越多樣化,醫(yī)學(xué)影像的應(yīng)用也越來越廣泛,與此同時(shí)大量的醫(yī)學(xué)設(shè)備的應(yīng)用使得醫(yī)學(xué)影像的數(shù)量也越來越多,大量的影像資料使醫(yī)院迷失在信息的海洋。利用數(shù)據(jù)挖掘技術(shù)可以有效的對(duì)醫(yī)學(xué)圖像進(jìn)行組織和管理,合理有效的對(duì)其進(jìn)行分類,從而使其更好的輔助日常的醫(yī)學(xué)診斷和醫(yī)學(xué)研究。

該文提出的方法是使用SVM分類器將整個(gè)特征空間分成諸多子空間;采用集成學(xué)習(xí)方法Adaboost方法對(duì)樣本進(jìn)行多次抽樣,將Adaboost算法中的分類精度作為特征選擇的依據(jù),選取出少量有利于分類的特征,同時(shí)將單特征訓(xùn)練得到的弱分類器通過集成學(xué)習(xí)增強(qiáng)為強(qiáng)分類器。

1 系統(tǒng)的構(gòu)成

整個(gè)系統(tǒng)的構(gòu)成如圖1所示。

該系統(tǒng)主要包括訓(xùn)練和分類兩個(gè)階段。在醫(yī)學(xué)圖像訓(xùn)練階段,通過數(shù)據(jù)庫建立訓(xùn)練集,對(duì)醫(yī)學(xué)圖像進(jìn)行預(yù)處理,提取圖像顏色和紋理特征,創(chuàng)建訓(xùn)練的弱分類器。對(duì)圖像特征進(jìn)行選擇。分類階段進(jìn)行的是待分類圖像的選擇特征的提取,利用訓(xùn)練得到的強(qiáng)分類器進(jìn)行分類,輸出分類結(jié)果。

2 圖像預(yù)處理

由于實(shí)際的醫(yī)學(xué)圖像數(shù)據(jù)因?yàn)椴僮鞯脑?存在不完整性、噪聲和不一致性性,不能直接在原始數(shù)據(jù)上進(jìn)行數(shù)據(jù)提取,因此必須對(duì)醫(yī)學(xué)圖像進(jìn)行預(yù)處理。數(shù)據(jù)清洗和數(shù)據(jù)的變換[1-2]都是經(jīng)常用于圖像數(shù)據(jù)預(yù)處理技術(shù)上的。

圖像預(yù)處理的第一步就是圖像去噪。大部分的醫(yī)學(xué)圖像一般包含了大量有噪聲的背景:有的醫(yī)學(xué)圖像太暗,有的醫(yī)學(xué)圖案太亮,還有來自影像設(shè)備中電子元器件的隨即擾動(dòng)。通過去噪處理后,可以去掉圖像中的大多數(shù)的背景信息和噪聲,增強(qiáng)圖像的特征,提高圖像的信噪比。針對(duì)醫(yī)學(xué)圖像來說,圖像本身有邊緣模糊的特性,通過去噪對(duì)醫(yī)學(xué)圖像進(jìn)行復(fù)原,使之與原圖像逼近是存在比較大的困難的。因此本系統(tǒng)主要采取的去噪方法為濾波技術(shù),該技術(shù)可以在最大限度保持信號(hào)不受損失的基礎(chǔ)上,盡可能過濾噪聲,提高圖像的可讀性,將醫(yī)學(xué)圖像中感興趣的特征(圖像的輪廓和邊緣等重要信息)有選擇的突出。

圖像預(yù)處理的第二步是圖像歸一化,基于圖像特征分類主要是對(duì)圖像特征進(jìn)行匹配和區(qū)分的過程,但是通常情況下待檢圖像的圖庫中,圖像的大小尺寸并不完全相同,用戶所提供的分類例圖大小也不完全一樣的。在提取圖像特征(特別是空間分布特征)時(shí),就有可能存在本身同類的圖像所計(jì)算出來的特征差別卻很大,而不屬于同一類的圖像由于尺度不同卻計(jì)算出了相似的特征,進(jìn)而影響到分類的結(jié)果。為了防止這類情況的發(fā)生,本分類系統(tǒng)必須首先對(duì)圖像的尺度進(jìn)行歸一化,即通過對(duì)圖像的縮放使得圖像具有同一尺度256×256,在同一尺度上提取圖像特征,從而消除尺度影響,又能夠保證圖像的整體灰度不變性。通過對(duì)大尺度的圖像進(jìn)行尺度歸一化之后,按比例進(jìn)行了縮小,降低了圖像特征提取時(shí)的計(jì)算量,提高了分類速度。

3 基于集成學(xué)習(xí)方法的特征選擇和分類

3.1 集成學(xué)習(xí)方法

集成學(xué)習(xí)(Ensemble Learning)是一種新的用來組合的學(xué)習(xí)器的方法。其主要思想[3]是:通過某種組合方法把一些學(xué)習(xí)器組合起來,使得集成后的學(xué)習(xí)器能夠表現(xiàn)出比單個(gè)學(xué)習(xí)器更好的性能。狹義的說,集成學(xué)習(xí)是指利用多個(gè)同質(zhì)的學(xué)習(xí)器對(duì)同一個(gè)問題進(jìn)行學(xué)習(xí),這里的“同質(zhì)”是指所使用的學(xué)習(xí)器屬于同一種類型,例如所有的學(xué)習(xí)器都是決策樹、都是神經(jīng)網(wǎng)絡(luò)等等。廣義的來說,只要是使用多個(gè)學(xué)習(xí)器來解決問題,就是集成學(xué)習(xí)[4]。

集成學(xué)習(xí)從萌芽階段發(fā)展到現(xiàn)在,很多研究者提出了不同的算法。其中研究最深入,最具影響力,應(yīng)用最廣泛的就要算Boosting算法了。在眾多Boosting算法中,AdaBoost是Boosting家族中的基礎(chǔ)算法,也是Boosting家族最具代表性的算法,之后出現(xiàn)的Boosting家族中的擴(kuò)展算法都是在AdaBoost算法的基礎(chǔ)上發(fā)展而來的,對(duì)AdaBoost的分析也適用于其它的Boosting方法。因此下面我們以AdaBoost M1算法為例,進(jìn)行描述。

AdaBoost M1算法用于解決多類單標(biāo)簽問題。每個(gè)待分類樣本只能屬于多個(gè)類別中的單個(gè)類。AdaBoost M1的基本思想是:首先給定任意一個(gè)弱學(xué)習(xí)算法和訓(xùn)練集(x1,y1),(x2,y2),…,(xm,ym),yi在分類問題中是一個(gè)帶類別標(biāo)志的集合,yi∈Y={1,…,K}。初始化的時(shí)候,對(duì)每個(gè)訓(xùn)練例賦予的權(quán)重都相同為1/m。接著,調(diào)用弱學(xué)習(xí)算法對(duì)訓(xùn)練集進(jìn)行T次的迭代訓(xùn)練,每次訓(xùn)練后,按照訓(xùn)練結(jié)果更新訓(xùn)練集上的分布,對(duì)于訓(xùn)練失敗的訓(xùn)練示例賦予教大的權(quán)重,也就是在下一次迭代訓(xùn)練的時(shí)候,更加關(guān)注集中對(duì)這些失敗的訓(xùn)練例進(jìn)行訓(xùn)練。通過這樣的T次迭代訓(xùn)練,得到一個(gè)預(yù)測(cè)函數(shù)序列h1,h2,…,ht,其中ht也有一個(gè)權(quán)重,預(yù)測(cè)效果好的預(yù)測(cè)函數(shù)的權(quán)重較大,預(yù)測(cè)效果差的預(yù)測(cè)函數(shù)的權(quán)重較小。經(jīng)過T次迭帶后的最終預(yù)測(cè)函數(shù)H采用有權(quán)重的投票方式產(chǎn)生。

3.2 特征選擇和分類

本系統(tǒng)利用訓(xùn)練樣本的分類屬性,采用Adaboost M1算法同時(shí),對(duì)算法進(jìn)行改進(jìn),使算法同時(shí)具有進(jìn)行特征分類性能的評(píng)價(jià)(特征選擇)和SVM分類器的增強(qiáng)的功能:對(duì)樣本進(jìn)行多次抽樣,將分類精度作為特征對(duì)分類性能的判定依據(jù),進(jìn)行有效特征選擇,選取出少量對(duì)分類作用較大的特征,同時(shí)將單特征訓(xùn)練得到的弱分類器增強(qiáng)為強(qiáng)分類器,使分類器具有較好的分類精度和泛化能力。具體算法思想如下:

1) 在Adaboost M1算法每次迭帶訓(xùn)練時(shí)候,賦予每個(gè)訓(xùn)練例的分配權(quán)重 Dt(i)(t表示迭代次數(shù),i表示訓(xùn)練例標(biāo)號(hào)),同時(shí)也表明它被分類器選入新訓(xùn)練子集的概率。如果某個(gè)樣本已經(jīng)被準(zhǔn)確的分類,那么在構(gòu)造下一個(gè)訓(xùn)練集中,它所占的比重概率就會(huì)被降低;反之,如果某個(gè)樣本沒有被正確分類,那么它所占的比重就會(huì)得到提高。通過這樣的方式,Adaboost M1算法就能更加重視那些較困難、更富信息的樣本上。

2) 針對(duì)Adaboost M1這個(gè)特點(diǎn),我們?cè)谶x入的訓(xùn)練集上,選擇SVM作為弱學(xué)習(xí)機(jī),針對(duì)每個(gè)特征維向量進(jìn)行訓(xùn)練,產(chǎn)生弱分類器,并且計(jì)算分類精度,用來衡量該弱分類器對(duì)分類的作用程度,精度大的弱分類器表明該特征維向量的分類性能較好,有利于作為有效的分類特征,被選入作為分類特征,經(jīng)過多次迭代可以得到大部分對(duì)分類作用較高的特征,最終增強(qiáng)得到一個(gè)強(qiáng)分類器。

改進(jìn)的Adaboost M1進(jìn)行特征選擇以及SVM分類器增強(qiáng)的算法步驟如下:

輸入:訓(xùn)練集 (x1,y1),(x2,y2), …,(xm,ym) ,其中標(biāo)簽yi ∈Y={1, …,k}

特征維向量集{S}

弱學(xué)習(xí)算法SVM

迭帶訓(xùn)練的次數(shù)T

初始化:對(duì)于i=1,2,…,D1(i)=1/m, Do For t=1,2,…,T //其中T為迭代訓(xùn)練的次數(shù),m為訓(xùn)練樣本數(shù)。

步驟1 弱分類器學(xué)習(xí)

根據(jù)選擇權(quán)重Dt(i)進(jìn)行采樣,獲得第t次迭代樣本集,選取特征子集,學(xué)習(xí)重采樣后的樣本集得到弱分類器集合Hrt ,其中Srt是特征子集集合,表示第t次迭代的每個(gè)特征維度;Srt是弱分類器集合,是根據(jù)Hrt單特征訓(xùn)練出的弱分類規(guī)則,r表示特征維度標(biāo)簽號(hào),t表示迭代次數(shù)。

步驟2 計(jì)算分類精度,選擇特征

計(jì)算弱分類器在樣本集上的誤差 在此作為特征子集Srt 有效性的判據(jù),誤差越小則此特征子集作用越大,選取誤差最小(εt=min{εrt})的對(duì)應(yīng)的分類器為Ht與有效特征向量Srt計(jì)算本次迭代得到的分類器貢獻(xiàn)權(quán)值βt=εt/(1-εt)。

步驟3 更新權(quán)重

其中,βt為每次迭代的分類器貢獻(xiàn)權(quán)值,值由βt=εt/(1-εt)來確定;Dt(i)為每個(gè)訓(xùn)練例的分配權(quán)重,Zt為標(biāo)準(zhǔn)化常量。

輸出:有效特征子集Sr

增強(qiáng)分類器

通過改進(jìn)的Adaboost M1算法可以得到所選擇的特征子集Sr以及增強(qiáng)的分類器Hx。

分類時(shí),只要將待分類醫(yī)學(xué)圖像根據(jù)有效特征子集Sr進(jìn)行特征提取,輸入增強(qiáng)的分類器集 Hx中,就可得到分類的結(jié)果。

4 實(shí)驗(yàn)結(jié)果及結(jié)論

本實(shí)驗(yàn)所采用的是醫(yī)學(xué)圖像中的CT、MRI和DDR圖像,根據(jù)醫(yī)學(xué)圖像的功能和用途,我們將這些醫(yī)學(xué)圖像分為頭部(包括中樞神經(jīng)和頭頸五官)、胸部(包括呼吸系統(tǒng)、循環(huán)系統(tǒng))、腹部(包括消化系統(tǒng))、骨盆(包括泌尿系統(tǒng))和其他等五大類標(biāo)簽,每類標(biāo)簽60幅(由于CT應(yīng)用比較廣泛,所以選用CT圖像40幅,MRI和DDR各20幅),共計(jì)300幅圖像構(gòu)成圖像庫。在測(cè)試集和訓(xùn)練集的選擇上,采用10折交叉驗(yàn)證的方法。通過訓(xùn)練集最終選取了36維特征向量中的分類性能較高的12維(詳細(xì)如表1所示)。

分類性能采用敏感度(sensitivity)、特異度(specificity)以及分類精度(precision)三個(gè)指標(biāo)率來衡量:敏感度也稱真正識(shí)別率,即正確識(shí)別該類元組的百分比;特異度是真負(fù)率,即正確拒絕不屬于該類元組的百分比;而精度就來標(biāo)記實(shí)際屬于該類的元組在已分配到該類的元組總數(shù)的百分比,表2是本實(shí)驗(yàn)的分類結(jié)果。

從表2中可以看出,本實(shí)驗(yàn)醫(yī)學(xué)圖像分類器算法的敏感度、特異性和分類精度都較高,分類識(shí)別率和精度平均在83%左右。

分類系統(tǒng)的速度主要取決于特征的提取以及進(jìn)行分類的運(yùn)算量。如果將所有特征都運(yùn)用于分類的話,由于有些特征向量維度對(duì)分類貢獻(xiàn)不高,對(duì)分類效率沒有明顯的提高,并且也大大增加了特征提取階段的時(shí)間負(fù)擔(dān)。在本系統(tǒng)中僅僅選擇了不到1/3的特征,去除了部分對(duì)分類效率貢獻(xiàn)不高的特征,因此在特征提取階段速度大大提高了,而且在分類階段也因?yàn)橹辉谟行卣髦羞M(jìn)行提取分類,速度也有較大提高,表3列出了在 Inter Core Duo processor T2450 2.0GHz、1G DDR內(nèi)存、VC++6.0環(huán)境下本分類系統(tǒng)與其他分類平均分類精度的比較。

本方法比最常見的綜合特征分類法在特征提取分類階段速度上有所提高,但是比起單個(gè)特征提取,速度還是比較慢的。但是從表3正確率相比,準(zhǔn)確率還是蠻高的,相對(duì)的犧牲時(shí)間還是值得的。

參考文獻(xiàn):

[1] Maria-Luiza Antonie,Osmar R.Z aiane and Alexandru Coman,Application of Data Mining Techniques for Medical Image[C],Proceedings of the second international workshop on Multimedia Data Mining(MDM/KDD’2001),in conjunction with ACM SIGKDD conference.

[2] Osmar R.Z aiane,Maria-Luiza Antonie and Alexandru Coman,Mammography Classification by Association Rule-based Clasifier[C], MDM/KDD2002:International Workshop on Multimedia Data Mining(with ACM SIGKDD 2002).

[3] Zhou Z-H,Wu J-X,Tang W,Chen bining regression estimators:GA-based selective neural network ensemble.International Joural of Computational Intelligence and Applications,2001,1(4):341-356.

[4] Zhou Z-H,Wu J-X,Tang W.Ensembling neural networks:many could be better than all.Artificial Intelligence,2002,137(1-2):239-263

[5] 夏順仁,莫偉榮,王小英,嚴(yán)勇. 基于特征融合和相關(guān)反饋的醫(yī)學(xué)圖像檢索技術(shù)[J].航天醫(yī)學(xué)與醫(yī)學(xué)工程,2004,17(231):429-433.

第4篇：生物醫(yī)學(xué)工程類別范文

關(guān)鍵詞：醫(yī)學(xué)信息管理 知識(shí)融合 前趨圖 教學(xué)計(jì)劃

中圖分類號(hào)：G64 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1673-9795（2013）08（a）-0150-02

醫(yī)學(xué)信息學(xué)專業(yè)是醫(yī)學(xué)領(lǐng)域與管理學(xué)、計(jì)算機(jī)或電子通信等應(yīng)用領(lǐng)域的交叉學(xué)科，培養(yǎng)具備醫(yī)藥學(xué)基礎(chǔ)知識(shí)、信息管理知識(shí)、計(jì)算機(jī)科學(xué)技術(shù)知識(shí)及應(yīng)用能力、掌握衛(wèi)生信息管理、醫(yī)學(xué)信息學(xué)處理與醫(yī)療決策支持系統(tǒng)設(shè)計(jì)思想和方法，具有團(tuán)隊(duì)協(xié)作能力的高級(jí)復(fù)合型人才[1]。

隨著我國(guó)醫(yī)改的不斷加深，醫(yī)療信息化也變的越來越重要。據(jù)《2013年中國(guó)醫(yī)療行業(yè)信息化建設(shè)與IT應(yīng)用趨勢(shì)研究報(bào)告》[2]顯示，2012年中國(guó)醫(yī)衛(wèi)行業(yè)IT投入達(dá)185.6億元，較2011年同比增長(zhǎng)22.6%；2013年醫(yī)衛(wèi)行業(yè)信息化建設(shè)投入將繼續(xù)保持平穩(wěn)增長(zhǎng)趨勢(shì)，投資規(guī)模預(yù)計(jì)將達(dá)到225.5億元人民幣。由此看出國(guó)家對(duì)醫(yī)療信息化建設(shè)的重視程度。加強(qiáng)醫(yī)療信息化的建設(shè)不僅需要國(guó)家提供財(cái)政、政策的支持，也需要一大批具備專業(yè)知識(shí)的醫(yī)療IT人才來提供支撐。因此，加快培養(yǎng)同時(shí)具備醫(yī)學(xué)知識(shí)、信息技術(shù)與管理學(xué)知識(shí)的人才至關(guān)重要。

本文通過對(duì)全國(guó)開設(shè)醫(yī)學(xué)信息管理及相關(guān)專業(yè)的28所院校的課程設(shè)置進(jìn)行了詳細(xì)的調(diào)查研究與分析，并根據(jù)我校多年的教學(xué)經(jīng)驗(yàn)，對(duì)醫(yī)學(xué)信息管理專業(yè)在教學(xué)過程中的計(jì)算機(jī)知識(shí)與醫(yī)學(xué)知識(shí)的融合問題進(jìn)行了深入的探討，并提出了一些切實(shí)可行的建議，為后續(xù)醫(yī)學(xué)信息學(xué)專業(yè)的教學(xué)及課程設(shè)置提供理論參考依據(jù)。

1 課程設(shè)置方面存在的問題

在對(duì)國(guó)內(nèi)開設(shè)醫(yī)學(xué)信息管理專業(yè)的28所醫(yī)學(xué)院校的課程設(shè)置進(jìn)行調(diào)查與分析后，我們發(fā)現(xiàn)本專業(yè)在課程設(shè)置上還存在以下幾方面問題。

1.1 課程開設(shè)順序混亂

一些課程的開設(shè)必須建立在與其相關(guān)的另一課程的基礎(chǔ)上，例如，數(shù)據(jù)挖掘技術(shù)開設(shè)在數(shù)據(jù)庫之前，這樣不僅增加了老師的教學(xué)壓力，也提高了同學(xué)學(xué)習(xí)的難度。

1.2 跨學(xué)科知識(shí)融合困難

醫(yī)學(xué)信息學(xué)作為一門新興交叉學(xué)科，處理好多學(xué)科之間知識(shí)融合問題的確困難重重。國(guó)內(nèi)院校在進(jìn)行課程設(shè)置時(shí)，往往只是將各學(xué)科簡(jiǎn)單堆疊，課程間缺乏緊密配合，遠(yuǎn)沒有達(dá)到融合的程度[3]。計(jì)算機(jī)專業(yè)的老師往往不了解醫(yī)學(xué)知識(shí)，醫(yī)學(xué)教師不了解信息技術(shù)。在教學(xué)過程中不知道該如何將自己所授知識(shí)與其他學(xué)科知識(shí)進(jìn)行有機(jī)融合。因此，往往在教學(xué)過程中，只是做到了知識(shí)的簡(jiǎn)單疊加，并沒有進(jìn)行深層次的融會(huì)貫通，造成學(xué)生偏科思想嚴(yán)重，邏輯轉(zhuǎn)換困難等一系列問題的產(chǎn)生，大大影響了教學(xué)的質(zhì)量。

2 醫(yī)學(xué)信息管理專業(yè)主干課程及前驅(qū)圖分析

通過歸納與分析28所院校醫(yī)學(xué)信息管理專業(yè)詳細(xì)課程設(shè)置，我們主要將本專業(yè)的主干課程分為醫(yī)學(xué)基礎(chǔ)類、數(shù)學(xué)基礎(chǔ)類、信息技術(shù)類以及管理類四個(gè)類別。為解決好本專業(yè)學(xué)科開設(shè)順序混亂問題，我們總結(jié)了專業(yè)主干課程的先后依賴關(guān)系，并畫出了它們的前趨圖（見圖1所示），用此圖指導(dǎo)課程設(shè)置。

3 跨學(xué)科知識(shí)融合

為更有效的解決好醫(yī)學(xué)信息管理專業(yè)多學(xué)科交叉融合的問題，我們可以從以下幾個(gè)方面進(jìn)行調(diào)整。

（1）開設(shè)醫(yī)學(xué)和計(jì)算機(jī)交叉學(xué)科的相關(guān)課程并且引進(jìn)復(fù)合型人才授課。通過開設(shè)醫(yī)學(xué)和計(jì)算機(jī)交叉學(xué)科的相關(guān)課程來促進(jìn)醫(yī)學(xué)知識(shí)和計(jì)算機(jī)知識(shí)的有機(jī)融合，如醫(yī)學(xué)圖像處理、醫(yī)學(xué)數(shù)據(jù)挖掘等。醫(yī)學(xué)圖像處理是指用數(shù)字圖像處理手段來處理醫(yī)學(xué)圖像，以輔助醫(yī)生診斷；醫(yī)學(xué)數(shù)據(jù)挖掘是指從大量的醫(yī)療數(shù)據(jù)中提取或“挖掘”出有用的知識(shí)，并將這些知識(shí)按照某一特定模型進(jìn)行組織，用于醫(yī)療決策支持或統(tǒng)計(jì)分析。這些課程將醫(yī)學(xué)和計(jì)算機(jī)很好的融合到一起，方便同學(xué)進(jìn)行學(xué)習(xí)和理解。

（2）開展課間實(shí)習(xí)，注重綜合能力培養(yǎng) 在教育與教學(xué)過程中，要定期組織同學(xué)們進(jìn)行課間實(shí)習(xí)，使其深入到醫(yī)院各科室，詳細(xì)了解整個(gè)醫(yī)院的業(yè)務(wù)流程及醫(yī)院各系統(tǒng)的操作流程和整體網(wǎng)絡(luò)部署及架構(gòu)。使同學(xué)們能夠更好的熟悉現(xiàn)場(chǎng)的工作環(huán)境，對(duì)遇到的問題能夠及時(shí)自主的解決，在開放式的教學(xué)環(huán)境中更加利于培養(yǎng)學(xué)生的綜合素質(zhì)及能力。

（3）跨學(xué)科學(xué)術(shù)研究。在教學(xué)過程中，學(xué)校應(yīng)該多為同學(xué)提供課題研究的平臺(tái)與機(jī)會(huì)，鼓勵(lì)同學(xué)們積極參與到不同學(xué)科的課題研究過程中，利用自己的專業(yè)特長(zhǎng)與思維方式來解決其他學(xué)科的學(xué)術(shù)問題。這樣跨專業(yè)、跨學(xué)科的學(xué)業(yè)競(jìng)賽可以讓同學(xué)們以“主角”的身份參與其中，以更加主動(dòng)的方式去獲取知識(shí)，在科學(xué)研究的過程中不斷實(shí)現(xiàn)知識(shí)的融會(huì)與貫通。

（4）以畢業(yè)設(shè)計(jì)為驅(qū)動(dòng)，學(xué)以致用。在完成所有理論教學(xué)內(nèi)容后，學(xué)校通過安排同學(xué)到醫(yī)療機(jī)構(gòu)、醫(yī)療軟件公司或制藥企業(yè)等地方進(jìn)行實(shí)訓(xùn)與學(xué)習(xí)，并結(jié)合自己實(shí)習(xí)期間的所見所感及自身的知識(shí)積累，來開發(fā)一個(gè)與本專業(yè)相關(guān)的信息系統(tǒng)作為畢業(yè)設(shè)計(jì)。以此為驅(qū)動(dòng)，幫助同學(xué)們將所學(xué)知識(shí)進(jìn)行系統(tǒng)的歸納與整合，為參加工作做好充足準(zhǔn)備。

4 結(jié)語

解決好多學(xué)科知識(shí)交叉與融合問題還需要一個(gè)漫長(zhǎng)的過程，這需要社會(huì)、學(xué)校、老師及學(xué)生等多方面的共同努力。不斷加強(qiáng)對(duì)學(xué)生的職業(yè)生涯規(guī)劃，明晰本專業(yè)的人才培養(yǎng)目標(biāo)，改進(jìn)教學(xué)方法（PBL教學(xué)法[4]、任務(wù)驅(qū)動(dòng)教學(xué)法[5]），有意識(shí)的進(jìn)行實(shí)訓(xùn)與鍛煉。緊跟當(dāng)下知識(shí)融合、技術(shù)集成的時(shí)代要求，著力培養(yǎng)適合時(shí)展需要，既有寬闊知識(shí)面，又有強(qiáng)烈變革思維的“一專多能”復(fù)合型人才。

參考文獻(xiàn)

[1] 羅鐵清，周燃犀.醫(yī)學(xué)信息學(xué)專業(yè)醫(yī)學(xué)知識(shí)培養(yǎng)方法的探索[J].醫(yī)學(xué)信息，2011，24（3）：1138-1140.

[2] 中商情報(bào)網(wǎng).2013年中國(guó)醫(yī)療行業(yè)信息化建設(shè)與IT應(yīng)用趨勢(shì)研究報(bào)告[M]. ASKCI Consulting Co.，Ltd，2013.

[3] 候躍芳，張浩.國(guó)內(nèi)信息管理與信息系統(tǒng)專業(yè)課程設(shè)置調(diào)查研究[J].醫(yī)學(xué)信息學(xué)雜志，2012，33（1）：12-15.

第5篇：生物醫(yī)學(xué)工程類別范文

（廣東外語外貿(mào)大學(xué) 金融學(xué)院，廣東 廣州 510006）

摘 要：作為一個(gè)具有巨大應(yīng)用前景研究方向，深度學(xué)習(xí)無論是在算法研究，還是在實(shí)際應(yīng)用（如語音識(shí)別，自然語言處理、計(jì)算機(jī)視覺）中都表現(xiàn)出其強(qiáng)大的潛力和功能.本文主要介紹這種深度學(xué)習(xí)算法，并介紹其在金融領(lǐng)域的領(lǐng)用.

關(guān)鍵詞 ：深度學(xué)習(xí)；受限波茲曼機(jī)；堆棧自編碼神經(jīng)網(wǎng)絡(luò)；稀疏編碼；特征學(xué)習(xí)

中圖分類號(hào)：TP181 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1673-260X（2015）01-0037-03

1 深度學(xué)習(xí)的研究意義

深度學(xué)習(xí)是一類新興的多層神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法，因其緩解了傳統(tǒng)訓(xùn)練算法的局部最小性，引起機(jī)器學(xué)習(xí)領(lǐng)域的廣泛關(guān)注.深度學(xué)習(xí)的特點(diǎn)是，通過一系列邏輯回歸的堆棧作為運(yùn)算單元，對(duì)低層數(shù)據(jù)特征進(jìn)行無監(jiān)督的再表示（該過程稱為預(yù)學(xué)習(xí)），形成更加抽象的高層表示(屬性類別或特征)，以發(fā)現(xiàn)數(shù)據(jù)的分布式特征表示.深度學(xué)習(xí)的這種特性由于與腦神經(jīng)科學(xué)理論相一致，因此被廣泛應(yīng)用于語音識(shí)別、自然語言處理和計(jì)算機(jī)視覺等領(lǐng)域.

生物學(xué)研究表明[1]：在生物神經(jīng)元突觸的輸出變化與輸入脈沖的持續(xù)時(shí)間有關(guān)，即依賴于持續(xù)一定時(shí)間的輸入過程，輸出信號(hào)既依賴于輸入信號(hào)的空間效應(yīng)和閾值作用，也依賴于時(shí)間總和效應(yīng).

傳統(tǒng)的深度學(xué)習(xí)方法雖然較好地模擬了生物神經(jīng)元的一個(gè)重要特性——空間總和效應(yīng)上的深度，卻忽視了生物神經(jīng)元的另一個(gè)重要特性——時(shí)間總和效應(yīng)上的寬度[2].因此，對(duì)于連續(xù)的時(shí)間變量問題（如語音識(shí)別），傳統(tǒng)深度學(xué)習(xí)方法只能將連續(xù)的時(shí)間函數(shù)關(guān)系轉(zhuǎn)化為空間關(guān)系，即離散化為時(shí)間序列進(jìn)行處理.這樣做有幾個(gè)弊端：

（1）可能造成深度學(xué)習(xí)算法對(duì)時(shí)間采樣頻率的十分敏感，魯棒性較差.這使得，不同時(shí)間尺度下，需要使用不同的數(shù)據(jù)和算法.這無疑是十分不方便的；

（2）導(dǎo)致深度網(wǎng)絡(luò)規(guī)模過大，使得計(jì)算開銷增大、學(xué)習(xí)效果變差、泛化性能降低；

（3）難以滿足實(shí)際應(yīng)用對(duì)算法的實(shí)時(shí)性的要求，更難以體現(xiàn)連續(xù)輸入信息的累積效應(yīng)，大大降低深度學(xué)習(xí)算法的實(shí)用性.

因此，對(duì)傳統(tǒng)的深度學(xué)習(xí)算法進(jìn)行改進(jìn)，使其不但具有“深度”，亦能具有“寬度”，能夠?qū)B續(xù)時(shí)變數(shù)據(jù)進(jìn)行更好的特征提取、提高算法效率和實(shí)用性，顯得勢(shì)在必行.基于這個(gè)切入點(diǎn)，本項(xiàng)目借鑒時(shí)頻分析與小波分析中的方法，結(jié)合數(shù)學(xué)分析領(lǐng)域中的泛函分析技術(shù)，與堆棧自編碼神經(jīng)網(wǎng)絡(luò)相結(jié)合，提出一種新的深度學(xué)習(xí)算法——深度泛函網(wǎng)絡(luò).為了驗(yàn)證算法的有效性及優(yōu)越性，本項(xiàng)目將把新算法應(yīng)用于金融時(shí)間序列的領(lǐng)域.

在目前國(guó)內(nèi)外對(duì)于深度學(xué)習(xí)的研究中，幾乎沒有任何將深度學(xué)習(xí)技術(shù)運(yùn)用于金融數(shù)據(jù)的研究.通過提出并運(yùn)用得當(dāng)?shù)纳疃刃蛄袑W(xué)習(xí)方法，我們期望從金融數(shù)據(jù)中抽取更高級(jí)的、具有經(jīng)濟(jì)學(xué)意義或預(yù)測(cè)性意義的高級(jí)特征（與人工設(shè)計(jì)的“技術(shù)指標(biāo)”相對(duì)應(yīng)），并開發(fā)相應(yīng)的量化交易策略，并與其它傳統(tǒng)算法進(jìn)行對(duì)比，以說明所提算法的可行性和優(yōu)越性.

2 國(guó)內(nèi)外研究現(xiàn)狀

人類感知系統(tǒng)具有的層次結(jié)構(gòu)，能夠提取高級(jí)感官特征來識(shí)別物體（聲音），因而大大降低了視覺系統(tǒng)處理的數(shù)據(jù)量，并保留了物體有用的結(jié)構(gòu)信息.對(duì)于要提取具有潛在復(fù)雜結(jié)構(gòu)規(guī)則的自然圖像、視頻、語音和音樂等結(jié)構(gòu)豐富數(shù)據(jù)，人腦獨(dú)有的結(jié)構(gòu)能夠獲取其本質(zhì)特征[3].受大腦結(jié)構(gòu)分層次啟發(fā)，神經(jīng)網(wǎng)絡(luò)研究人員一直致力于多層神經(jīng)網(wǎng)絡(luò)的研究.訓(xùn)練多層網(wǎng)絡(luò)的算法以BP算法為代表，其由于局部極值、權(quán)重衰減等問題，對(duì)于多于2個(gè)隱含層的網(wǎng)絡(luò)的訓(xùn)練就已較為困難[4]，這使得實(shí)際應(yīng)用中多以使用單隱含層神經(jīng)網(wǎng)絡(luò)居多.

該問題由Hinton[5]所引入的逐層無監(jiān)督訓(xùn)練方法所解決.具體地，該法對(duì)深度神經(jīng)網(wǎng)絡(luò)中的每一層貪婪地分別進(jìn)行訓(xùn)練：當(dāng)前一層被訓(xùn)練完畢后，下一層網(wǎng)絡(luò)的權(quán)值通過對(duì)該層的輸入（即前一層的輸出）進(jìn)行編碼（Encoding，詳見下文）而得到.當(dāng)所有隱含層都訓(xùn)練完畢后，最后將使用有監(jiān)督的方法對(duì)整個(gè)神經(jīng)網(wǎng)絡(luò)的權(quán)值再進(jìn)行精確微調(diào).在Hinton的原始論文中，逐層貪婪訓(xùn)練是通過受限波茲曼機(jī)（Restricted Boltzmann Machine,RBM）以及相對(duì)應(yīng)的對(duì)比散度方法（Contrastive Divergence）完成的.與通常的神經(jīng)元不同，RBM是一種概率生成模型，通常被設(shè)計(jì)為具有二元輸入-輸出（稱為Bernoulli-Bernoulli RBM）.通過對(duì)每一層的受限波茲曼機(jī)進(jìn)行自底向上的堆棧（如圖1），可以得到深度信念網(wǎng)（Deep Belief Network,DBN）.

除了生成式的RBM，還有其他的深度學(xué)習(xí)結(jié)構(gòu)被廣泛使用和研究.如堆棧自編碼神經(jīng)網(wǎng)絡(luò)（Stacked Auto-Encoder Network,SAEN）[6],以及深度卷積神經(jīng)網(wǎng)絡(luò)（Deep Convolutional Network）[7]等.前者的優(yōu)勢(shì)在于可以簡(jiǎn)單地采用通常的BP算法進(jìn)行逐層預(yù)訓(xùn)練，并且引入隨機(jī)化過程的抗噪聲自編碼網(wǎng)絡(luò)（Denoising SAEN）泛化性能甚至超過DBN[8]；而后者則通過權(quán)值共享結(jié)構(gòu)減少了權(quán)值的數(shù)量，使圖像可以直接作為輸入，對(duì)平移、伸縮、傾斜等的變形具有高度不變性，因此在圖像識(shí)別領(lǐng)域有著廣泛應(yīng)用.

近年來，稀疏編碼（Sparse Encoding）和特征學(xué)習(xí)（Feature Learning）成為了深度學(xué)習(xí)領(lǐng)域較為熱門的研究方向.B.A.Olshausen[9]等針對(duì)人腦的視覺感知特性，提出稀疏編碼的概念.稀疏編碼算法是一種無監(jiān)督學(xué)習(xí)方法，它用來尋找一組“過完備”的基向量來更高效地表示輸入數(shù)據(jù)的特征，更有效地挖掘隱含在輸入數(shù)據(jù)內(nèi)部的特征與模式.針對(duì)稀疏編碼的求解問題，H.Lee等在2007年提出了一種高效的求解算法[10]，該算法通過迭代地求解兩個(gè)不同的凸規(guī)劃問題以提高效率.同年，H.Lee等發(fā)現(xiàn)，當(dāng)訓(xùn)練樣本為圖像時(shí)，對(duì)DBN的訓(xùn)練進(jìn)行稀疏性的約束有利于算法學(xué)習(xí)到更高級(jí)的特征[11].例如，對(duì)手寫識(shí)別數(shù)據(jù)集進(jìn)行訓(xùn)練時(shí)，稀疏性約束下的DBN算法自主學(xué)習(xí)到了“筆畫”的概念.

基于[10,11]的研究成果，R.Raina等[12]提出了“自導(dǎo)師學(xué)習(xí)（Self-Taught Learning）”的概念.與無監(jiān)督學(xué)習(xí)（Unsupervised Learning）和半監(jiān)督學(xué)習(xí)（Semi-supervised Learning）不同，自導(dǎo)師學(xué)習(xí)利用大量易獲得的無標(biāo)簽數(shù)據(jù)（可以來自不同類別甚至是未知類別），通過稀疏編碼算法來構(gòu)建特征的高級(jí)結(jié)構(gòu)，并通過支持向量機(jī)（Support Vector Machine,SVM）作為最終層分類器對(duì)少數(shù)有標(biāo)簽數(shù)據(jù)進(jìn)行分類.這種更接近人類學(xué)習(xí)方式的模式極大提高了有標(biāo)簽數(shù)據(jù)的分類準(zhǔn)確度.與之類似，H.Lee,R.Grosse等[13]提出了一種具有層次結(jié)構(gòu)的特征學(xué)習(xí)算法.該算法將卷積神經(jīng)網(wǎng)絡(luò)與DBN結(jié)合，并通過稀疏正則化（Sparsity Regularization）的手段無監(jiān)督地學(xué)習(xí)層次化的特征表征.圖像識(shí)別實(shí)驗(yàn)表明，該算法能夠自主學(xué)習(xí)得出“物體（Object Parts）”的概念，較好體現(xiàn)了人腦視覺感知的層次性和抽象性.

3 發(fā)展趨勢(shì)

由于信號(hào)處理、語音識(shí)別、金融時(shí)間序列分析、視頻分析等領(lǐng)域的實(shí)時(shí)應(yīng)用需求，研究能夠處理連續(xù)時(shí)變變量、自然體現(xiàn)時(shí)間聯(lián)系結(jié)構(gòu)的深度學(xué)習(xí)算法（即深度序列學(xué)習(xí)，Deep Sequence Learning）成為了新的研究熱點(diǎn).G.W.Taylor,G.E.Hinton等[14]提出時(shí)間受限波茲曼機(jī)（Temporal RBM,TRBM）.該模型使用二值隱含元和實(shí)值可視元，并且其隱含元和可視元可以與過去一段歷史的可視元之間可以有向地被相連.同時(shí)，該模型被用于人類動(dòng)作識(shí)別，并展現(xiàn)出了優(yōu)秀的性能.針對(duì)TRBM的一些不足，一些改進(jìn)算法也不斷涌現(xiàn)，如[15,16].然而，該類深度學(xué)習(xí)模型雖然考慮了動(dòng)態(tài)的時(shí)間變量之間的聯(lián)系，但依然只能處理離散時(shí)間問題，本質(zhì)上還是屬于轉(zhuǎn)化為空間變量的化歸法.同時(shí)，在自編碼網(wǎng)絡(luò)框架下，依然缺乏較好解決時(shí)間過程（序列）問題的方案.

4 金融時(shí)序數(shù)據(jù)中的應(yīng)用

傳統(tǒng)金融理論認(rèn)為，金融市場(chǎng)中的證券價(jià)格滿足伊藤過程，投資者無法通過對(duì)歷史數(shù)據(jù)的分析獲得超額利潤(rùn).然而，大量實(shí)證研究卻表明，中國(guó)股票價(jià)格波動(dòng)具有長(zhǎng)期記憶性，拒絕隨機(jī)性假設(shè)，在各種時(shí)間尺度上都存在的可以預(yù)測(cè)的空間.因此，如何建立預(yù)測(cè)模型，對(duì)于揭示金融市場(chǎng)的內(nèi)在規(guī)律，這無論是對(duì)于理論研究，還是對(duì)于國(guó)家的經(jīng)濟(jì)發(fā)展和廣大投資者，都具有重要的意義.

股票市場(chǎng)是一個(gè)高度復(fù)雜的非線性系統(tǒng)，其變化既有內(nèi)在的規(guī)律性，同時(shí)也受到市場(chǎng)，宏觀經(jīng)濟(jì)環(huán)境，以及非經(jīng)濟(jì)原因等諸多因素的影響.目前國(guó)內(nèi)外對(duì)證券價(jià)格進(jìn)行預(yù)測(cè)的模型大致分為兩類：一是以時(shí)間序列為代表的統(tǒng)計(jì)預(yù)測(cè)模型；該類方法具有堅(jiān)實(shí)的統(tǒng)計(jì)學(xué)基礎(chǔ)，但由于金融價(jià)格數(shù)據(jù)存在高噪聲、波動(dòng)大、高度非線性等特征，使得該類傳統(tǒng)方法無法提供有效的工具.另一類是以神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等模型為代表的數(shù)據(jù)挖掘模型.該類模型能夠處理高度非線性的數(shù)據(jù)，基本上從擬合的角度建模.雖然擬合精度較高，但擬合精度的微小誤差往往和市場(chǎng)波動(dòng)互相抵消，導(dǎo)致無法捕捉獲利空間甚至導(dǎo)致?lián)p失，外推預(yù)測(cè)效果無法令人滿意.因此，建立即能夠處理非線性價(jià)格數(shù)據(jù)，又有良好泛化能力的預(yù)測(cè)模型勢(shì)在必行.

——————————

參考文獻(xiàn)：

〔1〕Zhang L I, Tao H W, Holt C E, et al. A critical window for cooperation and competition among developing retinotectal synapses[J]. Nature, 1998, 395(6697).

〔2〕37-44.歐陽楷,鄒睿.基于生物的神經(jīng)網(wǎng)絡(luò)的理論框架——神經(jīng)元模型[J].北京生物醫(yī)學(xué)工程,1997,16(2):93-101.

〔3〕Rossi A F, Desimone R, Ungerleider L G. Contextual modulation in primary visual cortex of macaques[J]. the Journal of Neuroscience, 2001, 21(5): 1698-1709.

〔4〕Bengio Y. Learning deep architectures for AI[J]. Foundations and trends? in Machine Learning, 2009, 2(1):1-127.

〔5〕Hinton G E, Osindero S, Teh Y W. A fast learning algorithm for deep belief nets[J]. Neural computation, 2006, 18(7): 1527-1554.

〔6〕Vincent P, Larochelle H, Bengio Y, et al. Extracting and composing robust features with denoising autoencoders[C]//Proceedings of the 25th international conference on Machine learning. ACM, 2008: 1096-1103.

〔7〕Lee H, Grosse R, Ranganath R, et al. Convolutional deep belief networks for scalable unsupervised learning of hierarchical representations[C]//Proceedings of the 26th Annual International Conference on Machine Learning. ACM, 2009: 609-616.

〔8〕Vincent P, Larochelle H, Lajoie I, et al. Stacked denoising autoencoders: Learning useful representations in a deep network with a local denoising criterion[J]. The Journal of Machine Learning Research, 2010, 9999: 3371-3408.

〔9〕Olshausen B A, Field D J. Sparse coding with an overcomplete basis set: A strategy employed by V1?[J]. Vision research, 1997, 37(23): 3311-3325.

〔10〕Lee H, Battle A, Raina R, et al. Efficient sparse coding algorithms[J]. Advances in neural information processing systems, 2007, 19: 801.

〔11〕Lee H, Ekanadham C, Ng A Y. Sparse deep belief net model for visual area V2[C]//NIPS. 2007, 7: 873-880.

〔12〕Raina R, Battle A, Lee H, et al. Self-taught learning: transfer learning from unlabeled data[C]//Proceedings of the 24th international conference on Machine learning. ACM, 2007: 759-766.

〔13〕Lee H, Grosse R, Ranganath R, et al. Convolutional deep belief networks for scalable unsupervised learning of hierarchical representations[C]//Proceedings of the 26th Annual International Conference on Machine Learning. ACM, 2009: 609-616.

〔14〕Taylor G W, Hinton G E, Roweis S T. Modeling human motion using binary latent variables[J]. Advances in neural information processing systems, 2007, 19: 1345.

第6篇：生物醫(yī)學(xué)工程類別范文

關(guān)鍵詞：腦電波 意識(shí)交流 “腦-機(jī)接口”系統(tǒng)（BMI） “腦-腦”通信模式

中圖分類號(hào)：TN92 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-3973（2013）010-100-03

1 引言

隨著現(xiàn)代科技的高速發(fā)展，通信技術(shù)也得到了很大的提高，先后出現(xiàn)了3G，4G等新型移動(dòng)通信技術(shù)，但是卻依然不能滿足一些人群的需要，如聾啞等殘疾人。因此需要出現(xiàn)一種新型的通信方式來滿足這些人群的需要，筆者所提出的這種“腦-腦”通信模式就是這種新型的通信方式。人的大腦就是一臺(tái)功能強(qiáng)大的通信設(shè)備，同時(shí)具有編碼器和譯碼器，可以把很多外在信號(hào)翻譯為大腦可以識(shí)別的信號(hào)，例如把聲音信號(hào)翻譯為電信號(hào)。由于人的大腦在思維活動(dòng)時(shí)，會(huì)產(chǎn)生腦電波信號(hào)，雖然是一種低頻微弱信號(hào)，但是只要加以利用就同樣可以被人腦識(shí)別的，這就是我提出“腦-腦”通信模式的一些基礎(chǔ)。

這種通信方式可以實(shí)現(xiàn)私密話的交流，真正達(dá)到“一切盡在不言中”的效果。情人間不需要再用眉目傳情了，在人多的場(chǎng)合下就可以直接私密交流了；圖書館、自習(xí)室、會(huì)議室等地方可以私下交流而不影響他人。因?yàn)椴恍枰ㄟ^空氣這種介質(zhì)作為信道傳輸，因此在太空中也可以使用這種通信方式。

2 實(shí)現(xiàn)

2.1 理論依據(jù)

2.1.1 通信系統(tǒng)基本模型

通信系統(tǒng)基本模型包括：信源，發(fā)送設(shè)備，信道，接收設(shè)備，信宿，外加噪聲源。

2.1.2 腦電波

（1）腦電波形成條件：

1）同步化：節(jié)律性的腦電波是許多神經(jīng)元同時(shí)活動(dòng)和同時(shí)抑制的結(jié)果。只有頻率與位相皆相同，總和出來的波幅才能較大，否則就會(huì)相互抵消，甚至記錄不出電位變化。通常，同步化的程度越大，則波幅越大而頻率越低；反之，去同步化的程度越大，則波幅越小而頻率越高。

2）神經(jīng)元的排列方向一致：大腦皮層的錐體細(xì)胞排列非常整齊，其頂樹突都伸向皮層表面，因此，腦電波的形成，極有可能是由于許多錐體細(xì)胞產(chǎn)生的電位自細(xì)胞體傳向皮層表面的結(jié)果。當(dāng)這些錐體細(xì)胞進(jìn)行同步活動(dòng)時(shí)就會(huì)產(chǎn)生強(qiáng)大的電場(chǎng)，才能在皮層表面記錄出來。

（2）腦電波的高度特異性。

每個(gè)人的腦電波特征碼都是唯一的――腦電波指紋，因此，可以用于身份的鑒定。

（3）腦電波原理。

大腦工作時(shí)，神經(jīng)細(xì)胞中離子運(yùn)動(dòng)的運(yùn)動(dòng)產(chǎn)生電流，大腦150億的神經(jīng)元（腦細(xì)胞）不斷釋放出微電流。大腦總的電流活動(dòng)情況可以用腦電分析儀（EEG）測(cè)量記錄下來，這種大腦電流活動(dòng)的形態(tài)各不相同，有快有慢，由此產(chǎn)生了各種頻率的腦電波?？茖W(xué)界公認(rèn)的腦電波主要有四種狀態(tài)，神經(jīng)科學(xué)界根據(jù)腦波的頻率分成四個(gè)主要類別：震蕩頻率范圍分別為8Hz-14Hz、14Hz-100Hz、4Hz-8Hz、0.5Hz-4Hz。

2.2 運(yùn)用依據(jù)

2.2.1 電子精神控制技術(shù)

電子精神控制技術(shù)是通過高靈敏的接收元件接收并放大大腦活動(dòng)所產(chǎn)生的微弱腦電波電磁輻射信號(hào)，經(jīng)專門的譯碼軟件處理就可讀懂大腦內(nèi)部的思維活動(dòng)，反過來通過向神經(jīng)系統(tǒng)發(fā)射調(diào)制后的特定腦電波信號(hào)，也可以向人腦直接寫入信息，從而實(shí)現(xiàn)對(duì)人腦的直接遙控。

2.2.2 其他運(yùn)用實(shí)例

如腦電波控制小球升降，通過腦電波控制機(jī)器運(yùn)行（清華成功研制意念控物電腦，用腦電波控制機(jī)器狗踢球），腦電波對(duì)抗游戲等等。

3 “腦腦”通信模型構(gòu)思

裝置：發(fā)送調(diào)制后的腦電波信號(hào)，或者接收解調(diào)后的腦電波信號(hào)；基站：用于遠(yuǎn)距離通信時(shí)，類似于聯(lián)通、移動(dòng)等的基站。人的大腦是一部功能強(qiáng)大的通信設(shè)備，同時(shí)具有編碼器與譯碼器功能。該模型涉及到的學(xué)科有物理，生物，醫(yī)學(xué)，信息等；領(lǐng)域有信息技術(shù)，生物技術(shù)，新材料等。

4 模型設(shè)計(jì)及核心思想

4.1 關(guān)鍵問題

人的大腦如何識(shí)別這些腦電波信號(hào)？我們知道，現(xiàn)在我們?nèi)粘＝涣鞫际峭ㄟ^聲音信號(hào)，因?yàn)槁暡ㄊ菣C(jī)械波，可以產(chǎn)生振動(dòng)。聲音傳到耳朵里，引起耳內(nèi)耳蝸管的振動(dòng)，并傳到聽覺神經(jīng)，最后傳到大腦，從而使人能夠聽到聲音。而我們現(xiàn)在要通過腦電波交流的話，最重要的問題就是人的大腦如何識(shí)別外來的腦電波信號(hào)。如果大腦不能識(shí)別這些信號(hào)，就不能實(shí)現(xiàn)交流，就不能完成雙方通信了。因此，現(xiàn)在我們需要解決的難題就是如何讓我們的大腦來識(shí)別這些外來的腦電波信號(hào)，或者說是我們大腦如何接收他人的腦電波信號(hào)。

4.2 解決方案

方案一：轉(zhuǎn)變?yōu)槁曇粜盘?hào)傳給大腦。

我們知道人可用兩種方式獲得聲音信號(hào)：（1）通過聲波直接傳到耳朵，引起聽骨的振動(dòng)，產(chǎn)生微弱的電信號(hào)，大腦感知聲音；（2）把振動(dòng)體放在耳后的聽骨上，直接把聲音傳到聽骨上，產(chǎn)生電信號(hào)，讓大腦感知聲音?，F(xiàn)在已經(jīng)有技術(shù)可以將人的腦電波信號(hào)轉(zhuǎn)變?yōu)槁曇粜盘?hào)了，然后我們可以利用骨傳聲耳機(jī)直接將轉(zhuǎn)變后的聲音傳信號(hào)傳遞給聽覺神經(jīng)，從而讓聾啞人之間可以交流了。聲音通過頭骨、頜骨傳到聽覺神經(jīng)，引起聽覺叫骨傳導(dǎo)，骨傳聲耳機(jī)是就是利用骨傳導(dǎo)原理制成的。

方案二：腦電波信號(hào)直接傳給大腦。

人的大腦可以產(chǎn)生腦電波信號(hào)，也就可以接收腦電波信號(hào)，只不過不能直接就那樣接收。大腦思維是通過短距離高壓放電的電活動(dòng)來產(chǎn)生和工作的，大腦的信息讀取是通過神經(jīng)遞質(zhì)產(chǎn)生的電位差來讀取電信號(hào)的。換而言之，除非我們能夠讓目標(biāo)大腦產(chǎn)生一個(gè)精確的電位差。否則對(duì)方大腦不能接收這個(gè)信號(hào)，就像給自己手機(jī)開辦了短信業(yè)務(wù)，對(duì)方收不到你短信。我們傳遞過去的腦波信號(hào)，不過是噪音而已。因此，筆者認(rèn)為最起碼我們發(fā)過去的腦電波要變成和對(duì)方同頻率的信號(hào)，引起共鳴。但即使是同頻信號(hào)，雖會(huì)產(chǎn)生一定作用。但是，由于這些同頻干涉波，會(huì)讓大腦的正常活動(dòng)受到電磁干擾而發(fā)生偏移，產(chǎn)生幻覺，疼痛，心血來潮，突然脾氣爆發(fā)等等。

所以要讓對(duì)方大腦能夠接收外來的腦電波信號(hào)，就必須把這些外來的腦電波信號(hào)“同化”，讓自己的大腦能夠識(shí)別他人的腦電波信號(hào)。這種把他人的腦電波信號(hào)“同化”的技術(shù)已經(jīng)有了，雖然還不成熟，但足以說明這樣的做法是可以實(shí)現(xiàn)的。其中腦電波指紋儀就是其中的代表，腦電波指紋儀除了可以接收人的腦電波外，同時(shí)也能通過反饋將腦電波信號(hào)傳送給被害人的聽覺神徑，而且不是通過聲波，而是一種能被人接收的腦電波機(jī)反饋信號(hào)。也就是說腦電波指紋儀能夠?qū)⑺说哪X電波信號(hào)“同化”成能被自己大腦接收的信號(hào)。

4.3 突破點(diǎn)，創(chuàng)新點(diǎn)

（1）無介質(zhì)傳輸，因?yàn)槟X電波區(qū)別于聲波這種機(jī)械波，腦電波是一種電磁波，可以不通過介質(zhì)傳輸。

（2）提出了大腦接收腦電波的方式，解決了以往只能采集腦電波信號(hào)，通過儀器來分析這些信號(hào)而識(shí)別大腦活動(dòng)和大腦意識(shí)。這種突破可以實(shí)現(xiàn)人的意識(shí)交流，人的大腦直接讀懂他人的意識(shí)。

（3）手機(jī)等通信設(shè)備只能一次性接收一方信號(hào)，而人的大腦可以同時(shí)接收多方信號(hào)。正如我們?cè)诮徽剷r(shí)，可以和多個(gè)人交談，聽取多人的意見。

（4）直接利用大腦這臺(tái)龐大的通信設(shè)備，同時(shí)具有編碼器與譯碼器功能，從而省去了其他通信設(shè)備中編碼解碼技術(shù)。

5 最終模型

由于腦電波信號(hào)是小信號(hào)，頻率很低，即使距離很近，也根本不足以傳播出去。因此還是需要加載到高頻信號(hào)才能傳輸出去。而在接收方必須將解調(diào)后的腦電波信號(hào)“同化”后才能接收。

6 不足之處

（1）噪聲干擾。因?yàn)槟X波信號(hào)本就很微弱，是低頻信號(hào)，如果有很強(qiáng)的噪聲干擾的話，整個(gè)信號(hào)就變成了噪聲信號(hào)，那么對(duì)方收到的就不是腦電波信號(hào)，就變成了噪音。這些噪音進(jìn)入人的大腦，會(huì)嚴(yán)重影響人的大腦正常工作，讓大腦產(chǎn)生幻覺，疼痛等。

（2）材料昂貴?，F(xiàn)如今安放在人大腦上的硬件裝置是由一種昂貴的碗狀的帽子組成，上面布滿電極；而需要“同化”腦電波的裝置也很昂貴。

（3）不夠便捷。安放裝置比較麻煩，這種帽子要戴在人頭上很費(fèi)時(shí)間，而且需要在人的腦袋上涂上凝膠體，將電極粘在頭皮上，以此把電極和大腦皮層連接起來。這些加起來的裝置戴在頭上很是笨重，人行動(dòng)起來很是不方便。

（4）技術(shù)不成熟?，F(xiàn)如今與腦電波相關(guān)的技術(shù)還不是很成熟，對(duì)大腦的研究還處于探索階段，還有一段很長(zhǎng)的路。

7 展望

（1）由于腦電波具有高度特異性，每個(gè)人的腦電波特征碼都是唯一的――腦電波指紋，類似人的手指指紋。只有利用自身腦電波指紋才能接收到腦電波信號(hào)，而旁邊的人因?yàn)槟X電波指紋不同而無法收到這種腦電波信號(hào)，所以用腦電波信號(hào)交流的這種通信方式保密性很好。因此將其運(yùn)用到一些機(jī)密會(huì)談上很是適用。

（2）由于不需要介質(zhì)傳輸，這種通信方式也很適合運(yùn)用到太空飛行員，空間站人等的相互交流；一些聾啞人更可以利用這種通信方式交流。而且研究開發(fā)這種通信技術(shù)，對(duì)探索大腦功用也取到一定推動(dòng)幫助作用。

8 結(jié)束語

這套模型能否制作出來，還有待需要做一些實(shí)驗(yàn)得到驗(yàn)證，由于沒有一些儀器設(shè)備以及材料，筆者無法將這個(gè)模型或者這個(gè)實(shí)物制作出來，但是只要給充足的實(shí)驗(yàn)條件，經(jīng)過一些實(shí)驗(yàn)是可以做出這個(gè)模型的。一些不足之處也可以想辦法來加以改善的，例如噪聲干擾的問題可以通過加濾波器來改善；裝置不夠便捷，可以改用納米材料。用納米材料植入到大腦神經(jīng)，這種方法有一定的風(fēng)險(xiǎn)，可能會(huì)影響人的大腦中樞運(yùn)作，不能輕易嘗試，需要反復(fù)做實(shí)驗(yàn)，認(rèn)真研究方可實(shí)行。而且剛開始的運(yùn)用也只能是在一些動(dòng)物身上，因?yàn)槿说拇竽X中樞還是比較脆弱的，很容易損壞大腦組織。

這種通信方式能不能真正實(shí)現(xiàn)，還有很多因素制約著，但筆者認(rèn)為這種通信模式是可以行得通的。

參考文獻(xiàn)：

[1] 伍國(guó)鋒，張文淵.腦電波產(chǎn)生的神經(jīng)生理機(jī)制[J].臨床腦電學(xué)雜志，2000（3）.

[2] 沈偉慈.通信電路（第二版）[M].北京：北京郵電大學(xué)出版社，2007：1-3.

[3] Nature，published online.30 May 2004（doi：10.1038/nature02615）.

[4] Gordon L.Stuber.Principles of Mobile Communication.

[5] 周炯，龐沁華，等.通信原理（第三版）[M].北京：北京郵電大學(xué)出版社，2008.

第7篇：生物醫(yī)學(xué)工程類別范文

錦州市衛(wèi)生學(xué)校，遼寧錦州 121299

[摘要] 目的 分析探討冠狀動(dòng)脈粥樣硬化性心臟病心絞痛患者采用阿托伐他汀治療的臨床效果。方法 將78例冠狀動(dòng)脈粥樣硬化性心臟病心絞痛患者隨機(jī)分為兩組，即對(duì)照組和治療組。對(duì)照組采用倍他樂克、硝酸甘油、阿司匹林等常規(guī)用藥進(jìn)行治療，治療組在對(duì)照組的基礎(chǔ)上加用阿托伐他汀進(jìn)行治療，比較兩組的臨床效果及不良反應(yīng)。 結(jié)果經(jīng)治療后，對(duì)照組中顯效19例，有效9例，無效4例，加重2例；治療組中顯效28例，有效14例，無效2例，加重0例，且治療組TC（4.31±0.92）、LDL-C（3.58±0.39）、TG（1.84±0.57）值明顯要比對(duì)照組低， 而HDL-C（1.38±0.25）值要明顯高于對(duì)照組，差異有統(tǒng)計(jì)學(xué)意義（P<0.05），兩組不良反應(yīng)相比，治療組不良反應(yīng)要明顯較對(duì)照組輕，且無發(fā)生腎損傷等并發(fā)癥。結(jié)論 在應(yīng)用倍他樂克、硝酸甘油、阿司匹林等常規(guī)用藥的基礎(chǔ)上加用阿托伐他汀治療冠狀動(dòng)脈粥樣硬化性心臟病心絞痛，效果顯著，且不良反應(yīng)較輕，安全可靠，值得臨床的廣泛推廣。

關(guān)鍵詞 阿托伐他汀；冠狀動(dòng)脈粥樣硬化性心臟??；心絞痛

[中圖分類號(hào)] R541.4[文獻(xiàn)標(biāo)識(shí)碼] A[文章編號(hào)] 1674-0742（2014）04（b）－0104-02

[作者簡(jiǎn)介] 付淑君（1962.11-） ，女，遼寧錦州人，本科，高級(jí)講師，主要從事內(nèi)科教學(xué)，郵箱：jzwxfsj@126.com。

在內(nèi)科臨床中，冠狀動(dòng)脈粥樣硬化性心臟病是屬于常見疾病之一，是指因冠狀動(dòng)脈血管壁形成粥樣斑塊造成管腔狹窄導(dǎo)致供血不足而引起的心肌機(jī)能障礙和/或器質(zhì)性病變的一類疾病[1]。世界衛(wèi)生組織，將冠狀動(dòng)脈粥樣硬化性心臟病分為5種，即心絞痛、心肌梗死、無癥狀性心肌出血、缺血性心肌病和猝死[2]。而心絞痛是最常見的一種。冠心病患者實(shí)驗(yàn)室檢查一般多是下面的結(jié)果，總膽固醇（TC）升高、低密度脂蛋白膽固醇（LDL-C）升高、高密度脂蛋白膽固醇（HDL-C）降低、甘油三酯（TG）升高。該研究就該市遼附三院2012年4月—2013年3月期間收治的78例冠狀動(dòng)脈粥樣硬化性心臟病心絞痛患者為研究對(duì)象，分析采用阿托伐他汀治療心絞痛產(chǎn)生的臨床效果及不良反應(yīng)等結(jié)果，現(xiàn)報(bào)道如下。

1資料與方法

1.1一般資料

選取78例遼附三院于收治的冠狀動(dòng)脈粥樣硬化性心臟病心絞痛患者的臨床資料，其中，男性42例，女性36例，年齡46~87歲，平均66.5歲。隨機(jī)將他們分為對(duì)照組和治療組，每組各39例。兩組患者在治療前，均經(jīng)心電圖、64排雙元CT冠狀動(dòng)脈造影、動(dòng)態(tài)平板實(shí)驗(yàn)等檢查確診，且心絞痛病程有1~4個(gè)月，平均2.5個(gè)月。發(fā)作5~15次/周，平均4次。血漿總膽固醇（TC）≥4.68 mmol/L，甘油三酯（TG）≥1.70 mmol/L。對(duì)照組采用了倍他樂克、硝酸甘油、阿司匹林等常規(guī)用藥進(jìn)行治療，治療組在對(duì)照組的基礎(chǔ)上加用阿托伐他汀藥物進(jìn)行治療，分析與比較兩組患者的臨床效果及不良反應(yīng)。

1.2發(fā)病病因

目前，冠狀動(dòng)脈粥樣硬化性心臟病心絞痛的發(fā)病機(jī)制尚不明確[3]，但經(jīng)臨床研究顯示，總膽固醇（TC）、低密度脂蛋白膽固醇（LDL-C）、高密度脂蛋白膽固醇（HDL-C）、甘油三酯（TG）等與疾病的發(fā)生密切相關(guān)。其中與低密度脂蛋白膽固醇（LDL-C）增高、高密度脂蛋白膽固醇（HDL-C）降低有著密切的關(guān)系。也就是說低密度脂蛋白膽固醇（LDL-C）的增高和高密度脂蛋白膽固醇（HDL-C）的降低促進(jìn)了冠心病的發(fā)生、發(fā)展。高血壓、高血脂、高血糖、肥胖癥和吸煙是危險(xiǎn)因素中的可控的重要發(fā)病因素。在該78例冠狀動(dòng)脈粥樣硬化性心臟病心絞痛患者中，確診肥胖癥患者23例，有吸煙、喝酒史11例，高脂血癥36例，其它8例。

1.3治療方法

將收治的78例冠狀動(dòng)脈粥樣硬化性心臟病心絞痛患者分為對(duì)照組和治療組，每組各39例。兩組患者在治療前，其一般資料如年齡、性別、病程以及接受治療前總膽固醇（TC）、低密度脂蛋白膽固醇（LDL-C）、高密度脂蛋白膽固醇（HDL-C）、甘油三酯（TG）值等差異無統(tǒng)計(jì)學(xué)意義，具有可比性。對(duì)照組采用倍他樂克、硝酸甘油、阿司匹林（80~160 mg/d）等常規(guī)用藥進(jìn)行治療，治療組在對(duì)照組的基礎(chǔ)是上加用阿托伐他汀進(jìn)行治療，80 mg/d，12周為1個(gè)療程。囑患者在用藥后切忌過度進(jìn)食，可進(jìn)行適度的鍛煉，避免勞累或者過度的緊張，堅(jiān)持服藥[4]。

1.4療效判定及觀察指標(biāo)

療效判定根據(jù)中華心血管病雜志委員會(huì)推薦的指標(biāo)分為顯效、有效、無效和加重3種[5]。其中，顯效：靜息時(shí)，心電圖檢查顯示正常；同等程度的勞動(dòng)下，不會(huì)輕易的引起心絞痛，且心絞痛的發(fā)作頻次減少至80%以上；有效：經(jīng)治療后，心電圖缺血性的ST段由下降逐漸變?yōu)樯仙隣顟B(tài)，幅度為0.5 mm，T波平坦轉(zhuǎn)為直立或T波倒置變淺，且心絞痛發(fā)作頻次減少至50%~80%；無效：與治療前相比，心電圖情況并無明顯改善，且發(fā)作頻次減少50%；加重：較治療前，心電圖ST段下降幅度為0.5 mm以上，T波由直立變?yōu)槠教够蚣由?0%。且心絞痛發(fā)作頻次增加，持續(xù)時(shí)間較長(zhǎng)。經(jīng)治療后，對(duì)患者進(jìn)行隨訪6個(gè)月，觀察患者的用藥情況及不良反應(yīng)的發(fā)生。觀察指標(biāo)：采用生化儀檢測(cè)總膽固醇（TC）、低密度脂蛋白膽固醇（LDL-C）、高密度脂蛋白膽固醇（HDL-C）、甘油三酯（TG）的變化情況。

1.5統(tǒng)計(jì)方法

數(shù)據(jù)采用spss 13.0軟件進(jìn)行統(tǒng)計(jì)學(xué)處理，計(jì)數(shù)資料采用率表示，計(jì)量資料采用均數(shù)±平均值（x±s）表示，采用t檢驗(yàn)。

2結(jié)果

2.1兩組療效比較

采用秩和檢驗(yàn)對(duì)兩組療效進(jìn)行比較，經(jīng)治療后，兩組療效差異有統(tǒng)計(jì)學(xué)意義（P<0.05），且治療組的臨床效果要明顯優(yōu)于對(duì)照組，見表1。

2.2經(jīng)治療后兩組生化指標(biāo)比較結(jié)果

經(jīng)阿托伐他丁治療后，治療組與對(duì)照組相比，TC、LDL-C、HDL-C、TG差異有統(tǒng)計(jì)學(xué)意義（P<0.05），且治療組TC、LDL-C、TG值明顯低于對(duì)照組，HDL-C值明顯高于對(duì)照組，差異有統(tǒng)計(jì)學(xué)意義（P<0.05）。見表2。

2.3比較兩組不良反應(yīng)情況

對(duì)照組39例患者采用倍他樂克、硝酸甘油、阿司匹林等常規(guī)用藥進(jìn)行治療，且治療后，有12例患者出現(xiàn)惡心、嘔吐、腹痛、腹脹等不良反應(yīng)情況；治療組的39例患者在對(duì)照組的基礎(chǔ)上加用阿托伐他汀進(jìn)行治療，經(jīng)治療后，有6例出現(xiàn)惡心、嘔吐、腹痛、腹脹的不良反應(yīng)情況，且并無出現(xiàn)腎損傷等并發(fā)癥。

2.4隨訪結(jié)果

對(duì)于兩組患者均于從治療后開始，進(jìn)行半年隨訪，在隨訪過程中，每2個(gè)月讓患者做1次心電圖檢查和血總膽固醇（TC）、低密度脂蛋白膽固醇（LDL-C）、高密度脂蛋白膽固醇（HDL-C）、甘油三酯（TG）的測(cè)定，并讓患者密切觀察和記錄有無不良反應(yīng)，出現(xiàn)癥狀隨時(shí)就診。經(jīng)隨訪半年后，該院收治的78例患者均無出現(xiàn)心肌梗死和死亡現(xiàn)象。

3討論

冠狀動(dòng)脈粥樣硬化性心臟病是由于供應(yīng)心臟本身的冠狀動(dòng)脈管壁形成粥樣斑塊造成血管腔狹窄引起心臟病變。而心絞痛是期中的一個(gè)主要類別[6]。由患者的臨床表現(xiàn)來看，78例患者中多數(shù)表現(xiàn)為一種具有壓迫感、沉重感、緊束感和燒灼感的疼痛，一般持續(xù)時(shí)間不長(zhǎng)，大約2~3 min，持續(xù)不超過30min/次，追究其誘發(fā)因素，大多是由于急走、上樓、負(fù)重、情緒激動(dòng)等因素，一般由情緒因素引發(fā)冠心病心絞痛時(shí)，待心情平復(fù)時(shí)病情緩解，由體力因素引起時(shí)，多在運(yùn)動(dòng)停止后短時(shí)間內(nèi)病情可緩解[7]。78例冠狀動(dòng)脈粥樣硬化性心臟病心絞痛患者中，36例主因情緒激動(dòng)誘發(fā)，15例主因運(yùn)動(dòng)過度誘發(fā)，11例主因暴飲暴食，16例主因?yàn)槠渌蛩?。?jīng)用阿托伐他丁治療后，患者發(fā)生如下改變：①血脂得到明顯調(diào)整，血液中總膽固醇（TC）、低密度脂蛋白膽固醇（LDL-C）、甘油三酯（TG）均顯著降低，高密度脂蛋白膽固醇（HDL-C）則顯著增高。②改善了心肌供血，臨床癥狀明顯得到改善。③降低心絞痛發(fā)展為心梗的風(fēng)險(xiǎn)，阿托伐他汀降低了低密度脂蛋白膽固醇（LDL-C），升高了高密度脂蛋白膽固醇（HDL-C），防止了動(dòng)脈粥樣硬化的進(jìn)一步惡化，有效地預(yù)防了心梗的發(fā)生。用藥后對(duì)患者進(jìn)行6個(gè)月的隨訪，78例均無出現(xiàn)心肌梗死和死亡的現(xiàn)象。

阿托伐他汀鈣是甲基戊二酰輔酶A還原酶的抑制劑，而甲基戊二酰輔酶A還原酶是TC生物合成中的限速酶。阿托伐他汀鈣可通過對(duì)內(nèi)源性TC的合成抑制，使得血TC水平降低；同時(shí)使細(xì)胞表面LDL受體數(shù)目被誘導(dǎo)性增加，血清中LDL的清除以及受體介導(dǎo)的LDL的分解代謝由此增加[8]。因此，他汀類藥物的主要機(jī)制是影響血管內(nèi)皮一氧化氮酶（eNOS）的生物過程，具有能升高HDL水平、降低血TC、LDL水平、抗炎、抗氧化、延緩動(dòng)脈粥樣硬化、增加血管內(nèi)皮祖細(xì)胞的增殖作用[9-10]。由上述表1、表2可以看出，治療組所產(chǎn)生的臨床療效要遠(yuǎn)遠(yuǎn)優(yōu)于對(duì)照組，且治療組所產(chǎn)生的不良反應(yīng)如惡心、嘔吐、腹痛、腹脹等要較輕于對(duì)照組，且治療組的有效率為94.87%，對(duì)照組的有效率為84.62%，明顯高于對(duì)照組，差異有統(tǒng)計(jì)學(xué)意義，同時(shí)，治療組并無出現(xiàn)腎損傷的并發(fā)癥情況。對(duì)照組的生化指標(biāo)TC（5.43±0.85）、LDL-C（4.72±0.52）、TG（2.77±0.71）值要明顯高于治療組的生化指標(biāo)TC（4.31±0.92）、LDL-C（3.58±0.39）、TG（1.84±0.57）值，而生化指標(biāo)HDL-C值，治療組（1.38±0.25）明顯比對(duì)照組（1.04±0.17）要高，兩組差異有統(tǒng)計(jì)學(xué)意義（P<0.05）。

綜上所述，在采用常規(guī)用藥如倍他樂克、硝酸甘油、阿司匹林等基礎(chǔ)上，加用阿托伐他汀，可有效的治療冠狀動(dòng)脈粥樣硬化性心臟病心絞痛，且效果顯著，安全性高，不良反應(yīng)輕，不會(huì)產(chǎn)生腎損傷等并發(fā)癥，阿托伐他汀還具有降低心絞痛患者轉(zhuǎn)變?yōu)闉樾墓５娘L(fēng)險(xiǎn)，值得臨床的廣范推廣。

參考文獻(xiàn)

[1]沈映君.中藥藥理學(xué)[M].北京：人民衛(wèi)生出版社，2006：632，674，677.

[2]王迎春，周桔紅，羅文宣，等.阿托伐他汀治療冠狀動(dòng)脈粥樣硬化性心臟病的療效[J].現(xiàn)代生物醫(yī)學(xué)進(jìn)展，2010，10（16）：3073-3075.

[3]殷紅光.102例冠心病病人C反應(yīng)蛋白水平與病變程度關(guān)系探討[J].中西醫(yī)結(jié)合心腦血管病雜志，2005，3（8）：739-740.

[4]吳海深，張玉玲，牛云霞.中西醫(yī)結(jié)合治療老年冠狀動(dòng)脈粥樣硬化性心臟病心絞痛66例療效觀察[J].河北中醫(yī)，2007，29（7）：613-614.

[5]王照程.中西醫(yī)結(jié)合治療冠狀動(dòng)脈粥樣硬化性心臟病不穩(wěn)定型心絞痛療效觀察[J].河北中醫(yī)，2009（2）：234-235.

[6]陳蘭紅，陳德敏.老年冠心病合并血脂異常的臨床治療研究[J].中國(guó)醫(yī)學(xué)工程，2010（1）：77.

[7]錢玲妃，倪淑紅.阿托伐他汀對(duì)不穩(wěn)定型心絞痛患者血脂和血漿炎癥細(xì)胞因子的影響[J].中國(guó)藥房，2011（48）：4568-4569.

[8]王蔚蔚，王燦，馬曹.阿托伐他汀片治療不穩(wěn)定型心絞痛42例療效觀察[J].中國(guó)煤炭工業(yè)醫(yī)學(xué)雜志，2010（12）：1821-1822.

[9]黃夢(mèng)照，梁東，蒙應(yīng)寫，等.阿托伐他汀對(duì)不穩(wěn)定型心絞痛患者血脂及hs-CRP、TNF-α水平的影響[J].中國(guó)當(dāng)代醫(yī)藥，2013（12）：400-402.

第8篇：生物醫(yī)學(xué)工程類別范文

他汀類藥物，調(diào)脂治療的首選

第二軍醫(yī)大學(xué)附屬醫(yī)院心內(nèi)科博士 梁春/教授 吳宗貴

大多數(shù)冠心病患者都有血脂異常，所以，血脂異常是導(dǎo)致冠心病的主要危險(xiǎn)因素，而低密度脂蛋白膽固醇的異常升高則是其中最重要的原因。大量的臨床證明，降低低密度脂蛋白膽固醇(LDL-C)可以將心腦血管事件減少30％。所以，為防治冠心病，調(diào)脂治療的主要目標(biāo)就是降低低密度脂蛋白膽固醇(LDL-C)水平。為什么要把他汀類調(diào)脂藥物作為調(diào)脂治療的首選呢？在回答這個(gè)問題之前，必須首先明確以下兩個(gè)問題。

問題一：什么是他汀類藥物？它是如何調(diào)脂的？

他汀類藥物，實(shí)際上是膽固醇合成環(huán)節(jié)中一種關(guān)鍵酶的抑制劑，這種酶主要存在于肝細(xì)胞中，具有晝夜節(jié)律性，午夜最高，白天較低。他汀類藥物能夠“以假亂真”，抑制這種酶的活性，減少肝細(xì)胞合成膽固醇；同時(shí)，能捕捉到循環(huán)血中的低密度脂蛋白，將之清除；而對(duì)可轉(zhuǎn)化和清除低密度脂蛋白的高密度脂蛋白卻有升高的作用。因此，他汀類藥物能顯著降低血中膽固醇，尤其是低密度脂蛋白膽固醇水平，同時(shí)升高高密度脂蛋白濃度，從而達(dá)到我們所期盼的調(diào)脂作用。另外，根據(jù)這種酶活性晝低夜高的規(guī)律，午夜服用他汀類藥物的效果要好于白天。

問題二：他汀類藥物與其他調(diào)脂藥有何不同？

目前臨床上除了他汀類藥物外，常用的調(diào)脂藥物還有貝特類、樹脂、煙酸和魚油類。就調(diào)脂強(qiáng)度而言，他汀類藥物對(duì)降低低密度脂蛋白膽固醇水平作用最強(qiáng)，貝特類次之，樹脂、煙酸和魚油類療效不能令人滿意，但貝特類在降低甘油三酯和升高高密度脂蛋白方面優(yōu)于他汀類藥物。因此，他汀類藥物目前具有無可置疑的優(yōu)勢(shì)，而且符合我們所提倡的循證醫(yī)學(xué)的思路。

他汀類藥物除了能調(diào)節(jié)血脂外，還具有強(qiáng)大的多效性作用。首先，它有血管保護(hù)效應(yīng)，如改善內(nèi)皮功能、減少斑塊中的炎癥反應(yīng)等非調(diào)脂作用。所以，隨著研究的不斷深入，他汀類藥物的適應(yīng)癥，也正由調(diào)節(jié)血脂逐漸拓寬到抗動(dòng)脈粥樣硬化。有證據(jù)顯示，應(yīng)用他汀類藥物強(qiáng)化調(diào)脂，可阻止、甚至逆轉(zhuǎn)動(dòng)脈粥樣硬化的發(fā)展，也是現(xiàn)階段最有效的穩(wěn)定易損斑塊的措施。此外，它還具有抗心絞痛和抗心律失常作用。急性冠脈綜合征患者，越早使用他汀類藥物，獲益越大。所以，我們不能將他汀類藥物視為簡(jiǎn)單的調(diào)脂藥物，而更應(yīng)認(rèn)識(shí)到它在冠心病防治中的重要作用。正是他汀類藥物這些獨(dú)特作用，使之無可爭(zhēng)議地成為冠心病患者調(diào)脂治療的首選。

專家簡(jiǎn)介

梁春，醫(yī)學(xué)博士，博士后。擅長(zhǎng)心血管介入診療，長(zhǎng)期致力于動(dòng)脈粥樣硬化的研究。目前擔(dān)任上海市醫(yī)學(xué)會(huì)心血管病專業(yè)委員會(huì)動(dòng)脈粥樣硬化學(xué)組委員兼秘書，參加了包括國(guó)家“973”在內(nèi)的7項(xiàng)國(guó)家和上海市多項(xiàng)科研課題的研究，30余篇。2003年獲上海市科技進(jìn)步二等獎(jiǎng)。

吳宗貴，現(xiàn)任第二軍醫(yī)大學(xué)醫(yī)院心血管內(nèi)科主任，主任醫(yī)師，教授，博士生導(dǎo)師。學(xué)術(shù)職務(wù)：中華醫(yī)學(xué)會(huì)心血管病分會(huì)委員、全軍心血管病專業(yè)委員會(huì)副主任委員、上海醫(yī)學(xué)會(huì)理事、上海市心血管病分會(huì)副主任委員、國(guó)外醫(yī)學(xué)心血管分冊(cè)副主編，中華心血管病雜志編委、中國(guó)高血壓雜志編委、國(guó)際心血管雜志編委、中國(guó)內(nèi)科年鑒專業(yè)主編。

他汀類藥物并非人人可用

第三軍醫(yī)大學(xué)附屬大坪醫(yī)院心內(nèi)科主任、教授 王旭開

有效控制血脂成了眾多血脂異?；颊呒凹覍倨惹行枰鉀Q的問題。有的患者從某些媒體上、廣告上聽說了哪種藥物好，就自行去購(gòu)買服用；有些人一聽說他汀類藥好，就非要醫(yī)生給他開他汀類藥物不可。殊不知，藥不對(duì)癥，即使用了他汀類藥物，效果也不一定好，這是什么原因呢？這是因?yàn)樗☆愃幬镉兴倪m應(yīng)人群，并非人人皆可。

人體血液中脂質(zhì)一種或幾種成分的升高或降低，叫做血脂異常。過去，將其中某些脂質(zhì)成分的升高稱為高脂血癥或高脂蛋白血癥，現(xiàn)在則統(tǒng)稱為血脂異常。

血脂異常主要分原發(fā)性和繼發(fā)性兩類。原發(fā)性血脂代謝異常是由先天性遺傳基因缺陷、后天的飲食習(xí)慣和生活方式以及其他環(huán)境因素等引起，比如普通高膽固醇血癥、家族性高膽固醇血癥、家族性高甘油三酯血癥、家族性混合型血脂異常癥、乳糜微粒血癥等都屬于此型；而繼發(fā)性血脂代謝異常主要繼發(fā)于甲狀腺功能低下、糖尿病、痛風(fēng)、胰腺炎、阻塞性肝膽疾病、慢性腎病和腎病綜合征等多種疾病。

血脂異常有多種分型標(biāo)準(zhǔn)和方式，普通老百姓只要知道臨床最常使用的分型標(biāo)準(zhǔn)和方法，就足以指導(dǎo)防治血脂異常。而臨床上，我們通常將血脂異常簡(jiǎn)單分為4大類型：

高膽固醇血癥：主要是血清總膽固醇增高(包括低密度脂蛋白增高)。

高甘油三酯血癥：主要是血清甘油三酯增高（包括極低密度脂蛋白和乳糜顆粒增高）。

混合性血脂異常癥：主要是血清膽固醇和血清甘油三酯都增高（包括低密度脂蛋白和極低密度脂蛋白都增高）

低高密度脂蛋白血癥：主要是高密度脂蛋白降低。

由于分型不同，它們的治療也各不相同，但是低膽固醇飲食（每日最好不超過1/3個(gè)蛋黃）、限制能量、適當(dāng)?shù)倪\(yùn)動(dòng)是調(diào)節(jié)血脂的前提。而他汀類藥物卻只能適用于高膽固醇血癥及以膽固醇升高為主的混合性血脂異常癥。除此之外，對(duì)于冠心病合并血脂異常癥、糖尿病伴脂代謝紊亂、部分冠狀動(dòng)脈成形術(shù)后再狹窄的患者也必須使用他汀類藥物。其中，尤其是對(duì)低密度脂蛋白（LDL）水平高于每升2.6毫摩爾的2型糖尿病患者，他汀類調(diào)脂藥是其治療的主要藥物。但對(duì)于高甘油三酯血癥，他汀類藥物是沒有作用的，而應(yīng)該用亞油酸、煙酸和貝特類調(diào)脂藥，如苯扎貝特（商品名：必降脂）、非諾貝特（商品名：力平脂）等（詳見本刊2003年第4期10頁《調(diào)節(jié)血脂，讓“生命之河”長(zhǎng)流》）。

所以，不是所有血脂異常的患者都能使用他汀類藥物，患者最好能聽從專業(yè)醫(yī)師的指導(dǎo)，合理用藥。

專家簡(jiǎn)介

王旭開，第三軍醫(yī)大學(xué)附屬大坪醫(yī)院內(nèi)科教研室主任，大坪醫(yī)院心血管內(nèi)科主任醫(yī)師、教授、博士生導(dǎo)師，現(xiàn)任第三軍醫(yī)大學(xué)學(xué)位評(píng)審委員，中華醫(yī)學(xué)會(huì)重慶分會(huì)心血管專委會(huì)委員兼秘書，分子生物醫(yī)學(xué)工程學(xué)會(huì)委員和重慶微循環(huán)學(xué)會(huì)委員，第三軍醫(yī)大學(xué)學(xué)報(bào)英文編委，長(zhǎng)期從事心血管內(nèi)科專業(yè)臨床、教學(xué)和科研工作，擅長(zhǎng)冠心病、高血壓、各種快和慢心律失常的診治，尤其對(duì)代謝紊亂綜合征的診治有較豐富的經(jīng)驗(yàn)。

他汀類藥物：魔鬼還是天使

北京阜外心血管病醫(yī)院臨床藥理中心副主任醫(yī)師、博士 汪芳

拜斯亭停銷事件曾經(jīng)引起了醫(yī)藥界的極大關(guān)注，直到今天，很多血脂異常的患者還在因?yàn)樗芙^使用他汀類藥物。因此，不僅醫(yī)務(wù)工作者要面對(duì)這個(gè)問題，思考如何客觀、冷靜地評(píng)價(jià)他汀類藥物在臨床上的價(jià)值，眾多患者也迫切需要了解他汀類藥物使用中的諸多問題。

到目前為止，全世界大約有數(shù)萬人服用過拜斯亭。在西方國(guó)家曾有52名患者在服用此藥(1.6～3.2毫克/日)期間命喪黃泉。拜耳公司稱，出現(xiàn)服藥者死亡的事件，是因患者在使用拜斯亭的同時(shí)，還使用了降低甘油三酯的藥物吉非貝齊。而拜斯亭在中國(guó)上市以來，已有數(shù)千例患者使用過該產(chǎn)品，但至今在我國(guó)尚未發(fā)現(xiàn)嚴(yán)重不良反應(yīng)個(gè)案，盡管如此，拜耳公司仍然在中國(guó)境內(nèi)停銷了該產(chǎn)品。

雖然“拜斯亭事件”影響了他汀藥物的銷售，不過，通過10年多的醫(yī)學(xué)研究表明，他汀類藥物確能通過降低血清膽固醇，有效地防止心臟病，降低心臟病患者的死亡危險(xiǎn)，而且目前尚無其他類別的藥物可以替代。

但是，他汀類藥物也存在一些不良反應(yīng)。其中，最主要有以下兩項(xiàng)：

肝功能異常：使用他汀類藥物治療，少數(shù)患者可出現(xiàn)血清轉(zhuǎn)氨酶持續(xù)升高，但停藥后，通?？删徛芈渲劣盟幥八健Ｒ虼?，肝病活動(dòng)期或不明原因的轉(zhuǎn)氨酶升高是使用他汀類藥物的禁忌癥。建議在用藥前、開始用藥后和加量后定期檢查肝功能，一旦轉(zhuǎn)氨酶升高，就必須停藥，并經(jīng)常測(cè)定肝功能直至恢復(fù)正常。另外，有酗酒、肝病史的患者都要慎用該藥，用藥時(shí)應(yīng)密切監(jiān)測(cè)，建議從小劑量開始用藥，逐漸加量至達(dá)到治療效果。

肌?。耗壳八☆愃幬镆l(fā)橫紋肌溶解癥是最為嚴(yán)重的副作用。他汀類單藥治療引起肌病的發(fā)生率大約是千分之一，并且與劑量相關(guān)。同時(shí)，他汀類藥物如果與煙酸、貝特類調(diào)脂藥（吉非貝齊）、大環(huán)內(nèi)酯類抗生素（克拉霉素、紅霉素）、環(huán)孢菌素A、左旋甲狀腺素、米貝地爾等藥物合用時(shí)也可能引起橫紋肌溶解癥。當(dāng)肌溶解物質(zhì)堵塞腎小球或腎小管時(shí)，可引起急性腎功能衰竭，其發(fā)生概率約為三萬分之一以下，但對(duì)當(dāng)事人來說卻可能造成無法挽回的損害甚至死亡。如果肌病及時(shí)發(fā)現(xiàn)，并及時(shí)停藥，是可以逆轉(zhuǎn)的，急性腎衰也不會(huì)發(fā)生。因此，該類藥物必須在醫(yī)生指導(dǎo)下應(yīng)用。當(dāng)患者出現(xiàn)彌散的肌痛、肌軟或肌無力、以及肌酸激酶（CK）顯著升高，特別是伴有不適或發(fā)燒，就要考慮肌病的可能性，患者需要立即就醫(yī)。一旦懷疑或確診為肌病應(yīng)立即停藥，多數(shù)情況下均可恢復(fù)。

他汀類藥物其他相關(guān)的不良反應(yīng)比較少見，發(fā)生藥物不良反應(yīng)的患者均應(yīng)停用該藥。如果要想避免不良反應(yīng)，關(guān)鍵還是要在規(guī)定的適應(yīng)癥范圍內(nèi)、規(guī)定的使用劑量范圍內(nèi)使用，并避免與禁止合用的藥物聯(lián)用，同時(shí)也要求醫(yī)生在臨床用藥時(shí)嚴(yán)格遵守說明中規(guī)定的事宜，切忌濫用。尤其是應(yīng)避免與有影響的藥物合用。

鑒于很多患者對(duì)他汀類降膽固醇制劑安全性非常擔(dān)憂，美國(guó)心臟病學(xué)會(huì)主席Zipes醫(yī)師曾說：“正如所有的藥物一樣，他汀類藥物雖然有副作用，但應(yīng)用他汀類藥控制膽固醇升高的好處，遠(yuǎn)遠(yuǎn)超過服用這類藥物發(fā)生嚴(yán)重副作用的危險(xiǎn)"。所以，醫(yī)師們鼓勵(lì)那些服用他汀類藥而無副作用的患者繼續(xù)服用此類藥，如有不良反應(yīng)，患者應(yīng)向他們的醫(yī)師提出咨詢，并且最好在了解該類藥物的醫(yī)師指導(dǎo)下服藥。

專家簡(jiǎn)介

汪芳，副主任醫(yī)師, 協(xié)和醫(yī)科大學(xué)阜外心血管病醫(yī)院臨床藥理在讀博士研究生。一直從事心內(nèi)科工作。1996年前往丹麥哥本哈根國(guó)立醫(yī)院電生理及導(dǎo)管室做訪問學(xué)者。參與多項(xiàng)藥物臨床試驗(yàn)，共發(fā)表文章13篇。

3個(gè)誤區(qū)5種對(duì)策

華中科技大學(xué)同濟(jì)醫(yī)學(xué)院附屬協(xié)和醫(yī)院心內(nèi)科教授 王朝暉

他汀類藥物是目前最常用的調(diào)節(jié)血脂的藥物之一，但在認(rèn)識(shí)和使用上卻存在3個(gè)誤區(qū)。

誤區(qū)一 血脂異常者單靠控制飲食不用調(diào)脂藥就能控制

血脂異常是一種慢性代謝異常，對(duì)于一些輕癥血脂異常者，平時(shí)多吃谷類、豆制品、蔬菜、菌類、瓜果，加上適量的運(yùn)動(dòng)是有效的。但是，對(duì)重癥或頑固性血脂異常者，單靠低脂飲食或間斷服藥都是很難達(dá)到治療目的的，必須依靠調(diào)節(jié)血脂的藥物才能有效控制。而他汀類調(diào)脂藥物是目前調(diào)節(jié)血脂的最好藥物，雖然有一些副作用，但是其效果目前還是得到國(guó)內(nèi)外專家一致認(rèn)同。因此，血脂異?；颊卟粦?yīng)該因其副作用而忽略該類藥物的作用。

誤區(qū)二 血脂正常后不需繼續(xù)維持治療

很多患者因?yàn)槁爠e人說他汀類調(diào)脂藥物有副作用，所以，一旦血脂恢復(fù)正常后，就迫不及待地停藥。但是，這類患者在停藥1～2周后血脂會(huì)又回到治療前的水平。一旦復(fù)發(fā)，不管是從心理還是治療上，都給患者帶來一定的壓力。

誤區(qū)三 長(zhǎng)期治療也不需監(jiān)測(cè)隨訪

由于不同患者對(duì)同一調(diào)脂藥物的療效和不良反應(yīng)有相當(dāng)大的差別，故雖然僅有少數(shù)患者未在醫(yī)生的指導(dǎo)或隨訪下服用，會(huì)出現(xiàn)肝功能異?；蚣〔〉炔涣挤磻?yīng)，但為了監(jiān)控自己的病情，避免出現(xiàn)不良反應(yīng)，最好能做到定時(shí)定點(diǎn)監(jiān)測(cè)隨訪。

針對(duì)以上認(rèn)識(shí)和使用上的誤區(qū)，醫(yī)生們建議血脂異常的患者在使用他汀藥物前和使用時(shí)，最好能做到以下幾點(diǎn)：

開始服藥前，患者應(yīng)在1～3個(gè)月內(nèi)到同一醫(yī)院的同一實(shí)驗(yàn)室進(jìn)行血脂檢查（查血時(shí)應(yīng)是在禁食12～16小時(shí)后的晨間空腹的狀態(tài)），醫(yī)生可根據(jù)2次非常接近的血脂水平（基礎(chǔ)血脂水平）選擇調(diào)脂藥物的種類和劑量。

開始進(jìn)行他汀類藥物治療后4～6周后，應(yīng)復(fù)查血脂，醫(yī)生會(huì)根據(jù)血脂變化的水平調(diào)整藥物的種類和劑量。如果血脂未能調(diào)至目標(biāo)值水平，需增加藥物劑量或改用其他類調(diào)脂藥物，必要時(shí)還會(huì)聯(lián)合用藥；如果治療后血脂恢復(fù)正?；蛞堰_(dá)目標(biāo)值，則繼續(xù)服用原劑量維持治療；如果血脂調(diào)得很低，可在醫(yī)生的指導(dǎo)下調(diào)節(jié)劑量，千萬不能自行停藥。

對(duì)于長(zhǎng)期服用調(diào)脂藥物的患者，應(yīng)當(dāng)在醫(yī)生的指導(dǎo)下進(jìn)行安全性的隨訪。應(yīng)每2～3個(gè)月復(fù)查一次血脂水平、肝功能及肌酸激酶，經(jīng)常向醫(yī)生反饋?zhàn)约悍幒蟮那闆r，如有無消化道癥狀或肌肉疼痛、乏力等表現(xiàn)。如果遇到以上情況，只要及時(shí)停藥或給予對(duì)癥治療是可以恢復(fù)正常的。

在服藥的同時(shí)應(yīng)配合改變生活方式的基本治療，如限制動(dòng)物脂肪、動(dòng)物內(nèi)臟及大量蛋黃等高膽固醇食物的攝取，適當(dāng)?shù)倪\(yùn)動(dòng)、減輕體重、戒煙等，才能獲得更好的血脂控制效果。

治療血脂異常的同時(shí)，還應(yīng)同時(shí)治療冠心病等其他危險(xiǎn)因素或伴發(fā)疾病，如高血壓、糖尿病、痛風(fēng)等，只有構(gòu)筑全面防線才能徹底使心血管意外事件明顯減少。

專家簡(jiǎn)介

王朝暉，現(xiàn)任華中科技大學(xué)同濟(jì)醫(yī)學(xué)院附屬協(xié)和醫(yī)院心血管內(nèi)科教授、主任醫(yī)師，湖北省康復(fù)醫(yī)學(xué)會(huì)理事、中華醫(yī)學(xué)會(huì)武漢市心血管病分會(huì)委員、中華預(yù)防醫(yī)學(xué)會(huì)武漢市慢病防治和社區(qū)服務(wù)學(xué)會(huì)副主任委員，從事心血管疾病臨床、科研和教學(xué)工作20余年。

第9篇：生物醫(yī)學(xué)工程類別范文

關(guān)鍵詞 食管法心臟電生理檢查 胺碘酮 竇性心動(dòng)過緩 不良反應(yīng)

doi:10.3969/j.issn.1007-614x.2012.06.256

Abstract Objective:To evaluate application effect and safety of sinus bradycardia adverse effect caused by oral application amiodarone using transesophageal cardiac electrophysiological examination.Methods:After esophageal cardiac electrophysiologic examination,seventy patients were divided into two groups according to the result if the functional impairment of atrionector and/or atrioventricular node happened.Then we investigated these patients' symptom related to bradycardia and performed statistical analysis.Meanwhile,these patients were followed up to know the prognosis.Results:Transesophageal electrophysiological examination was positive in 27(38.6%)and negative in 43(61.4%)among seventy patients.Bradycardia occur in the positive group while 4 in the negative group.The statistical difference was significant and a highly positive relation was found by spearman correlation analysis between between them.The following up showed that after six months withdrawal 16 patients(59.3%)converted to negative in the positive group.None of them had symptoms of bradycardia.The other 11 cases(40.7%)were still positive and four patients of them still had symptoms of bradycardia.The patients in negative group continued treatment with original doses of amiodarone.No new patients with bradycardia related symptoms appeared.Among the original four patients who had been suffered from bradycardia,two cases had a symptomatic remission while the other two had persistent symptoms.Conclusion:Transesophageal cardiac electrophysiological examination could be applied to predict if the patients with sinus bradycardia due to amiodarone have latent risk and could be applied to patients' follow-up.This method has a high safety and successful inspection rate.

Key Words Transesophageal cardiac electrophysiological examination;Amiodarone;Sinus bradycardia;Adverse effect

胺碘酮是一種廣譜抗心律失常藥物，廣泛用于房性、室性等多種心律失常。胺碘酮在抗心律失常的同時(shí)，也導(dǎo)致了多種不良反應(yīng)，其中心動(dòng)過緩的不良反應(yīng)發(fā)生率5%［1］，嚴(yán)重可導(dǎo)致嚴(yán)重的竇房結(jié)和(或)房室結(jié)功能障礙。對(duì)于服用胺碘酮出現(xiàn)竇性心動(dòng)過緩患者來說，通過何種方式判斷其危險(xiǎn)性，目前尚未完全明確。本研究對(duì)口服胺碘酮導(dǎo)致竇性心動(dòng)過緩的患者進(jìn)行食管法電生理檢查，旨在通過了解竇房結(jié)和房室結(jié)功能狀態(tài)與出現(xiàn)心動(dòng)過緩相關(guān)癥狀之間的關(guān)系，評(píng)價(jià)食管法心臟電生理檢查在此類患者中應(yīng)用效果及安全性。

資料與方法

2007年7月～2011年6月收治服用胺碘酮的竇性心動(dòng)過緩患者70例，以清晨清醒平臥休息時(shí)測(cè)得的心率為基礎(chǔ)心率，基礎(chǔ)心率＜60次/分的竇性心律患者為竇性心動(dòng)過緩患者。患者行24小時(shí)動(dòng)態(tài)心電圖檢查排除竇性停搏(≥3秒)及Ⅱ度以上房室傳導(dǎo)阻滯，并排除服用胺碘酮時(shí)間短(＜1個(gè)月)或同時(shí)服用其他抗心律失常及影響心率的藥物、因心動(dòng)過緩導(dǎo)致阿斯綜合癥發(fā)作、嚴(yán)重電解質(zhì)紊亂、病態(tài)竇房結(jié)綜合征、嚴(yán)重冠心病、心功能Ⅲ級(jí)和Ⅳ級(jí)、惡性心律失常、嚴(yán)重食道疾病無法耐受檢查者、不同意檢查、有服用胺碘酮禁忌癥或胺碘酮導(dǎo)致的其他不良反應(yīng)以及其他疾病、藥物引起的心率緩慢。

食管法心臟電生理檢查：所有患者均在安靜平臥及嚴(yán)密監(jiān)護(hù)條件下進(jìn)行竇房結(jié)及房室結(jié)功能檢查，檢查前應(yīng)用深圳理邦SE601A心電圖機(jī)記錄常規(guī)十二導(dǎo)聯(lián)心電圖，應(yīng)用雙極食管電極導(dǎo)管從鼻腔插入食管內(nèi)，記錄食管內(nèi)心電圖，應(yīng)用DF-5A型心臟電生理刺激儀進(jìn)行程序刺激，以不同起搏電壓測(cè)試起搏閾值，以比起搏閾值高2～5v的電壓進(jìn)行刺激。①竇房結(jié)起搏功能檢查：采用S1S1分級(jí)遞增法，以比自身心率快10次/分的頻率開始刺激，每次刺激60秒，間歇2分鐘后每級(jí)遞增20～150次/分為止，記錄刺激結(jié)束前5秒及結(jié)束后10次心動(dòng)周期心電圖。測(cè)量患者的竇房結(jié)恢復(fù)時(shí)間并計(jì)算校正的竇房結(jié)恢復(fù)時(shí)間。以竇房結(jié)恢復(fù)時(shí)間＞1500ms或校正竇房結(jié)恢復(fù)時(shí)間＞600ms為結(jié)果陽性，記錄為竇房結(jié)起搏功能下降。②房室交接區(qū)傳導(dǎo)功能檢查：采用S1S1分級(jí)遞增法，以比自身心率快10次/分的頻率開始刺激，每次刺激10秒，間歇30秒后每級(jí)遞增10次至出現(xiàn)2∶1房室傳導(dǎo)阻滯為止，記錄出現(xiàn)一度房室阻滯、房室文氏傳導(dǎo)阻滯、2∶1房室傳導(dǎo)阻滯的刺激頻率。以出現(xiàn)一度房室阻滯點(diǎn)＜100次/分、房室文氏傳導(dǎo)阻滯點(diǎn)＜130次/分、2∶1房室傳導(dǎo)阻滯點(diǎn)＜180次/分為結(jié)果陽性，記錄為房室結(jié)傳導(dǎo)功能下降。對(duì)于竇房結(jié)起搏功能和/或房室結(jié)傳導(dǎo)功能下降患者靜注阿托品2mg后重復(fù)檢查，如結(jié)果仍為陽性者記錄為食管法電生理檢查異常。記錄檢查過程中的不適反應(yīng)及術(shù)中、術(shù)后出現(xiàn)的心律失常情況。將患者按照檢查結(jié)果是否異常分成食管法電生理檢查陽性組和陰性組，并根據(jù)分組進(jìn)行統(tǒng)計(jì)學(xué)分析。

癥狀的詢問與記錄：詳細(xì)詢問記錄患者服用胺碘酮以來是否出現(xiàn)心動(dòng)過緩相關(guān)癥狀。標(biāo)準(zhǔn)為：①新出現(xiàn)的頭暈、頭昏、黑、近乎暈厥等癥狀，癥狀發(fā)作時(shí)測(cè)得心率＜60次/分，心率改善時(shí)癥狀緩解；②新出現(xiàn)的與改變相關(guān)的頭暈、頭昏、黑、近乎暈厥等癥狀；③排除一過性腦缺血發(fā)作、性低血壓、高血壓、頸椎病及其他原因引起的相關(guān)癥狀?；颊咄瑫r(shí)符合標(biāo)準(zhǔn)①、②中的1項(xiàng)和標(biāo)準(zhǔn)③即為有心動(dòng)過緩相關(guān)癥狀。

隨訪：所有服用胺碘酮的竇性心動(dòng)過緩患者均門診隨訪6個(gè)月，對(duì)于陰性組患者隨訪測(cè)定基礎(chǔ)心率及進(jìn)行心動(dòng)過緩相關(guān)癥狀詢問，對(duì)于隨訪期間出現(xiàn)新發(fā)與心動(dòng)過緩相關(guān)癥狀的患者給予食管法電生理檢查并停藥；對(duì)陽性組患者給予停止使用胺碘酮，隨訪期間除測(cè)定基礎(chǔ)心率及相關(guān)癥狀詢問外，于6個(gè)月時(shí)進(jìn)行食管法電生理檢查。所有患者在隨訪期間不得服用其他抗心律失常藥物。

統(tǒng)計(jì)學(xué)處理：所有數(shù)據(jù)均采用SPSS13.0軟件包進(jìn)行統(tǒng)計(jì)學(xué)分析。計(jì)量資料以(X±S)表示，計(jì)數(shù)資料例數(shù)與百分?jǐn)?shù)表示，計(jì)數(shù)資料的比較用X2檢驗(yàn)。以P＜0.05為差異有顯著性。

結(jié) 果

70例患者均成功進(jìn)行食管法心臟電生理檢查，其中食管法電生理檢查陽性27例(38.6%)，陰性43例(61.4%)。分別入選為食管法電生理檢查陽性組(下稱陽性組)和食管法電生理檢查陰性組(下稱陰性組)，統(tǒng)計(jì)學(xué)分析，兩組患者在年齡、性別、基礎(chǔ)心臟病類別、服藥劑量、服藥時(shí)間等基本資料上無明顯統(tǒng)計(jì)學(xué)差異。

陽性組當(dāng)中出現(xiàn)心動(dòng)過緩相關(guān)癥狀者18例(66.7%)，陰性組當(dāng)中出現(xiàn)心動(dòng)過緩相關(guān)癥狀4例(9.3%)，兩者比較有明顯統(tǒng)計(jì)學(xué)差異(X2=25.32，P＜0.001)；Spearman相關(guān)性分析食管法電生理檢查陽性與出現(xiàn)心動(dòng)過緩相關(guān)癥狀患者呈正相關(guān)(X2=25.32，P＜0.001，γ=0.949)。

隨訪情況：經(jīng)6個(gè)月的隨訪，結(jié)果顯示：陽性組患者停藥6個(gè)月后復(fù)查有16例(59.3%)轉(zhuǎn)為陰性，基礎(chǔ)心率均≥60次/分，所有患者均未出現(xiàn)心動(dòng)過緩相關(guān)癥狀；另外11例(40.7%)患者復(fù)查仍為陽性，基礎(chǔ)心率＜60次/分6例，仍有心動(dòng)過緩相關(guān)癥狀者4例；陰性組患者均按原劑量服用胺碘酮，隨訪期間基礎(chǔ)心率仍持續(xù)＜60次/分，未新出現(xiàn)有心動(dòng)過緩相關(guān)癥狀患者，原4例有心動(dòng)過緩相關(guān)癥狀的患者當(dāng)中有2例癥狀緩解，其余2例患者癥狀持續(xù)存在。

70例患者共進(jìn)行98次的食管法心臟電生理檢查，檢查過程中均有不同程度的胸骨后不適癥狀，沒有出現(xiàn)因插管困難、檢查中不適而停止操作，檢查過程中沒有出現(xiàn)室性心動(dòng)過速、室顫、竇性停搏等心律失常。

討 論

食管法心臟電生理檢查通過程序刺激食道方法間接起搏心房來了解心臟各部位電生理特性的檢測(cè)技術(shù)，具有無創(chuàng)性，安全性強(qiáng)，適合基層醫(yī)院的實(shí)際情況，它在我國(guó)各級(jí)醫(yī)院得到廣泛應(yīng)用。研究表明，采用食管法電生理檢查在某些方面可達(dá)到與腔內(nèi)心臟電生理檢查相同的效果［2］。食管法電生理檢查應(yīng)用于評(píng)價(jià)藥物對(duì)心臟傳導(dǎo)系統(tǒng)功能的影響的報(bào)道較少。胺碘酮為苯丙呋喃的衍生物，作為Ⅲ類抗心律失常藥，延長(zhǎng)動(dòng)作電位時(shí)程，增加心房肌和心室肌、普肯野纖維、竇房結(jié)和房室結(jié)的不應(yīng)期，減弱竇房結(jié)4期除極和房室傳導(dǎo)［3，4］。而胺碘酮的主要代謝產(chǎn)物去乙基胺碘酮對(duì)傳導(dǎo)的作用更大［5］。因此，胺碘酮可以導(dǎo)致竇性心動(dòng)過緩、竇房傳導(dǎo)阻滯、竇性停搏、房室傳導(dǎo)阻滯等緩慢性心律失常，其中竇性心動(dòng)過緩為常見的臨床表現(xiàn)。嚴(yán)重竇性心動(dòng)過緩是發(fā)生竇房傳導(dǎo)阻滯、竇性停搏、房室傳導(dǎo)阻滯、室性心律失常的前奏［6］。緩慢性心律失?？捎捎诠┭蛔銓?dǎo)致頭暈、頭昏、黑、近乎暈厥等癥狀，嚴(yán)重的緩慢性心律失?？沙霈F(xiàn)暈厥。然而，臨床上常見的竇性心動(dòng)過緩大多為良性心律失常［7］，這是由于竇房結(jié)及房室結(jié)區(qū)迷走神經(jīng)張力增加而出現(xiàn)的心率減慢的正常生理現(xiàn)象。而胺碘酮直接抑制了竇房結(jié)和房室交界區(qū)的傳導(dǎo)，其導(dǎo)致的竇房結(jié)及房室結(jié)功能障礙無法通過自身植物神經(jīng)的調(diào)節(jié)或消除迷走神經(jīng)張力的方法消除。因此，在胺碘酮導(dǎo)致的竇性心動(dòng)過緩患者中找出有潛在危險(xiǎn)的患者來顯得尤為重要。由于胺碘酮及其代謝產(chǎn)物去乙基胺碘酮的血藥濃度與治療有效性和不良反應(yīng)之間沒有相關(guān)性［8］，因此，監(jiān)測(cè)胺碘酮血藥濃度意義不大。另外，由于心臟傳導(dǎo)系統(tǒng)功能障礙常呈間歇發(fā)作，故此通過癥狀或常規(guī)的無創(chuàng)檢查方法如體表心電圖、動(dòng)態(tài)心電圖等檢查手段檢出有危險(xiǎn)性的患者均有一定的局限性。而腔內(nèi)心臟電生理檢查技術(shù)由于其屬于有創(chuàng)操作，由于技術(shù)、設(shè)備等原因難以在廣大基層醫(yī)院推廣。本研究采用食管法電生理檢查對(duì)在動(dòng)態(tài)心電圖和常規(guī)心電圖均未發(fā)現(xiàn)嚴(yán)重緩慢性心律失常的胺碘酮導(dǎo)致的竇性心動(dòng)過緩患者當(dāng)中進(jìn)行竇房結(jié)和房室結(jié)功能檢測(cè)，以進(jìn)一步找出具有潛在危險(xiǎn)的患者。研究結(jié)果顯示，患者中食管法電生理檢查陽性率38.6%，陽性組與陰性組在出現(xiàn)心動(dòng)過緩相關(guān)癥狀中有明顯統(tǒng)計(jì)學(xué)差異，兩者間存在高度的相關(guān)性；6個(gè)月后隨訪結(jié)果顯示，陽性組中仍有40.7%復(fù)查陽性，所有有癥狀患者均在復(fù)查陽性患者當(dāng)中；食管法電生理檢查陰性患者未新出現(xiàn)心動(dòng)過緩相關(guān)癥狀。因此，采用食管法電生理檢查測(cè)定患者是否存在竇房結(jié)和房室結(jié)功能障礙可作為胺碘酮導(dǎo)致的竇性心動(dòng)過緩患者在動(dòng)態(tài)心電圖和常規(guī)心電圖均未發(fā)現(xiàn)嚴(yán)重緩慢性心律失常時(shí)評(píng)價(jià)患者是否存在潛在危險(xiǎn)的評(píng)定指標(biāo)。對(duì)于此類患者來說，如食管法電生理檢查顯示竇房結(jié)和房室結(jié)功能障礙，胺碘酮建議停用或減量。

食管法電生理檢查對(duì)于患者的隨訪同樣具有一定的臨床意義。本研究隨訪結(jié)果顯示，在停用胺碘酮6個(gè)月后，陽性組中仍有11例(40.7%)的患者食管法電生理檢查異常。臨床上影響竇房結(jié)和房室結(jié)功能的因素很多，除了藥物(包括抗心律失常藥、強(qiáng)心苷等)、迷走反射、電解質(zhì)紊亂等可逆性因素以外，竇房結(jié)和房室結(jié)本身的退行性病變、炎癥、長(zhǎng)期的缺血或短暫的供血中止同樣可以導(dǎo)致竇房結(jié)和房室結(jié)功能障礙。對(duì)于持續(xù)存在的食管法電生理檢查陽性患者來說，并不能排除以上多種因素的影響。因此，可進(jìn)一步檢查以明確病因，對(duì)于嚴(yán)重的竇房結(jié)和房室結(jié)功能障礙患者可植入永久起搏器治療。

食管法心臟電生理檢查對(duì)于室性心動(dòng)過速者有誘發(fā)心動(dòng)過速發(fā)作的危險(xiǎn)，對(duì)于病態(tài)竇房結(jié)綜合癥者有導(dǎo)致心臟停搏的可能。在本研究中，沒有出現(xiàn)因插管困難、檢查中不適而停止操作者，檢查過程中沒有出現(xiàn)室性心動(dòng)過速、室顫、竇性停搏等心律失常。結(jié)果表明，對(duì)于已通過動(dòng)態(tài)心電圖排除惡性心律失?；颊邅碚f，食管法電生理檢查的安全性較高。

綜上所述，對(duì)于胺碘酮導(dǎo)致的竇性心動(dòng)過緩患者來說，如常規(guī)心電圖及動(dòng)態(tài)心電圖未發(fā)現(xiàn)嚴(yán)重的緩慢性心律失常，可應(yīng)用食管法心臟電生理檢查評(píng)價(jià)患者是否存在潛在危險(xiǎn)的，并可應(yīng)用于患者的隨訪。其檢查成功率、安全性較高。

參考文獻(xiàn)

1 中國(guó)生物醫(yī)學(xué)工程學(xué)會(huì)心律分會(huì),中華醫(yī)學(xué)會(huì)心血管病學(xué)分會(huì),胺碘酮抗心理失常治療應(yīng)用指南工作組.胺碘酮抗心理失常治療應(yīng)用指南(2008).中國(guó)心臟起搏與心電生理雜志,2008,5(22):377-385.

2 李忠杰,閻勝利,屈百鳴,等.實(shí)用食管法心臟電生理學(xué).南京:江蘇科學(xué)技術(shù)出版社,2003:43.

3 Kodama I,Kamiya K,Toyama J.Cellular electropharmacology of amiodarone.Cardiovascular Research,1997,35:13-29.

4 Goldschlager N,Epstein AE,Naccarelli G,et al.Practice Guidelines Subcommittee,North American Society of Pacing and Electrophysiology.Practical guidelines for clinicians who treat patients with amiodarone.Arch Intern Med,2000,160:1741-1748.

5 Miller JM,Zipes DP.Therapy for cardiac arrhythmiass Zipes DP,Libby PBRO,Braunwald E.Braunwald's heart disease:a textbook of cardiovascular medicine.7th ed.Philadelphia:EB Saunders,2005:730-731.

6 楊少輝,喬志芬,喬艷平.胺碘酮嚴(yán)重不良反應(yīng)及防治.中國(guó)誤診學(xué)雜志,2008,6(8):4012-4013.