单细胞拉曼光谱(SCRS)技术具有快速、 灵敏和无标记的优势, 可以从单细胞水平上研究细胞结构, 本文为实时监测单细胞微生物生长代谢变化, 提出了基于谱聚类和SCRS的细胞生长检测方法, 并采集600个同步培养的发酵工程菌-大肠杆菌SCRS数据作为实验数据, 采集300个发酵益生菌-枯草芽孢杆菌SCRS数据验证方法适用性。 首先, 对同步培养的菌落测量OD600生长曲线作为微生物群体水平上生长时期标签; 其次, 应用t-SNE对群体细胞SCRS数据进行可视化分析, 指导谱聚类对高维SCRS数据聚类分析, 并应用轮廓系数和CH index评估最佳聚类簇, 赋予每个SCRS数据簇标签; 最后, 应用三次样条插值拟合统计SCRS数据簇标签和生长时期标签交集, 精准识别群体中共存的生长时期异质数据, 实现对单细胞微生物生长时期精准鉴定。 结果表明, 基于谱聚类与SCRS的细胞生长分析方法根据同步培养的群体细胞生长曲线, 设置2维嵌入空间维度和基于最近邻的谱聚类相似度计算方法, 有效检测三个生长时期最佳聚类簇中9%和4.3%异质数据。 提出的无监督检测单细胞生长的方法, 借助谱聚类无需标记就可以直接根据SCRS数据特征进行建模, 并能够对任意形状的高维SCRS数据聚类且快速收敛的优势, 实现了对两种发酵工程菌和发酵益生菌细胞滞后期、 对数期和稳定期的精准识别, 真正意义上实现从单细胞水平上检测细胞生长, 为发酵工程提供更加精准、 实时的调控指导, 具有重要的工程应用价值。

睡眠呼吸暂停综合征（SAS）素有“睡眠杀手”之称。 由于其诊断金标准多导睡眠监测仪（PSG）的限制, 诊断率一直偏低。 由于呼吸暂停发生时会引发心率节奏的变化, 因此利用心电图（ECG）通过心率变异性（HRV）分析可以实现SAS的自动筛查。 但是, ECG-SAS方法所用电极穿戴繁琐、 材质致敏性较高, 影响睡眠安适度。 鉴于脉率变异性（PRV）分析与HRV分析高度相关, 并且光电容积脉搏波（PPG）信号相对ECG信号获取方式更加简单, 不仅电极不易致敏, 而且更易于穿戴, 对睡眠干扰小。 由此, 提出利用同步采集的PPG信号和ECG信号, 应用相同的建模方法, 比较二者的疾病识别能力。 应用反向传播（BP）神经网络, 分别建立PPG-SAS与ECG-SAS自动筛查模型, 并采用十折交叉验证法及受试者工作特征（ROC）曲线对模型进行对比与评估。 实验数据来源于MIT-BIH Polysomnographic Database, 共8 248个样本, 其中正常样本6 227例。 首先采用三层BP神经网络, 默认参数下建立PPG-SAS与ECG-SAS模型, 使用十折交叉验证法及ROC曲线进行模型分类准确性的对比; 然后依次改变影响分类性能的隐层节点数、 训练函数以及传递函数, 建立多个PPG-SAS与ECG-SAS模型, 从中选取各自的最优模型再进行对比。 通过比较识别率、 预测率以及ROC曲线面积, 采用默认参数的PPG-SAS模型优于ECG-SAS模型。 通过比较平均分类准确率, 隐层节点数为50、 训练函数为一步正割算法、 隐含层传递函数为双曲正切S型函数时, PPG-SAS模型得到的最高识别率与预测率分别为80.30%和80.13%; 隐层节点数为50、 训练函数为一步正割算法、 隐含层传递函数为径向基时, ECG-SAS模型的最高识别率与预测率分别为77.60%和77.67%。 以上实验结果均表明PPG信号的SAS分类能力较ECG信号更具优越性, 由此证明了PPG信号筛查SAS的可行性及可靠性, 为临床SAS病症的早期发现及诊断率提升奠定理论基础。

光电容积脉搏信号的峰值点自动识别直接关系到无创血氧饱和度测量与脉搏波峰-峰间期提取的准确率。 提出一种小波联合识别方法: 基于小波多分辨率分析原理校正影响脉搏波峰值点幅值的基线干扰, 再利用二次样条小波模极大算法自动识别峰值点。 将该方法应用到自行研制的光电容积脉搏波测量系统中, 对采集的信号进行了校正与峰值点识别, 通过在信号中增加随机噪声以评价方法的稳定性与可靠性, 然后利用10组实测数据, 对比本方法与传统差分阈值法的峰值点识别准确率, 进一步评价方法的有效性。 结果表明: 本方法在较好地消除了基线干扰的基础上, 在染噪的信号中仍然会较精确地检测出脉搏波主波峰, 具有较好的抗干扰能力, 有利于提高血氧饱和度检测及峰-峰间期提取的准确性, 从而有助于后期人体呼吸功能评价与心率变异性分析。

便携式近红外光谱分析技术可实现油页岩含油率的原位检测, 在油页岩资源现场勘查中发挥着重要作用。 但是, 由于其测得的原始光谱数据量大、 冗余信息多, 直接建模会影响速度与精度。 因此提出一种小波变换与神经网络融合法, 先将油页岩全谱数据进行db8小波3级分解, 提取其近似系数形成输入矩阵, 然后再进行神经网络建模。 为了验证有效性, 利用30个油页岩合成样品, 从中随机选择20个用于训练, 另外10个用于预测, 并分别使用全谱数据与小波特征数据进行了10次神经网络建模。 结果表明, 全谱数据建模速度均值为570.33 s, 预测残差平方和及相关系数均值分别为0.006 012及0.843 75; 而小波神经网络法对应的以上均值为3.15 s, 0.002 048及0.953 19。 由此说明小波神经网络法优于全谱数据建模法, 为油页岩含油率的快速、 高精度检测提供了一种新方法。