本文提出了一种基于U-Net++架构的颈动脉超声图像分割算法，用于心血管疾病早期诊断。针对传统U-Net在复杂超声图像分割中的局限性，该方法通过嵌套U形结构和密集跳跃连接实现多尺度特征融合，有效提升了分割精度。实验采用Kaggle公开数据集（1100张图像），结果显示U-Net++的Dice系数达0.9564，IoU为0.9172，优于对比模型。可视化分析证实该方法能准确识别血管区域，具有良好抗干

本文提出了一种基于ResU-Net的颈动脉超声图像分割方法，用于心血管疾病早期诊断。针对标准U-Net在超声图像分割中存在的梯度消失和细节丢失问题，采用预激活残差模块替代普通卷积块，通过残差连接缓解深层网络训练难题。实验采用Kaggle公开数据集（1100张超声图像及对应专家标注），结果显示ResU-Net在Dice系数（0.9525）、IoU（0.9104）等指标上优于对比模型，仅召回率略低0.

本文提出了一种基于一维卷积神经网络（1D-CNN）的PPG信号分析方法，用于心肌梗死的早期筛查。研究采用滤波处理和单/多周期信号提取等预处理方法，构建了VGG架构的1D-CNN模型，在三种数据配置下进行对比实验。结果显示，多周期数据的预测效果显著优于单周期数据（AUC达0.9637），而噪声影响相对较小。该方法展示了PPG信号在心血管疾病风险评估中的潜力，但存在特征完整性不足、模型可解释性较弱等局

本研究针对预期寿命预测任务，系统对比了传统机器学习模型（MLR、RF、SVM）、多层感知器（MLP）与 KAN 网络的预测性能。实验结果表明，KAN 模型在所有评价指标上均取得最优表现，其决定系数R2达到 0.9853，MAE、MSE、RMSE 与 MAPE 误差指标均为所有模型中最低；本研究中 KAN 模型在验证集上稳定收敛的训练曲线与优异的泛化性能，表明其在面对数据分布变化时仍能保持可靠的预测

本文提出了一种基于ResU-Net的颈动脉超声图像分割方法，用于心血管疾病早期诊断。针对标准U-Net在超声图像分割中存在的梯度消失和细节丢失问题，采用预激活残差模块替代普通卷积块，通过残差连接缓解深层网络训练难题。实验采用Kaggle公开数据集（1100张超声图像及对应专家标注），结果显示ResU-Net在Dice系数（0.9525）、IoU（0.9104）等指标上优于对比模型，仅召回率略低0.

本文提出一种融合ConvNeXt与Transformer的颈动脉超声图像分割算法。针对传统UNet模型在全局特征捕捉方面的不足，该方法采用ConvNeXt架构提取局部特征，结合Transformer模块建模长距离依赖关系，并引入注意力门控机制优化特征融合。实验结果表明，该模型在公开数据集上取得Dice系数0.9515、IoU 0.9077的优异性能，显著优于基线模型。消融实验验证了各模块的有效性。

本文提出了一种基于领域自适应神经网络（DANN）的无创血压估计方法，旨在解决传统血压监测技术存在的跨个体泛化性问题。通过对抗性训练机制，模型能够提取领域不变特征，有效缓解不同受试者间的生理信号差异。实验采用PulseDB数据库中3名受试者的PPG信号数据，结果显示舒张压预测效果较好（MAE=5.09mmHg），接近临床标准，但收缩压预测精度（MAE=7.97mmHg）仍需提升。研究表明，DANN方

本文提出了一种基于表面肌电信号(sEMG)的手势识别方法，针对动态姿态变化导致的识别性能下降问题展开研究。研究采用包含19名受试者在3种前臂姿态下执行12种手势动作的sEMG数据集，通过预处理、时域特征提取和相关系数筛选后，利用随机森林算法进行分类。实验结果表明：手势识别准确率达78%，优于姿态分类的63%；特征分析显示"通道5极差"是最重要特征，而姿态信息在信号中分布较分散。