生物醫學工程類別精選(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學工程類別主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：生物醫學工程類別范文

2011考研復試國家線：廣東中山大學考研復試分數線查詢

2011考研復試國家線于3月底公布。2011中山大學考研復試分數線正式公布：

類別 報考學科門類（專業） 總分 單科（滿分=100分） 單科（滿分>100分） 學術 型 哲學[01] 320 45 90 經濟學[02] 360 55 90 法學[03] 320 50 90 教育學[04] （不含體育學[0403]） 315 50 180 體育學[0403] 270 40 110 文學[05] （不含外國語言文學[0502]、藝術學[0504]） 350 55 90 外國語言文學[0502] 350 60 90 藝術學[0504] 320 40 90 歷史學[06] 310 50 180 理學[07]A線 （含數學[0701]、物理學[0702]、化學[0703]、地理學[0705]、生物學[0710]、教育技術學[077001]、環境科學與工程[0775]、分子醫學[077721]） 300 45 80 理學[07]B線 （含大氣科學[0706]、海洋科學[0707]、地質學[0709]、力學[0772]、生物醫學工程[0776]） 280 45 70 心理學[0771] 350 60 90 工學[08] 270 45 60 農學[09] 300 45 80 醫學[10] （不含基礎醫學[1001]） 310 50 180 基礎醫學[1001] 280 45 170 管理學[12] 340 60 90 專業學 位 金融碩士[0251] 350 60 90 應用統計碩士[0252] 300 45 80 資產評估碩士[0256] 350 60 90 法律碩士（非法學）[035101] 320 50 90 法律碩士（法學）[035102] 320 50 90 社會工作碩士[0352] 350 55 90 教育碩士[0451] 300 50 90 漢語國際教育碩士[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 臨床醫學碩士[1051] 口腔醫學碩士[1052] 公共衛生碩士[1053] 護理碩士[1054] 藥學碩士[1055] 310 50 180 工商管理碩士[1251] 180 50 110 公共管理碩士[1252] 180 55 110 會計碩士[1253] 320 50 120 旅游管理碩士[1254] 160 50 100 圖書情報碩士[1255] 300 50 100 工程管理碩士[1256] 160 50 110 單獨考試 法醫學[100105] 320 50 180 衛生檢驗與檢疫[100420] 320 50 180 管理科學與工程[120100] 320 55 90

第2篇：生物醫學工程類別范文

作者簡介: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：生物醫學圖像處理； 王蓮蕓（1957-），女，山西陽泉人，教授，主要研究方向：環境因素對免疫功能的影響； 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:1001-9081（2011）08-02249-04doi:10.3724/SP.J.1087.2011.02249

（1.南方醫科大學 生物醫學工程學院，廣州510515; 2.上海交通大學 生物醫學工程學院，上海200240;

3.上海交通大學 生命科學技術學院，上海200240）

（）

摘 要:針對花粉顯微圖像處理提出了一種自動分割方法，將有助于花粉識別系統的開發。使用歸一化顏色分量訓練圖像塊分類器，并且結合條件隨機場和圖割進行建模和優化，利用最大化后驗概率（MAP）的方法實現花粉顯微圖像中花粉區域的分割。對于實驗中的133幅圖像，自動分割同人工分割的結果相比較，統計得到距離誤差均值為7.3像素，準確率的平均值為87%。實驗結果表明，使用圖像塊分類器和條件隨機場模型可以用于花粉圖像的分割。

關鍵詞:花粉顯微圖像；圖像分割；圖像塊分類器；條件隨機場；圖割

中圖分類號: TP391.413文獻標志碼: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測和預報，對于花粉癥的預防具有重要意義［1］。目前致敏花粉種類和濃度的統計，主要由重力法收集飄散在空氣中的花粉，然后人工在光學顯微鏡下觀察和計數，此過程耗時耗力。對花粉顯微圖像進行自動檢測、分類和計數是花粉自動監測系統的重要組成部分，其中花粉的形態特征是實現花粉分類的重要特征。所以，準確地檢測和分割顯微圖像中的花粉區域，對于后續的特征提取、花粉的自動分類和計數具有重要作用。

國內外已有研究人員對花粉顯微圖像的分割和檢測方法進行了研究。如文獻［2］在人工確定的花粉感興趣區域（Region of Interest, ROI）中估計最優灰度閾值的方法實現分割，但是半自動的分割方式效率低，且ROI的位置和大小均會影響分割結果，不能保證分割結果的一致性；文獻［3］中利用顏色相似性和霍夫變換對共聚焦顯微圖像中的花粉進行檢測，可以得到61%的查準率。

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場（Conditional Random Field, CRF）實現花粉的分割。圖像塊分類器用于估計像素屬于花粉區域和背景的條件類別概率，然后使用條件隨機場對圖像進行建模，從而有效地實現分割。

1 圖像塊分類器

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

首先，選取若干花粉圖像作為訓練集，對訓練集中的圖像進行人工標注，確定圖像中花粉區域和背景，設花粉和背景的像素的標號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，圖像塊的類別標號為像素Ic的標號y。使用邏輯回歸（Logistic Regression， LR）方法訓練分類器:

p（y|x）1/［1+exp（y（wTx+b））］（1）

分類器參數為w和b。對于一幅新的圖像來講，計算像素Ic類別為y的后驗概率，圖像塊分類器的輸出即為使得其后驗概率較大的標號y：

Y*arg maxY p（Y|X）（2）

式（2）中的內積wTx，對于整幅圖像可轉化為卷積的形式。將w按照與x對應的次序，重排為h×h或h×h×c大小的矩陣（這里c為顏色分量的數量），作為濾波器與灰度圖像或顏色分量圖像進行卷積，然后利用式（1）估計圖像每個像素的后驗概率。使用非線性方法構造分類器，雖然可能使分類性能更好，但不能轉換為卷積操作，計算效率低。

在實驗中，為減小光照強度的影響，顏色信息選取的是歸一化后的RGB值，對RGB分量進行歸一化處理：C′，這里C為一顏色分量。依據實驗結果以及文獻［5］的結果，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 條件隨機場―最大化后驗概率模型

對于圖像分割問題，很多方法，例如LR或者支持向量機等方法，都是把像素的顏色分布看作是獨立同分布的。而實際中，像素與其鄰近像素存在相互依賴關系，使得圖像是平滑、連續的［6］。馬爾可夫隨機場（Markov Random Field, MRF）可以很好地描述這種局部像素的相互依賴關系，有效地實現建模。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系［7］。CRF［8］實際上是MRF的一種變形。本文中，為進一步改善分割效果，采用CRF模型融入更多的顯微圖像的先驗信息，實現對花粉顯微圖像進行建模和分割。

設隨機變量X為整幅圖像的觀測向量，Y為圖像所有像素對應的類別標號，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，使得P（Y|X）為一概率分布；Ω為圖像像素點的集合；Ni為像素i的鄰域；Vi（yi,X）為局部勢函數，與條件概率分布相關；Iij（yi,yj,X）為配對勢函數，描述像素相鄰點之間的關聯和對類別標號的平滑性進行約束。

直接使用CRF模型進行學習和參數估計，需要計算分配函數Z，計算量非常大。簡化文獻［7］中的偽條件隨機場方法，假設勢能函數Vi和Vij僅由局部的觀測決定：

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聯，直接利用在圖像塊分類器中訓練得到的分類函數。

由最大化后驗概率（Maximum A Posterior, MAP）準則得：

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估計等價于最小化能量：

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

式（7）中能量函數的最小化可用圖割（Graph Cut）［9］算法高效解決，但需能量函數E（Y）中配對勢能函數為準距離度量。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）為權重系數；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的xi－xj的標準偏差，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，λ為設定的參數。

3 顯微圖像分割流程

在進行花粉顯微圖像分割時，首先，以圖像中每個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現；然后，采用條件隨機場利用先驗約束對圖像進行建模，并且直接利用訓練圖像塊分類器估計的條件類別概率作為似然度描述，結合最大化后驗概率的方法實現花粉區域分割，并且使用圖割來優化隨機場的能量函數；最后，對初步分割結果進行處理，包括去掉細小顆粒（大小明顯小于花粉的顆粒），對邊界進行開閉操作達到平滑效果，填補空洞等。本文分割方法流程如圖1所示。

圖1 CRF模型分割的流程

4 實驗

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，均為實驗人員利用Durham重力法采集的空氣中的花粉顆粒，然后在光學顯微鏡下進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，收集在重力作用下落在載玻片上的花粉；然后用瓊脂―甘油染色劑對載玻片進行染色；最后在光學顯微鏡×400倍（目鏡×10，物鏡×40）下對觀察到的花粉拍照，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域為花粉區域。

經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，大多呈淺藍色或淺紅色。從圖2（b）中可以看出，花粉區域與背景顏色分量的分布存在差異，主要表現在綠色和藍色分量上，紅色分量的分布差異不大。最簡單的花粉分割方法，是將彩色顯微圖像轉化為灰度圖像，然后通過灰度閾值方法進行分割。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，在整幅圖像上估計全局閾值難以得到滿意的分割，而且難以區分花粉與污染，如圖3（b）所示。

4.2 圖像塊分類器分割結果

在實驗中，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長度為5×5×375。圖3（c）顯示了圖3（a）對應的條件類別概率映射，高亮區域為檢測到的花粉。圖3（d）顯示了對概率映射使用閾值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

為了評估圖像塊分類器的分割性能，實驗中分別隨機選取50000的圖像塊作為訓練樣本集和測試樣本集，兩個樣本集中標號為+1（花粉）和-1（背景）的樣本各約占50%。圖4顯示了在測試樣本集上，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模型對花粉圖像進行分割，多次嘗試后權重參數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域二值圖像，可以看出分割區域的連通性和平滑性得到了改善，但仍有部分污染和雜質被誤分為花粉。

對CRF-MAP分割結果進行后處理的具體步驟如下：首先去掉二值圖中面積小于500個像素的區域；接著用5×5的圓盤結構元素對二值圖進行形態學開和閉運算；最后填補花粉區域的空洞。圖3（f）顯示了由本文方法最終得到的花粉輪廓，結果令人滿意。在部分圖像中，仍會有污染區域和非花粉顆粒經后處理不能剔除，可將這些區域歸為非花粉區域在花粉識別的后續步驟進行識別。

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

為了量化評價分割結果的質量［11］，實驗中對133幅花粉圖像進行人工分割和自動分割，并且在表1中給出了CRF分割后的距離誤差均值（Mean Distance Error，MDE）和準確率（True Positive Fraction，TPF）統計值。MDE和TPF的定義如下，設人工分割的邊界坐標為M{m1,…,mp}，CRF分割的邊界坐標為A{a1,…,aq}，定義邊界A上的點到邊界M的距離Dist為：

Dist（aj,M）minmk∈Maj－mk（9）

則MDE可以計算為：

MDE∑qj1Dist（aj,M）（10）

TPF的定義為：

TPF（11）

其中RA、RM分別為自動提取和人工分割的花粉區域。

使用文獻［2］中的灰度閾值分割方法對整幅花粉顯微圖像進行分割，結果并不理想，總計6幅圖像中花粉區域未被分割出來，并且17幅圖像的TPF小于50%。而使用本文的方法進行分割，圖像中花粉區域全部被分割出來，并且只有3幅圖像的TPF統計值小于50%。由此統計及圖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，本文方法仍難以對其進行有效區分，使得MDE偏高且標準差相對較大。

表1 分割結果評價

圖5 分割結果比較

5 結語

在本文中，提出的基于圖像塊分類器和CRF模型的分割方法，對于大部分花粉顯微圖像，可以得到較為滿意的分割結果。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的分割方法等），將像素與像素之間的關聯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練樣本就可以達到較好的分割結果，大大減少了訓練成本。在實際分割過程中，運算速度也可以滿足實時性需要。

在進一步工作中，將嘗試針對不同尺度圖像塊的分類器，提高分類性能；通過旋轉、對折訓練用的圖像塊，得到旋轉不變的濾波器，但計算量會有一定增加，一個可行的方法是對濾波器進行約束，使得濾波器是旋轉不變和對稱的。在花粉邊界附近，往往存在顏色值變化較大的梯度，可以結合上邊界信息提煉CRF分割結果，進一步提高分割的準確性。

參考文獻:

[1] 徐景先,李耀寧,張德山.空氣花粉變化規律和預測預報研究進展［J］.生態學報,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別［J］.計算機工程與設計,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.基于馬爾可夫隨機場的圖像分割研究［D］.西安：西安理工大學,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：生物醫學工程類別范文

關鍵詞:集成學習;特征提取;Adaboost M1;醫學圖像分類

中圖分類號:TP311文獻標識碼:A 文章編號: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

隨著計算機醫學成像技術的發展,醫學影像越來越多樣化,醫學影像的應用也越來越廣泛,與此同時大量的醫學設備的應用使得醫學影像的數量也越來越多,大量的影像資料使醫院迷失在信息的海洋。利用數據挖掘技術可以有效的對醫學圖像進行組織和管理,合理有效的對其進行分類,從而使其更好的輔助日常的醫學診斷和醫學研究。

該文提出的方法是使用SVM分類器將整個特征空間分成諸多子空間;采用集成學習方法Adaboost方法對樣本進行多次抽樣,將Adaboost算法中的分類精度作為特征選擇的依據,選取出少量有利于分類的特征,同時將單特征訓練得到的弱分類器通過集成學習增強為強分類器。

1 系統的構成

整個系統的構成如圖1所示。

該系統主要包括訓練和分類兩個階段。在醫學圖像訓練階段,通過數據庫建立訓練集,對醫學圖像進行預處理,提取圖像顏色和紋理特征,創建訓練的弱分類器。對圖像特征進行選擇。分類階段進行的是待分類圖像的選擇特征的提取,利用訓練得到的強分類器進行分類,輸出分類結果。

2 圖像預處理

由于實際的醫學圖像數據因為操作的原因,存在不完整性、噪聲和不一致性性,不能直接在原始數據上進行數據提取,因此必須對醫學圖像進行預處理。數據清洗和數據的變換[1-2]都是經常用于圖像數據預處理技術上的。

圖像預處理的第一步就是圖像去噪。大部分的醫學圖像一般包含了大量有噪聲的背景:有的醫學圖像太暗,有的醫學圖案太亮,還有來自影像設備中電子元器件的隨即擾動。通過去噪處理后,可以去掉圖像中的大多數的背景信息和噪聲,增強圖像的特征,提高圖像的信噪比。針對醫學圖像來說,圖像本身有邊緣模糊的特性,通過去噪對醫學圖像進行復原,使之與原圖像逼近是存在比較大的困難的。因此本系統主要采取的去噪方法為濾波技術,該技術可以在最大限度保持信號不受損失的基礎上,盡可能過濾噪聲,提高圖像的可讀性,將醫學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。

圖像預處理的第二步是圖像歸一化,基于圖像特征分類主要是對圖像特征進行匹配和區分的過程,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,就有可能存在本身同類的圖像所計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算出了相似的特征,進而影響到分類的結果。為了防止這類情況的發生,本分類系統必須首先對圖像的尺度進行歸一化,即通過對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。通過對大尺度的圖像進行尺度歸一化之后,按比例進行了縮小,降低了圖像特征提取時的計算量,提高了分類速度。

3 基于集成學習方法的特征選擇和分類

3.1 集成學習方法

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

集成學習從萌芽階段發展到現在,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家族中的基礎算法,也是Boosting家族最具代表性的算法,之后出現的Boosting家族中的擴展算法都是在AdaBoost算法的基礎上發展而來的,對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,進行描述。

AdaBoost M1算法用于解決多類單標簽問題。每個待分類樣本只能屬于多個類別中的單個類。AdaBoost M1的基本思想是:首先給定任意一個弱學習算法和訓練集(x1,y1),(x2,y2),…,(xm,ym),yi在分類問題中是一個帶類別標志的集合,yi∈Y={1,…,K}。初始化的時候,對每個訓練例賦予的權重都相同為1/m。接著,調用弱學習算法對訓練集進行T次的迭代訓練,每次訓練后,按照訓練結果更新訓練集上的分布,對于訓練失敗的訓練示例賦予教大的權重,也就是在下一次迭代訓練的時候,更加關注集中對這些失敗的訓練例進行訓練。通過這樣的T次迭代訓練,得到一個預測函數序列h1,h2,…,ht,其中ht也有一個權重,預測效果好的預測函數的權重較大,預測效果差的預測函數的權重較小。經過T次迭帶后的最終預測函數H采用有權重的投票方式產生。

3.2 特征選擇和分類

本系統利用訓練樣本的分類屬性,采用Adaboost M1算法同時,對算法進行改進,使算法同時具有進行特征分類性能的評價(特征選擇)和SVM分類器的增強的功能:對樣本進行多次抽樣,將分類精度作為特征對分類性能的判定依據,進行有效特征選擇,選取出少量對分類作用較大的特征,同時將單特征訓練得到的弱分類器增強為強分類器,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算法每次迭帶訓練時候,賦予每個訓練例的分配權重 Dt(i)(t表示迭代次數,i表示訓練例標號),同時也表明它被分類器選入新訓練子集的概率。如果某個樣本已經被準確的分類,那么在構造下一個訓練集中,它所占的比重概率就會被降低;反之,如果某個樣本沒有被正確分類,那么它所占的比重就會得到提高。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Adaboost M1這個特點,我們在選入的訓練集上,選擇SVM作為弱學習機,針對每個特征維向量進行訓練,產生弱分類器,并且計算分類精度,用來衡量該弱分類器對分類的作用程度,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,經過多次迭代可以得到大部分對分類作用較高的特征,最終增強得到一個強分類器。

改進的Adaboost M1進行特征選擇以及SVM分類器增強的算法步驟如下:

輸入:訓練集 (x1,y1),(x2,y2), …,(xm,ym) ,其中標簽yi ∈Y={1, …,k}

特征維向量集{S}

弱學習算法SVM

迭帶訓練的次數T

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

步驟1 弱分類器學習

根據選擇權重Dt(i)進行采樣,獲得第t次迭代樣本集,選取特征子集,學習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次迭代的每個特征維度;Srt是弱分類器集合,是根據Hrt單特征訓練出的弱分類規則,r表示特征維度標簽號,t表示迭代次數。

步驟2 計算分類精度,選擇特征

計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,誤差越小則此特征子集作用越大,選取誤差最小(εt=min{εrt})的對應的分類器為Ht與有效特征向量Srt計算本次迭代得到的分類器貢獻權值βt=εt/(1-εt)。

步驟3 更新權重

其中,βt為每次迭代的分類器貢獻權值,值由βt=εt/(1-εt)來確定;Dt(i)為每個訓練例的分配權重,Zt為標準化常量。

輸出:有效特征子集Sr

增強分類器

通過改進的Adaboost M1算法可以得到所選擇的特征子集Sr以及增強的分類器Hx。

分類時,只要將待分類醫學圖像根據有效特征子集Sr進行特征提取,輸入增強的分類器集 Hx中,就可得到分類的結果。

4 實驗結果及結論

本實驗所采用的是醫學圖像中的CT、MRI和DDR圖像,根據醫學圖像的功能和用途,我們將這些醫學圖像分為頭部(包括中樞神經和頭頸五官)、胸部(包括呼吸系統、循環系統)、腹部(包括消化系統)、骨盆(包括泌尿系統)和其他等五大類標簽,每類標簽60幅(由于CT應用比較廣泛,所以選用CT圖像40幅,MRI和DDR各20幅),共計300幅圖像構成圖像庫。在測試集和訓練集的選擇上,采用10折交叉驗證的方法。通過訓練集最終選取了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)三個指標率來衡量:敏感度也稱真正識別率,即正確識別該類元組的百分比;特異度是真負率,即正確拒絕不屬于該類元組的百分比;而精度就來標記實際屬于該類的元組在已分配到該類的元組總數的百分比,表2是本實驗的分類結果。

從表2中可以看出,本實驗醫學圖像分類器算法的敏感度、特異性和分類精度都較高,分類識別率和精度平均在83%左右。

分類系統的速度主要取決于特征的提取以及進行分類的運算量。如果將所有特征都運用于分類的話,由于有些特征向量維度對分類貢獻不高,對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間負擔。在本系統中僅僅選擇了不到1/3的特征,去除了部分對分類效率貢獻不高的特征,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為只在有效特征中進行提取分類,速度也有較大提高,表3列出了在 Inter Core Duo processor T2450 2.0GHz、1G DDR內存、VC++6.0環境下本分類系統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,但是比起單個特征提取,速度還是比較慢的。但是從表3正確率相比,準確率還是蠻高的,相對的犧牲時間還是值得的。

參考文獻:

[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,嚴勇. 基于特征融合和相關反饋的醫學圖像檢索技術[J].航天醫學與醫學工程,2004,17(231):429-433.

第4篇：生物醫學工程類別范文

關鍵詞：醫學信息管理 知識融合 前趨圖 教學計劃

中圖分類號：G64 文獻標識碼：A 文章編號：1673-9795（2013）08（a）-0150-02

醫學信息學專業是醫學領域與管理學、計算機或電子通信等應用領域的交叉學科，培養具備醫藥學基礎知識、信息管理知識、計算機科學技術知識及應用能力、掌握衛生信息管理、醫學信息學處理與醫療決策支持系統設計思想和方法，具有團隊協作能力的高級復合型人才[1]。

隨著我國醫改的不斷加深，醫療信息化也變的越來越重要。據《2013年中國醫療行業信息化建設與IT應用趨勢研究報告》[2]顯示，2012年中國醫衛行業IT投入達185.6億元，較2011年同比增長22.6%；2013年醫衛行業信息化建設投入將繼續保持平穩增長趨勢，投資規模預計將達到225.5億元人民幣。由此看出國家對醫療信息化建設的重視程度。加強醫療信息化的建設不僅需要國家提供財政、政策的支持，也需要一大批具備專業知識的醫療IT人才來提供支撐。因此，加快培養同時具備醫學知識、信息技術與管理學知識的人才至關重要。

本文通過對全國開設醫學信息管理及相關專業的28所院校的課程設置進行了詳細的調查研究與分析，并根據我校多年的教學經驗，對醫學信息管理專業在教學過程中的計算機知識與醫學知識的融合問題進行了深入的探討，并提出了一些切實可行的建議，為后續醫學信息學專業的教學及課程設置提供理論參考依據。

1 課程設置方面存在的問題

在對國內開設醫學信息管理專業的28所醫學院校的課程設置進行調查與分析后，我們發現本專業在課程設置上還存在以下幾方面問題。

1.1 課程開設順序混亂

一些課程的開設必須建立在與其相關的另一課程的基礎上，例如，數據挖掘技術開設在數據庫之前，這樣不僅增加了老師的教學壓力，也提高了同學學習的難度。

1.2 跨學科知識融合困難

醫學信息學作為一門新興交叉學科，處理好多學科之間知識融合問題的確困難重重。國內院校在進行課程設置時，往往只是將各學科簡單堆疊，課程間缺乏緊密配合，遠沒有達到融合的程度[3]。計算機專業的老師往往不了解醫學知識，醫學教師不了解信息技術。在教學過程中不知道該如何將自己所授知識與其他學科知識進行有機融合。因此，往往在教學過程中，只是做到了知識的簡單疊加，并沒有進行深層次的融會貫通，造成學生偏科思想嚴重，邏輯轉換困難等一系列問題的產生，大大影響了教學的質量。

2 醫學信息管理專業主干課程及前驅圖分析

通過歸納與分析28所院校醫學信息管理專業詳細課程設置，我們主要將本專業的主干課程分為醫學基礎類、數學基礎類、信息技術類以及管理類四個類別。為解決好本專業學科開設順序混亂問題，我們總結了專業主干課程的先后依賴關系，并畫出了它們的前趨圖（見圖1所示），用此圖指導課程設置。

3 跨學科知識融合

為更有效的解決好醫學信息管理專業多學科交叉融合的問題，我們可以從以下幾個方面進行調整。

（1）開設醫學和計算機交叉學科的相關課程并且引進復合型人才授課。通過開設醫學和計算機交叉學科的相關課程來促進醫學知識和計算機知識的有機融合，如醫學圖像處理、醫學數據挖掘等。醫學圖像處理是指用數字圖像處理手段來處理醫學圖像，以輔助醫生診斷；醫學數據挖掘是指從大量的醫療數據中提取或“挖掘”出有用的知識，并將這些知識按照某一特定模型進行組織，用于醫療決策支持或統計分析。這些課程將醫學和計算機很好的融合到一起，方便同學進行學習和理解。

（2）開展課間實習，注重綜合能力培養 在教育與教學過程中，要定期組織同學們進行課間實習，使其深入到醫院各科室，詳細了解整個醫院的業務流程及醫院各系統的操作流程和整體網絡部署及架構。使同學們能夠更好的熟悉現場的工作環境，對遇到的問題能夠及時自主的解決，在開放式的教學環境中更加利于培養學生的綜合素質及能力。

（3）跨學科學術研究。在教學過程中，學校應該多為同學提供課題研究的平臺與機會，鼓勵同學們積極參與到不同學科的課題研究過程中，利用自己的專業特長與思維方式來解決其他學科的學術問題。這樣跨專業、跨學科的學業競賽可以讓同學們以“主角”的身份參與其中，以更加主動的方式去獲取知識，在科學研究的過程中不斷實現知識的融會與貫通。

（4）以畢業設計為驅動，學以致用。在完成所有理論教學內容后，學校通過安排同學到醫療機構、醫療軟件公司或制藥企業等地方進行實訓與學習，并結合自己實習期間的所見所感及自身的知識積累，來開發一個與本專業相關的信息系統作為畢業設計。以此為驅動，幫助同學們將所學知識進行系統的歸納與整合，為參加工作做好充足準備。

4 結語

解決好多學科知識交叉與融合問題還需要一個漫長的過程，這需要社會、學校、老師及學生等多方面的共同努力。不斷加強對學生的職業生涯規劃，明晰本專業的人才培養目標，改進教學方法（PBL教學法[4]、任務驅動教學法[5]），有意識的進行實訓與鍛煉。緊跟當下知識融合、技術集成的時代要求，著力培養適合時展需要，既有寬闊知識面，又有強烈變革思維的“一專多能”復合型人才。

參考文獻

[1] 羅鐵清，周燃犀.醫學信息學專業醫學知識培養方法的探索[J].醫學信息，2011，24（3）：1138-1140.

[2] 中商情報網.2013年中國醫療行業信息化建設與IT應用趨勢研究報告[M]. ASKCI Consulting Co.，Ltd，2013.

[3] 候躍芳，張浩.國內信息管理與信息系統專業課程設置調查研究[J].醫學信息學雜志，2012，33（1）：12-15.

第5篇：生物醫學工程類別范文

（廣東外語外貿大學 金融學院，廣東 廣州 510006）

摘 要：作為一個具有巨大應用前景研究方向，深度學習無論是在算法研究，還是在實際應用（如語音識別，自然語言處理、計算機視覺）中都表現出其強大的潛力和功能.本文主要介紹這種深度學習算法，并介紹其在金融領域的領用.

關鍵詞 ：深度學習；受限波茲曼機；堆棧自編碼神經網絡；稀疏編碼；特征學習

中圖分類號：TP181 文獻標識碼：A 文章編號：1673-260X（2015）01-0037-03

1 深度學習的研究意義

深度學習是一類新興的多層神經網絡學習算法，因其緩解了傳統訓練算法的局部最小性，引起機器學習領域的廣泛關注.深度學習的特點是，通過一系列邏輯回歸的堆棧作為運算單元，對低層數據特征進行無監督的再表示（該過程稱為預學習），形成更加抽象的高層表示(屬性類別或特征)，以發現數據的分布式特征表示.深度學習的這種特性由于與腦神經科學理論相一致，因此被廣泛應用于語音識別、自然語言處理和計算機視覺等領域.

生物學研究表明[1]：在生物神經元突觸的輸出變化與輸入脈沖的持續時間有關，即依賴于持續一定時間的輸入過程，輸出信號既依賴于輸入信號的空間效應和閾值作用，也依賴于時間總和效應.

傳統的深度學習方法雖然較好地模擬了生物神經元的一個重要特性——空間總和效應上的深度，卻忽視了生物神經元的另一個重要特性——時間總和效應上的寬度[2].因此，對于連續的時間變量問題（如語音識別），傳統深度學習方法只能將連續的時間函數關系轉化為空間關系，即離散化為時間序列進行處理.這樣做有幾個弊端：

（1）可能造成深度學習算法對時間采樣頻率的十分敏感，魯棒性較差.這使得，不同時間尺度下，需要使用不同的數據和算法.這無疑是十分不方便的；

（2）導致深度網絡規模過大，使得計算開銷增大、學習效果變差、泛化性能降低；

（3）難以滿足實際應用對算法的實時性的要求，更難以體現連續輸入信息的累積效應，大大降低深度學習算法的實用性.

因此，對傳統的深度學習算法進行改進，使其不但具有“深度”，亦能具有“寬度”，能夠對連續時變數據進行更好的特征提取、提高算法效率和實用性，顯得勢在必行.基于這個切入點，本項目借鑒時頻分析與小波分析中的方法，結合數學分析領域中的泛函分析技術，與堆棧自編碼神經網絡相結合，提出一種新的深度學習算法——深度泛函網絡.為了驗證算法的有效性及優越性，本項目將把新算法應用于金融時間序列的領域.

在目前國內外對于深度學習的研究中，幾乎沒有任何將深度學習技術運用于金融數據的研究.通過提出并運用得當的深度序列學習方法，我們期望從金融數據中抽取更高級的、具有經濟學意義或預測性意義的高級特征（與人工設計的“技術指標”相對應），并開發相應的量化交易策略，并與其它傳統算法進行對比，以說明所提算法的可行性和優越性.

2 國內外研究現狀

人類感知系統具有的層次結構，能夠提取高級感官特征來識別物體（聲音），因而大大降低了視覺系統處理的數據量，并保留了物體有用的結構信息.對于要提取具有潛在復雜結構規則的自然圖像、視頻、語音和音樂等結構豐富數據，人腦獨有的結構能夠獲取其本質特征[3].受大腦結構分層次啟發，神經網絡研究人員一直致力于多層神經網絡的研究.訓練多層網絡的算法以BP算法為代表，其由于局部極值、權重衰減等問題，對于多于2個隱含層的網絡的訓練就已較為困難[4]，這使得實際應用中多以使用單隱含層神經網絡居多.

該問題由Hinton[5]所引入的逐層無監督訓練方法所解決.具體地，該法對深度神經網絡中的每一層貪婪地分別進行訓練：當前一層被訓練完畢后，下一層網絡的權值通過對該層的輸入（即前一層的輸出）進行編碼（Encoding，詳見下文）而得到.當所有隱含層都訓練完畢后，最后將使用有監督的方法對整個神經網絡的權值再進行精確微調.在Hinton的原始論文中，逐層貪婪訓練是通過受限波茲曼機（Restricted Boltzmann Machine,RBM）以及相對應的對比散度方法（Contrastive Divergence）完成的.與通常的神經元不同，RBM是一種概率生成模型，通常被設計為具有二元輸入-輸出（稱為Bernoulli-Bernoulli RBM）.通過對每一層的受限波茲曼機進行自底向上的堆棧（如圖1），可以得到深度信念網（Deep Belief Network,DBN）.

除了生成式的RBM，還有其他的深度學習結構被廣泛使用和研究.如堆棧自編碼神經網絡（Stacked Auto-Encoder Network,SAEN）[6],以及深度卷積神經網絡（Deep Convolutional Network）[7]等.前者的優勢在于可以簡單地采用通常的BP算法進行逐層預訓練，并且引入隨機化過程的抗噪聲自編碼網絡（Denoising SAEN）泛化性能甚至超過DBN[8]；而后者則通過權值共享結構減少了權值的數量，使圖像可以直接作為輸入，對平移、伸縮、傾斜等的變形具有高度不變性，因此在圖像識別領域有著廣泛應用.

近年來，稀疏編碼（Sparse Encoding）和特征學習（Feature Learning）成為了深度學習領域較為熱門的研究方向.B.A.Olshausen[9]等針對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督學習方法，它用來尋找一組“過完備”的基向量來更高效地表示輸入數據的特征，更有效地挖掘隱含在輸入數據內部的特征與模式.針對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不同的凸規劃問題以提高效率.同年，H.Lee等發現，當訓練樣本為圖像時，對DBN的訓練進行稀疏性的約束有利于算法學習到更高級的特征[11].例如，對手寫識別數據集進行訓練時，稀疏性約束下的DBN算法自主學習到了“筆畫”的概念.

基于[10,11]的研究成果，R.Raina等[12]提出了“自導師學習（Self-Taught Learning）”的概念.與無監督學習（Unsupervised Learning）和半監督學習（Semi-supervised Learning）不同，自導師學習利用大量易獲得的無標簽數據（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建特征的高級結構，并通過支持向量機（Support Vector Machine,SVM）作為最終層分類器對少數有標簽數據進行分類.這種更接近人類學習方式的模式極大提高了有標簽數據的分類準確度.與之類似，H.Lee,R.Grosse等[13]提出了一種具有層次結構的特征學習算法.該算法將卷積神經網絡與DBN結合，并通過稀疏正則化（Sparsity Regularization）的手段無監督地學習層次化的特征表征.圖像識別實驗表明，該算法能夠自主學習得出“物體（Object Parts）”的概念，較好體現了人腦視覺感知的層次性和抽象性.

3 發展趨勢

由于信號處理、語音識別、金融時間序列分析、視頻分析等領域的實時應用需求，研究能夠處理連續時變變量、自然體現時間聯系結構的深度學習算法（即深度序列學習，Deep Sequence Learning）成為了新的研究熱點.G.W.Taylor,G.E.Hinton等[14]提出時間受限波茲曼機（Temporal RBM,TRBM）.該模型使用二值隱含元和實值可視元，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，該模型被用于人類動作識別，并展現出了優秀的性能.針對TRBM的一些不足，一些改進算法也不斷涌現，如[15,16].然而，該類深度學習模型雖然考慮了動態的時間變量之間的聯系，但依然只能處理離散時間問題，本質上還是屬于轉化為空間變量的化歸法.同時，在自編碼網絡框架下，依然缺乏較好解決時間過程（序列）問題的方案.

4 金融時序數據中的應用

傳統金融理論認為，金融市場中的證券價格滿足伊藤過程，投資者無法通過對歷史數據的分析獲得超額利潤.然而，大量實證研究卻表明，中國股票價格波動具有長期記憶性，拒絕隨機性假設，在各種時間尺度上都存在的可以預測的空間.因此，如何建立預測模型，對于揭示金融市場的內在規律，這無論是對于理論研究，還是對于國家的經濟發展和廣大投資者，都具有重要的意義.

股票市場是一個高度復雜的非線性系統，其變化既有內在的規律性，同時也受到市場，宏觀經濟環境，以及非經濟原因等諸多因素的影響.目前國內外對證券價格進行預測的模型大致分為兩類：一是以時間序列為代表的統計預測模型；該類方法具有堅實的統計學基礎，但由于金融價格數據存在高噪聲、波動大、高度非線性等特征，使得該類傳統方法無法提供有效的工具.另一類是以神經網絡、支持向量機等模型為代表的數據挖掘模型.該類模型能夠處理高度非線性的數據，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波動互相抵消，導致無法捕捉獲利空間甚至導致損失，外推預測效果無法令人滿意.因此，建立即能夠處理非線性價格數據，又有良好泛化能力的預測模型勢在必行.

——————————

參考文獻：

〔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.基于生物的神經網絡的理論框架——神經元模型[J].北京生物醫學工程,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：生物醫學工程類別范文

關鍵詞：腦電波 意識交流 “腦-機接口”系統（BMI） “腦-腦”通信模式

中圖分類號：TN92 文獻標識碼：A 文章編號：1007-3973（2013）010-100-03

1 引言

隨著現代科技的高速發展，通信技術也得到了很大的提高，先后出現了3G，4G等新型移動通信技術，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。人的大腦就是一臺功能強大的通信設備，同時具有編碼器和譯碼器，可以把很多外在信號翻譯為大腦可以識別的信號，例如把聲音信號翻譯為電信號。由于人的大腦在思維活動時，會產生腦電波信號，雖然是一種低頻微弱信號，但是只要加以利用就同樣可以被人腦識別的，這就是我提出“腦-腦”通信模式的一些基礎。

這種通信方式可以實現私密話的交流，真正達到“一切盡在不言中”的效果。情人間不需要再用眉目傳情了，在人多的場合下就可以直接私密交流了；圖書館、自習室、會議室等地方可以私下交流而不影響他人。因為不需要通過空氣這種介質作為信道傳輸，因此在太空中也可以使用這種通信方式。

2 實現

2.1 理論依據

2.1.1 通信系統基本模型

通信系統基本模型包括：信源，發送設備，信道，接收設備，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：節律性的腦電波是許多神經元同時活動和同時抑制的結果。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）神經元的排列方向一致：大腦皮層的錐體細胞排列非常整齊，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胞產生的電位自細胞體傳向皮層表面的結果。當這些錐體細胞進行同步活動時就會產生強大的電場，才能在皮層表面記錄出來。

（2）腦電波的高度特異性。

每個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，神經細胞中離子運動的運動產生電流，大腦150億的神經元（腦細胞）不斷釋放出微電流。大腦總的電流活動情況可以用腦電分析儀（EEG）測量記錄下來，這種大腦電流活動的形態各不相同，有快有慢，由此產生了各種頻率的腦電波。科學界公認的腦電波主要有四種狀態，神經科學界根據腦波的頻率分成四個主要類別：震蕩頻率范圍分別為8Hz-14Hz、14Hz-100Hz、4Hz-8Hz、0.5Hz-4Hz。

2.2 運用依據

2.2.1 電子精神控制技術

電子精神控制技術是通過高靈敏的接收元件接收并放大大腦活動所產生的微弱腦電波電磁輻射信號，經專門的譯碼軟件處理就可讀懂大腦內部的思維活動，反過來通過向神經系統發射調制后的特定腦電波信號，也可以向人腦直接寫入信息，從而實現對人腦的直接遙控。

2.2.2 其他運用實例

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

3 “腦腦”通信模型構思

裝置：發送調制后的腦電波信號，或者接收解調后的腦電波信號；基站：用于遠距離通信時，類似于聯通、移動等的基站。人的大腦是一部功能強大的通信設備，同時具有編碼器與譯碼器功能。該模型涉及到的學科有物理，生物，醫學，信息等；領域有信息技術，生物技術，新材料等。

4 模型設計及核心思想

4.1 關鍵問題

人的大腦如何識別這些腦電波信號？我們知道，現在我們日常交流都是通過聲音信號，因為聲波是機械波，可以產生振動。聲音傳到耳朵里，引起耳內耳蝸管的振動，并傳到聽覺神經，最后傳到大腦，從而使人能夠聽到聲音。而我們現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別外來的腦電波信號。如果大腦不能識別這些信號，就不能實現交流，就不能完成雙方通信了。因此，現在我們需要解決的難題就是如何讓我們的大腦來識別這些外來的腦電波信號，或者說是我們大腦如何接收他人的腦電波信號。

4.2 解決方案

方案一：轉變為聲音信號傳給大腦。

我們知道人可用兩種方式獲得聲音信號：（1）通過聲波直接傳到耳朵，引起聽骨的振動，產生微弱的電信號，大腦感知聲音；（2）把振動體放在耳后的聽骨上，直接把聲音傳到聽骨上，產生電信號，讓大腦感知聲音。現在已經有技術可以將人的腦電波信號轉變為聲音信號了，然后我們可以利用骨傳聲耳機直接將轉變后的聲音傳信號傳遞給聽覺神經，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，引起聽覺叫骨傳導，骨傳聲耳機是就是利用骨傳導原理制成的。

方案二：腦電波信號直接傳給大腦。

人的大腦可以產生腦電波信號，也就可以接收腦電波信號，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來產生和工作的，大腦的信息讀取是通過神經遞質產生的電位差來讀取電信號的。換而言之，除非我們能夠讓目標大腦產生一個精確的電位差。否則對方大腦不能接收這個信號，就像給自己手機開辦了短信業務，對方收不到你短信。我們傳遞過去的腦波信號，不過是噪音而已。因此，筆者認為最起碼我們發過去的腦電波要變成和對方同頻率的信號，引起共鳴。但即使是同頻信號，雖會產生一定作用。但是，由于這些同頻干涉波，會讓大腦的正常活動受到電磁干擾而發生偏移，產生幻覺，疼痛，心血來潮，突然脾氣爆發等等。

所以要讓對方大腦能夠接收外來的腦電波信號，就必須把這些外來的腦電波信號“同化”，讓自己的大腦能夠識別他人的腦電波信號。這種把他人的腦電波信號“同化”的技術已經有了，雖然還不成熟，但足以說明這樣的做法是可以實現的。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，同時也能通過反饋將腦電波信號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反饋信號。也就是說腦電波指紋儀能夠將他人的腦電波信號“同化”成能被自己大腦接收的信號。

4.3 突破點，創新點

（1）無介質傳輸，因為腦電波區別于聲波這種機械波，腦電波是一種電磁波，可以不通過介質傳輸。

（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，通過儀器來分析這些信號而識別大腦活動和大腦意識。這種突破可以實現人的意識交流，人的大腦直接讀懂他人的意識。

（3）手機等通信設備只能一次性接收一方信號，而人的大腦可以同時接收多方信號。正如我們在交談時，可以和多個人交談，聽取多人的意見。

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

5 最終模型

由于腦電波信號是小信號，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才能傳輸出去。而在接收方必須將解調后的腦電波信號“同化”后才能接收。

6 不足之處

（1）噪聲干擾。因為腦波信號本就很微弱，是低頻信號，如果有很強的噪聲干擾的話，整個信號就變成了噪聲信號，那么對方收到的就不是腦電波信號，就變成了噪音。這些噪音進入人的大腦，會嚴重影響人的大腦正常工作，讓大腦產生幻覺，疼痛等。

（2）材料昂貴。現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時間，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，人行動起來很是不方便。

（4）技術不成熟。現如今與腦電波相關的技術還不是很成熟，對大腦的研究還處于探索階段，還有一段很長的路。

7 展望

（1）由于腦電波具有高度特異性，每個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，而旁邊的人因為腦電波指紋不同而無法收到這種腦電波信號，所以用腦電波信號交流的這種通信方式保密性很好。因此將其運用到一些機密會談上很是適用。

（2）由于不需要介質傳輸，這種通信方式也很適合運用到太空飛行員，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。而且研究開發這種通信技術，對探索大腦功用也取到一定推動幫助作用。

8 結束語

這套模型能否制作出來，還有待需要做一些實驗得到驗證，由于沒有一些儀器設備以及材料，筆者無法將這個模型或者這個實物制作出來，但是只要給充足的實驗條件，經過一些實驗是可以做出這個模型的。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，這種方法有一定的風險，可能會影響人的大腦中樞運作，不能輕易嘗試，需要反復做實驗，認真研究方可實行。而且剛開始的運用也只能是在一些動物身上，因為人的大腦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現，還有很多因素制約著，但筆者認為這種通信模式是可以行得通的。

參考文獻：

[1] 伍國鋒，張文淵.腦電波產生的神經生理機制[J].臨床腦電學雜志，2000（3）.

[2] 沈偉慈.通信電路（第二版）[M].北京：北京郵電大學出版社，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：北京郵電大學出版社，2008.

第7篇：生物醫學工程類別范文

錦州市衛生學校，遼寧錦州 121299

[摘要] 目的 分析探討冠狀動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例冠狀動脈粥樣硬化性心臟病心絞痛患者隨機分為兩組，即對照組和治療組。對照組采用倍他樂克、硝酸甘油、阿司匹林等常規用藥進行治療，治療組在對照組的基礎上加用阿托伐他汀進行治療，比較兩組的臨床效果及不良反應。 結果經治療后，對照組中顯效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）值明顯要比對照組低， 而HDL-C（1.38±0.25）值要明顯高于對照組，差異有統計學意義（P<0.05），兩組不良反應相比，治療組不良反應要明顯較對照組輕，且無發生腎損傷等并發癥。結論 在應用倍他樂克、硝酸甘油、阿司匹林等常規用藥的基礎上加用阿托伐他汀治療冠狀動脈粥樣硬化性心臟病心絞痛，效果顯著，且不良反應較輕，安全可靠，值得臨床的廣泛推廣。

關鍵詞 阿托伐他汀；冠狀動脈粥樣硬化性心臟病；心絞痛

[中圖分類號] R541.4[文獻標識碼] A[文章編號] 1674-0742（2014）04（b）－0104-02

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

在內科臨床中，冠狀動脈粥樣硬化性心臟病是屬于常見疾病之一，是指因冠狀動脈血管壁形成粥樣斑塊造成管腔狹窄導致供血不足而引起的心肌機能障礙和/或器質性病變的一類疾病[1]。世界衛生組織，將冠狀動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。冠心病患者實驗室檢查一般多是下面的結果，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例冠狀動脈粥樣硬化性心臟病心絞痛患者為研究對象，分析采用阿托伐他汀治療心絞痛產生的臨床效果及不良反應等結果，現報道如下。

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。隨機將他們分為對照組和治療組，每組各39例。兩組患者在治療前，均經心電圖、64排雙元CT冠狀動脈造影、動態平板實驗等檢查確診，且心絞痛病程有1~4個月，平均2.5個月。發作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。對照組采用了倍他樂克、硝酸甘油、阿司匹林等常規用藥進行治療，治療組在對照組的基礎上加用阿托伐他汀藥物進行治療，分析與比較兩組患者的臨床效果及不良反應。

1.2發病病因

目前，冠狀動脈粥樣硬化性心臟病心絞痛的發病機制尚不明確[3]，但經臨床研究顯示，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）等與疾病的發生密切相關。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）的降低促進了冠心病的發生、發展。高血壓、高血脂、高血糖、肥胖癥和吸煙是危險因素中的可控的重要發病因素。在該78例冠狀動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例冠狀動脈粥樣硬化性心臟病心絞痛患者分為對照組和治療組，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）值等差異無統計學意義，具有可比性。對照組采用倍他樂克、硝酸甘油、阿司匹林（80~160 mg/d）等常規用藥進行治療，治療組在對照組的基礎是上加用阿托伐他汀進行治療，80 mg/d，12周為1個療程。囑患者在用藥后切忌過度進食，可進行適度的鍛煉，避免勞累或者過度的緊張，堅持服藥[4]。

1.4療效判定及觀察指標

療效判定根據中華心血管病雜志委員會推薦的指標分為顯效、有效、無效和加重3種[5]。其中，顯效：靜息時，心電圖檢查顯示正常；同等程度的勞動下，不會輕易的引起心絞痛，且心絞痛的發作頻次減少至80%以上；有效：經治療后，心電圖缺血性的ST段由下降逐漸變為上升狀態，幅度為0.5 mm，T波平坦轉為直立或T波倒置變淺，且心絞痛發作頻次減少至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波由直立變為平坦或加深50%。且心絞痛發作頻次增加，持續時間較長。經治療后，對患者進行隨訪6個月，觀察患者的用藥情況及不良反應的發生。觀察指標：采用生化儀檢測總膽固醇（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統計方法

數據采用spss 13.0軟件進行統計學處理，計數資料采用率表示，計量資料采用均數±平均值（x±s）表示，采用t檢驗。

2結果

2.1兩組療效比較

采用秩和檢驗對兩組療效進行比較，經治療后，兩組療效差異有統計學意義（P<0.05），且治療組的臨床效果要明顯優于對照組，見表1。

2.2經治療后兩組生化指標比較結果

經阿托伐他丁治療后，治療組與對照組相比，TC、LDL-C、HDL-C、TG差異有統計學意義（P<0.05），且治療組TC、LDL-C、TG值明顯低于對照組，HDL-C值明顯高于對照組，差異有統計學意義（P<0.05）。見表2。

2.3比較兩組不良反應情況

對照組39例患者采用倍他樂克、硝酸甘油、阿司匹林等常規用藥進行治療，且治療后，有12例患者出現惡心、嘔吐、腹痛、腹脹等不良反應情況；治療組的39例患者在對照組的基礎上加用阿托伐他汀進行治療，經治療后，有6例出現惡心、嘔吐、腹痛、腹脹的不良反應情況，且并無出現腎損傷等并發癥。

2.4隨訪結果

對于兩組患者均于從治療后開始，進行半年隨訪，在隨訪過程中，每2個月讓患者做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）的測定，并讓患者密切觀察和記錄有無不良反應，出現癥狀隨時就診。經隨訪半年后，該院收治的78例患者均無出現心肌梗死和死亡現象。

3討論

冠狀動脈粥樣硬化性心臟病是由于供應心臟本身的冠狀動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主要類別[6]。由患者的臨床表現來看，78例患者中多數表現為一種具有壓迫感、沉重感、緊束感和燒灼感的疼痛，一般持續時間不長，大約2~3 min，持續不超過30min/次，追究其誘發因素，大多是由于急走、上樓、負重、情緒激動等因素，一般由情緒因素引發冠心病心絞痛時，待心情平復時病情緩解，由體力因素引起時，多在運動停止后短時間內病情可緩解[7]。78例冠狀動脈粥樣硬化性心臟病心絞痛患者中，36例主因情緒激動誘發，15例主因運動過度誘發，11例主因暴飲暴食，16例主因為其他因素。經用阿托伐他丁治療后，患者發生如下改變：①血脂得到明顯調整，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降低心絞痛發展為心梗的風險，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），防止了動脈粥樣硬化的進一步惡化，有效地預防了心梗的發生。用藥后對患者進行6個月的隨訪，78例均無出現心肌梗死和死亡的現象。

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內源性TC的合成抑制，使得血TC水平降低；同時使細胞表面LDL受體數目被誘導性增加，血清中LDL的清除以及受體介導的LDL的分解代謝由此增加[8]。因此，他汀類藥物的主要機制是影響血管內皮一氧化氮酶（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、延緩動脈粥樣硬化、增加血管內皮祖細胞的增殖作用[9-10]。由上述表1、表2可以看出，治療組所產生的臨床療效要遠遠優于對照組，且治療組所產生的不良反應如惡心、嘔吐、腹痛、腹脹等要較輕于對照組，且治療組的有效率為94.87%，對照組的有效率為84.62%，明顯高于對照組，差異有統計學意義，同時，治療組并無出現腎損傷的并發癥情況。對照組的生化指標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TC（4.31±0.92）、LDL-C（3.58±0.39）、TG（1.84±0.57）值，而生化指標HDL-C值，治療組（1.38±0.25）明顯比對照組（1.04±0.17）要高，兩組差異有統計學意義（P<0.05）。

綜上所述，在采用常規用藥如倍他樂克、硝酸甘油、阿司匹林等基礎上，加用阿托伐他汀，可有效的治療冠狀動脈粥樣硬化性心臟病心絞痛，且效果顯著，安全性高，不良反應輕，不會產生腎損傷等并發癥，阿托伐他汀還具有降低心絞痛患者轉變為為心梗的風險，值得臨床的廣范推廣。

參考文獻

[1]沈映君.中藥藥理學[M].北京：人民衛生出版社，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脈粥樣硬化性心臟病的療效[J].現代生物醫學進展，2010，10（16）：3073-3075.

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

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

[5]王照程.中西醫結合治療冠狀動脈粥樣硬化性心臟病不穩定型心絞痛療效觀察[J].河北中醫，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].中國醫學工程，2010（1）：77.

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

[8]王蔚蔚，王燦，馬曹.阿托伐他汀片治療不穩定型心絞痛42例療效觀察[J].中國煤炭工業醫學雜志，2010（12）：1821-1822.

[9]黃夢照，梁東，蒙應寫，等.阿托伐他汀對不穩定型心絞痛患者血脂及hs-CRP、TNF-α水平的影響[J].中國當代醫藥，2013（12）：400-402.

第8篇：生物醫學工程類別范文

他汀類藥物，調脂治療的首選

第二軍醫大學附屬醫院心內科博士 梁春/教授 吳宗貴

大多數冠心病患者都有血脂異常，所以，血脂異常是導致冠心病的主要危險因素，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，調脂治療的主要目標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脂藥物作為調脂治療的首選呢？在回答這個問題之前，必須首先明確以下兩個問題。

問題一：什么是他汀類藥物？它是如何調脂的？

他汀類藥物，實際上是膽固醇合成環節中一種關鍵酶的抑制劑，這種酶主要存在于肝細胞中，具有晝夜節律性，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，減少肝細胞合成膽固醇；同時，能捕捉到循環血中的低密度脂蛋白，將之清除；而對可轉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，同時升高高密度脂蛋白濃度，從而達到我們所期盼的調脂作用。另外，根據這種酶活性晝低夜高的規律，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脂藥有何不同？

目前臨床上除了他汀類藥物外，常用的調脂藥物還有貝特類、樹脂、煙酸和魚油類。就調脂強度而言，他汀類藥物對降低低密度脂蛋白膽固醇水平作用最強，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于他汀類藥物。因此，他汀類藥物目前具有無可置疑的優勢，而且符合我們所提倡的循證醫學的思路。

他汀類藥物除了能調節血脂外，還具有強大的多效性作用。首先，它有血管保護效應，如改善內皮功能、減少斑塊中的炎癥反應等非調脂作用。所以，隨著研究的不斷深入，他汀類藥物的適應癥，也正由調節血脂逐漸拓寬到抗動脈粥樣硬化。有證據顯示，應用他汀類藥物強化調脂，可阻止、甚至逆轉動脈粥樣硬化的發展，也是現階段最有效的穩定易損斑塊的措施。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單的調脂藥物，而更應認識到它在冠心病防治中的重要作用。正是他汀類藥物這些獨特作用，使之無可爭議地成為冠心病患者調脂治療的首選。

專家簡介

梁春，醫學博士，博士后。擅長心血管介入診療，長期致力于動脈粥樣硬化的研究。目前擔任上海市醫學會心血管病專業委員會動脈粥樣硬化學組委員兼秘書，參加了包括國家“973”在內的7項國家和上海市多項科研課題的研究，30余篇。2003年獲上海市科技進步二等獎。

吳宗貴，現任第二軍醫大學醫院心血管內科主任，主任醫師，教授，博士生導師。學術職務：中華醫學會心血管病分會委員、全軍心血管病專業委員會副主任委員、上海醫學會理事、上海市心血管病分會副主任委員、國外醫學心血管分冊副主編，中華心血管病雜志編委、中國高血壓雜志編委、國際心血管雜志編委、中國內科年鑒專業主編。

他汀類藥物并非人人可用

第三軍醫大學附屬大坪醫院心內科主任、教授 王旭開

有效控制血脂成了眾多血脂異常患者及家屬迫切需要解決的問題。有的患者從某些媒體上、廣告上聽說了哪種藥物好，就自行去購買服用；有些人一聽說他汀類藥好，就非要醫生給他開他汀類藥物不可。殊不知，藥不對癥，即使用了他汀類藥物，效果也不一定好，這是什么原因呢？這是因為他汀類藥物有它的適應人群，并非人人皆可。

人體血液中脂質一種或幾種成分的升高或降低，叫做血脂異常。過去，將其中某些脂質成分的升高稱為高脂血癥或高脂蛋白血癥，現在則統稱為血脂異常。

血脂異常主要分原發性和繼發性兩類。原發性血脂代謝異常是由先天性遺傳基因缺陷、后天的飲食習慣和生活方式以及其他環境因素等引起，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；而繼發性血脂代謝異常主要繼發于甲狀腺功能低下、糖尿病、痛風、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準和方式，普通老百姓只要知道臨床最常使用的分型標準和方法，就足以指導防治血脂異常。而臨床上，我們通常將血脂異常簡單分為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個蛋黃）、限制能量、適當的運動是調節血脂的前提。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、部分冠狀動脈成形術后再狹窄的患者也必須使用他汀類藥物。其中，尤其是對低密度脂蛋白（LDL）水平高于每升2.6毫摩爾的2型糖尿病患者，他汀類調脂藥是其治療的主要藥物。但對于高甘油三酯血癥，他汀類藥物是沒有作用的，而應該用亞油酸、煙酸和貝特類調脂藥，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《調節血脂，讓“生命之河”長流》）。

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醫師的指導，合理用藥。

專家簡介

王旭開，第三軍醫大學附屬大坪醫院內科教研室主任，大坪醫院心血管內科主任醫師、教授、博士生導師，現任第三軍醫大學學位評審委員，中華醫學會重慶分會心血管專委會委員兼秘書，分子生物醫學工程學會委員和重慶微循環學會委員，第三軍醫大學學報英文編委，長期從事心血管內科專業臨床、教學和科研工作，擅長冠心病、高血壓、各種快和慢心律失常的診治，尤其對代謝紊亂綜合征的診治有較豐富的經驗。

他汀類藥物：魔鬼還是天使

北京阜外心血管病醫院臨床藥理中心副主任醫師、博士 汪芳

拜斯亭停銷事件曾經引起了醫藥界的極大關注，直到今天，很多血脂異常的患者還在因為它而拒絕使用他汀類藥物。因此，不僅醫務工作者要面對這個問題，思考如何客觀、冷靜地評價他汀類藥物在臨床上的價值，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，全世界大約有數萬人服用過拜斯亭。在西方國家曾有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，出現服藥者死亡的事件，是因患者在使用拜斯亭的同時，還使用了降低甘油三酯的藥物吉非貝齊。而拜斯亭在中國上市以來，已有數千例患者使用過該產品，但至今在我國尚未發現嚴重不良反應個案，盡管如此，拜耳公司仍然在中國境內停銷了該產品。

雖然“拜斯亭事件”影響了他汀藥物的銷售，不過，通過10年多的醫學研究表明，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，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。其中，最主要有以下兩項：

肝功能異常：使用他汀類藥物治療，少數患者可出現血清轉氨酶持續升高，但停藥后，通常可緩慢回落至用藥前水平。因此，肝病活動期或不明原因的轉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，一旦轉氨酶升高，就必須停藥，并經常測定肝功能直至恢復正常。另外，有酗酒、肝病史的患者都要慎用該藥，用藥時應密切監測，建議從小劑量開始用藥，逐漸加量至達到治療效果。

肌病：目前他汀類藥物引發橫紋肌溶解癥是最為嚴重的副作用。他汀類單藥治療引起肌病的發生率大約是千分之一，并且與劑量相關。同時，他汀類藥物如果與煙酸、貝特類調脂藥（吉非貝齊）、大環內酯類抗生素（克拉霉素、紅霉素）、環孢菌素A、左旋甲狀腺素、米貝地爾等藥物合用時也可能引起橫紋肌溶解癥。當肌溶解物質堵塞腎小球或腎小管時，可引起急性腎功能衰竭，其發生概率約為三萬分之一以下，但對當事人來說卻可能造成無法挽回的損害甚至死亡。如果肌病及時發現，并及時停藥，是可以逆轉的，急性腎衰也不會發生。因此，該類藥物必須在醫生指導下應用。當患者出現彌散的肌痛、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燒，就要考慮肌病的可能性，患者需要立即就醫。一旦懷疑或確診為肌病應立即停藥，多數情況下均可恢復。

他汀類藥物其他相關的不良反應比較少見，發生藥物不良反應的患者均應停用該藥。如果要想避免不良反應，關鍵還是要在規定的適應癥范圍內、規定的使用劑量范圍內使用，并避免與禁止合用的藥物聯用，同時也要求醫生在臨床用藥時嚴格遵守說明中規定的事宜，切忌濫用。尤其是應避免與有影響的藥物合用。

鑒于很多患者對他汀類降膽固醇制劑安全性非常擔憂，美國心臟病學會主席Zipes醫師曾說：“正如所有的藥物一樣，他汀類藥物雖然有副作用，但應用他汀類藥控制膽固醇升高的好處，遠遠超過服用這類藥物發生嚴重副作用的危險"。所以，醫師們鼓勵那些服用他汀類藥而無副作用的患者繼續服用此類藥，如有不良反應，患者應向他們的醫師提出咨詢，并且最好在了解該類藥物的醫師指導下服藥。

專家簡介

汪芳，副主任醫師, 協和醫科大學阜外心血管病醫院臨床藥理在讀博士研究生。一直從事心內科工作。1996年前往丹麥哥本哈根國立醫院電生理及導管室做訪問學者。參與多項藥物臨床試驗，共發表文章13篇。

3個誤區5種對策

華中科技大學同濟醫學院附屬協和醫院心內科教授 王朝暉

他汀類藥物是目前最常用的調節血脂的藥物之一，但在認識和使用上卻存在3個誤區。

誤區一 血脂異常者單靠控制飲食不用調脂藥就能控制

血脂異常是一種慢性代謝異常，對于一些輕癥血脂異常者，平時多吃谷類、豆制品、蔬菜、菌類、瓜果，加上適量的運動是有效的。但是，對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到治療目的的，必須依靠調節血脂的藥物才能有效控制。而他汀類調脂藥物是目前調節血脂的最好藥物，雖然有一些副作用，但是其效果目前還是得到國內外專家一致認同。因此，血脂異常患者不應該因其副作用而忽略該類藥物的作用。

誤區二 血脂正常后不需繼續維持治療

很多患者因為聽別人說他汀類調脂藥物有副作用，所以，一旦血脂恢復正常后，就迫不及待地停藥。但是，這類患者在停藥1～2周后血脂會又回到治療前的水平。一旦復發，不管是從心理還是治療上，都給患者帶來一定的壓力。

誤區三 長期治療也不需監測隨訪

由于不同患者對同一調脂藥物的療效和不良反應有相當大的差別，故雖然僅有少數患者未在醫生的指導或隨訪下服用，會出現肝功能異常或肌病等不良反應，但為了監控自己的病情，避免出現不良反應，最好能做到定時定點監測隨訪。

針對以上認識和使用上的誤區，醫生們建議血脂異常的患者在使用他汀藥物前和使用時，最好能做到以下幾點：

開始服藥前，患者應在1～3個月內到同一醫院的同一實驗室進行血脂檢查（查血時應是在禁食12～16小時后的晨間空腹的狀態），醫生可根據2次非常接近的血脂水平（基礎血脂水平）選擇調脂藥物的種類和劑量。

開始進行他汀類藥物治療后4～6周后，應復查血脂，醫生會根據血脂變化的水平調整藥物的種類和劑量。如果血脂未能調至目標值水平，需增加藥物劑量或改用其他類調脂藥物，必要時還會聯合用藥；如果治療后血脂恢復正常或已達目標值，則繼續服用原劑量維持治療；如果血脂調得很低，可在醫生的指導下調節劑量，千萬不能自行停藥。

對于長期服用調脂藥物的患者，應當在醫生的指導下進行安全性的隨訪。應每2～3個月復查一次血脂水平、肝功能及肌酸激酶，經常向醫生反饋自己服藥后的情況，如有無消化道癥狀或肌肉疼痛、乏力等表現。如果遇到以上情況，只要及時停藥或給予對癥治療是可以恢復正常的。

在服藥的同時應配合改變生活方式的基本治療，如限制動物脂肪、動物內臟及大量蛋黃等高膽固醇食物的攝取，適當的運動、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，還應同時治療冠心病等其他危險因素或伴發疾病，如高血壓、糖尿病、痛風等，只有構筑全面防線才能徹底使心血管意外事件明顯減少。

專家簡介

王朝暉，現任華中科技大學同濟醫學院附屬協和醫院心血管內科教授、主任醫師，湖北省康復醫學會理事、中華醫學會武漢市心血管病分會委員、中華預防醫學會武漢市慢病防治和社區服務學會副主任委員，從事心血管疾病臨床、科研和教學工作20余年。

第9篇：生物醫學工程類別范文

關鍵詞 食管法心臟電生理檢查 胺碘酮 竇性心動過緩 不良反應

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，也導致了多種不良反應，其中心動過緩的不良反應發生率5%［1］，嚴重可導致嚴重的竇房結和(或)房室結功能障礙。對于服用胺碘酮出現竇性心動過緩患者來說，通過何種方式判斷其危險性，目前尚未完全明確。本研究對口服胺碘酮導致竇性心動過緩的患者進行食管法電生理檢查，旨在通過了解竇房結和房室結功能狀態與出現心動過緩相關癥狀之間的關系，評價食管法心臟電生理檢查在此類患者中應用效果及安全性。

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過緩患者70例，以清晨清醒平臥休息時測得的心率為基礎心率，基礎心率＜60次/分的竇性心律患者為竇性心動過緩患者。患者行24小時動態心電圖檢查排除竇性停搏(≥3秒)及Ⅱ度以上房室傳導阻滯，并排除服用胺碘酮時間短(＜1個月)或同時服用其他抗心律失常及影響心率的藥物、因心動過緩導致阿斯綜合癥發作、嚴重電解質紊亂、病態竇房結綜合征、嚴重冠心病、心功能Ⅲ級和Ⅳ級、惡性心律失常、嚴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致的其他不良反應以及其他疾病、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密監護條件下進行竇房結及房室結功能檢查，檢查前應用深圳理邦SE601A心電圖機記錄常規十二導聯心電圖，應用雙極食管電極導管從鼻腔插入食管內，記錄食管內心電圖，應用DF-5A型心臟電生理刺激儀進行程序刺激，以不同起搏電壓測試起搏閾值，以比起搏閾值高2～5v的電壓進行刺激。①竇房結起搏功能檢查：采用S1S1分級遞增法，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分鐘后每級遞增20～150次/分為止，記錄刺激結束前5秒及結束后10次心動周期心電圖。測量患者的竇房結恢復時間并計算校正的竇房結恢復時間。以竇房結恢復時間＞1500ms或校正竇房結恢復時間＞600ms為結果陽性，記錄為竇房結起搏功能下降。②房室交接區傳導功能檢查：采用S1S1分級遞增法，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秒后每級遞增10次至出現2∶1房室傳導阻滯為止，記錄出現一度房室阻滯、房室文氏傳導阻滯、2∶1房室傳導阻滯的刺激頻率。以出現一度房室阻滯點＜100次/分、房室文氏傳導阻滯點＜130次/分、2∶1房室傳導阻滯點＜180次/分為結果陽性，記錄為房室結傳導功能下降。對于竇房結起搏功能和/或房室結傳導功能下降患者靜注阿托品2mg后重復檢查，如結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及術中、術后出現的心律失常情況。將患者按照檢查結果是否異常分成食管法電生理檢查陽性組和陰性組，并根據分組進行統計學分析。

癥狀的詢問與記錄：詳細詢問記錄患者服用胺碘酮以來是否出現心動過緩相關癥狀。標準為：①新出現的頭暈、頭昏、黑、近乎暈厥等癥狀，癥狀發作時測得心率＜60次/分，心率改善時癥狀緩解；②新出現的與改變相關的頭暈、頭昏、黑、近乎暈厥等癥狀；③排除一過性腦缺血發作、性低血壓、高血壓、頸椎病及其他原因引起的相關癥狀。患者同時符合標準①、②中的1項和標準③即為有心動過緩相關癥狀。

隨訪：所有服用胺碘酮的竇性心動過緩患者均門診隨訪6個月，對于陰性組患者隨訪測定基礎心率及進行心動過緩相關癥狀詢問，對于隨訪期間出現新發與心動過緩相關癥狀的患者給予食管法電生理檢查并停藥；對陽性組患者給予停止使用胺碘酮，隨訪期間除測定基礎心率及相關癥狀詢問外，于6個月時進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。

統計學處理：所有數據均采用SPSS13.0軟件包進行統計學分析。計量資料以(X±S)表示，計數資料例數與百分數表示，計數資料的比較用X2檢驗。以P＜0.05為差異有顯著性。

結 果

70例患者均成功進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)，統計學分析，兩組患者在年齡、性別、基礎心臟病類別、服藥劑量、服藥時間等基本資料上無明顯統計學差異。

陽性組當中出現心動過緩相關癥狀者18例(66.7%)，陰性組當中出現心動過緩相關癥狀4例(9.3%)，兩者比較有明顯統計學差異(X2=25.32，P＜0.001)；Spearman相關性分析食管法電生理檢查陽性與出現心動過緩相關癥狀患者呈正相關(X2=25.32，P＜0.001，γ=0.949)。

隨訪情況：經6個月的隨訪，結果顯示：陽性組患者停藥6個月后復查有16例(59.3%)轉為陰性，基礎心率均≥60次/分，所有患者均未出現心動過緩相關癥狀；另外11例(40.7%)患者復查仍為陽性，基礎心率＜60次/分6例，仍有心動過緩相關癥狀者4例；陰性組患者均按原劑量服用胺碘酮，隨訪期間基礎心率仍持續＜60次/分，未新出現有心動過緩相關癥狀患者，原4例有心動過緩相關癥狀的患者當中有2例癥狀緩解，其余2例患者癥狀持續存在。

70例患者共進行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，沒有出現因插管困難、檢查中不適而停止操作，檢查過程中沒有出現室性心動過速、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技術，具有無創性，安全性強，適合基層醫院的實際情況，它在我國各級醫院得到廣泛應用。研究表明，采用食管法電生理檢查在某些方面可達到與腔內心臟電生理檢查相同的效果［2］。食管法電生理檢查應用于評價藥物對心臟傳導系統功能的影響的報道較少。胺碘酮為苯丙呋喃的衍生物，作為Ⅲ類抗心律失常藥，延長動作電位時程，增加心房肌和心室肌、普肯野纖維、竇房結和房室結的不應期，減弱竇房結4期除極和房室傳導［3，4］。而胺碘酮的主要代謝產物去乙基胺碘酮對傳導的作用更大［5］。因此，胺碘酮可以導致竇性心動過緩、竇房傳導阻滯、竇性停搏、房室傳導阻滯等緩慢性心律失常，其中竇性心動過緩為常見的臨床表現。嚴重竇性心動過緩是發生竇房傳導阻滯、竇性停搏、房室傳導阻滯、室性心律失常的前奏［6］。緩慢性心律失常可由于供血不足導致頭暈、頭昏、黑、近乎暈厥等癥狀，嚴重的緩慢性心律失常可出現暈厥。然而，臨床上常見的竇性心動過緩大多為良性心律失常［7］，這是由于竇房結及房室結區迷走神經張力增加而出現的心率減慢的正常生理現象。而胺碘酮直接抑制了竇房結和房室交界區的傳導，其導致的竇房結及房室結功能障礙無法通過自身植物神經的調節或消除迷走神經張力的方法消除。因此，在胺碘酮導致的竇性心動過緩患者中找出有潛在危險的患者來顯得尤為重要。由于胺碘酮及其代謝產物去乙基胺碘酮的血藥濃度與治療有效性和不良反應之間沒有相關性［8］，因此，監測胺碘酮血藥濃度意義不大。另外，由于心臟傳導系統功能障礙常呈間歇發作，故此通過癥狀或常規的無創檢查方法如體表心電圖、動態心電圖等檢查手段檢出有危險性的患者均有一定的局限性。而腔內心臟電生理檢查技術由于其屬于有創操作，由于技術、設備等原因難以在廣大基層醫院推廣。本研究采用食管法電生理檢查對在動態心電圖和常規心電圖均未發現嚴重緩慢性心律失常的胺碘酮導致的竇性心動過緩患者當中進行竇房結和房室結功能檢測，以進一步找出具有潛在危險的患者。研究結果顯示，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心動過緩相關癥狀中有明顯統計學差異，兩者間存在高度的相關性；6個月后隨訪結果顯示，陽性組中仍有40.7%復查陽性，所有有癥狀患者均在復查陽性患者當中；食管法電生理檢查陰性患者未新出現心動過緩相關癥狀。因此，采用食管法電生理檢查測定患者是否存在竇房結和房室結功能障礙可作為胺碘酮導致的竇性心動過緩患者在動態心電圖和常規心電圖均未發現嚴重緩慢性心律失常時評價患者是否存在潛在危險的評定指標。對于此類患者來說，如食管法電生理檢查顯示竇房結和房室結功能障礙，胺碘酮建議停用或減量。

食管法電生理檢查對于患者的隨訪同樣具有一定的臨床意義。本研究隨訪結果顯示，在停用胺碘酮6個月后，陽性組中仍有11例(40.7%)的患者食管法電生理檢查異常。臨床上影響竇房結和房室結功能的因素很多，除了藥物(包括抗心律失常藥、強心苷等)、迷走反射、電解質紊亂等可逆性因素以外，竇房結和房室結本身的退行性病變、炎癥、長期的缺血或短暫的供血中止同樣可以導致竇房結和房室結功能障礙。對于持續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，可進一步檢查以明確病因，對于嚴重的竇房結和房室結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于室性心動過速者有誘發心動過速發作的危險，對于病態竇房結綜合癥者有導致心臟停搏的可能。在本研究中，沒有出現因插管困難、檢查中不適而停止操作者，檢查過程中沒有出現室性心動過速、室顫、竇性停搏等心律失常。結果表明，對于已通過動態心電圖排除惡性心律失常患者來說，食管法電生理檢查的安全性較高。

綜上所述，對于胺碘酮導致的竇性心動過緩患者來說，如常規心電圖及動態心電圖未發現嚴重的緩慢性心律失常，可應用食管法心臟電生理檢查評價患者是否存在潛在危險的，并可應用于患者的隨訪。其檢查成功率、安全性較高。

參考文獻

1 中國生物醫學工程學會心律分會,中華醫學會心血管病學分會,胺碘酮抗心理失常治療應用指南工作組.胺碘酮抗心理失常治療應用指南(2008).中國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.實用食管法心臟電生理學.南京:江蘇科學技術出版社,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.胺碘酮嚴重不良反應及防治.中國誤診學雜志,2008,6(8):4012-4013.