本研究探索基于PPG信号与机器学习的心肌梗死预测方法，通过对2576例PPG信号进行高斯滤波和单周期提取，从中提取27个时域特征，并构建5种机器学习模型进行对比。结果显示所有模型性能优异，其中梯度提升模型表现最佳（AUC=0.964），支持向量机、随机森林和K近邻的准确率均达96.3%。研究表明PPG信号结合机器学习可有效预测心肌梗死，但未来需优化参数、融合多域特征以进一步提升性能。该方法为心血管

摘要：本研究基于PPG信号和机器学习算法开发心理压力诊断方法。通过采集27名健康本科生的耳垂PPG信号，提取33个时域和频域特征，经t检验筛选出19个显著特征。采用5种机器学习算法（支持向量机、随机森林、梯度提升、逻辑回归、近邻分析）进行建模，5折交叉验证结果显示支持向量机表现最优，平均准确率达77.82%。研究表明PPG信号结合机器学习可有效识别心理压力状态，为开发低成本、可穿戴的心理压力监测设

《基于一维卷积神经网络的无创血压预测方法研究》 摘要： 本研究提出一种基于PPG信号和一维卷积神经网络的无创血压预测方法。针对传统袖带式血压检测的不足，采用桂林医院PPG-BP数据集，通过信号质量评估、巴特沃斯滤波和单周期提取等预处理步骤，构建标准化脉搏波数据集。实现SBP、DBP和MAP的多任务回归预测。

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.

本研究探索基于PPG信号与机器学习的心肌梗死预测方法，通过对2576例PPG信号进行高斯滤波和单周期提取，从中提取27个时域特征，并构建5种机器学习模型进行对比。结果显示所有模型性能优异，其中梯度提升模型表现最佳（AUC=0.964），支持向量机、随机森林和K近邻的准确率均达96.3%。研究表明PPG信号结合机器学习可有效预测心肌梗死，但未来需优化参数、融合多域特征以进一步提升性能。该方法为心血管

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.