检索历史 清除

摘要每年全球烧伤患者众多，而烧伤深度的诊断一直是烧伤学中的重要组成部分，其精确诊断可为临床治疗提供重要参考依据。目前临床烧伤深度诊断依靠临床医生的经验判断，但是即使最有经验的临床医生按照传统分度，判断深度的准确率也只能达到65％-70%。这种不精确的诊断可能带来严重的后果，如产生不必要的感染、疼痛甚至会导致死亡。近红外光谱作为一种无创、非接触、快速检测的光谱检测工具，非常适合用于烧伤深度检测。但是，目前缺乏公开研究报道如何针对近红外光谱数据分析从而实现烧伤深度检测，因此极大的限制了近红外光谱技术在烧伤深度检测中的应用。<br>　　本文针对这一问题，研究并提出了基于近红外光谱数据集成学习的烧伤深度检测系统，旨在推动近红外光谱技术在烧伤深度检测中应用，奠定其理论和方法基础。本文的主要研究工作如下：<br>　　①基于近红外光谱仪采集的光强信号，分别提出了链式智能体遗传算法优化的支持向量回归机（CAGA-SVR）集成回归模型和随机森林回归模型，从而形成两种烧伤深度检测系统。首先利用光纤光谱仪采集近红外光谱仪光强信号，并通过支持向量回归机训练生成烧伤深度检测模型，然后通过CAGA对模型进行优化以实现基于光强信号的CAGA-SVR集成学习的烧伤深度检测系统。此外，基于近红外光谱信号构建RF集成学习的烧伤深度检测系统。<br>　　②基于近红外光谱仪系统采集的光谱信号，提取能反映烧伤组织结构变化的多类型光学特性参数，结合形成基于CAGA-SVR集成学习和光谱特性参数的烧伤深度检测系统。首先，采集近红外光谱光强信号，再通过漫反射理论提取光学特性参数，基于该参数结合SVR构建集成烧伤深度检测模型，最后通过CAGA对该模型进行参数优化以提高其性能。<br>　　③基于光谱成像仪系统采集光谱图像信号，提取能反映烧伤组织结构变化的多类型光学特性参数，构建基于光强和随机森林的集成烧伤深度检测系统。首先，采集光谱成像仪光谱图像信号，通过漫射理论提取光学特性参数，然后分析该参数与烧伤程度的相关关系。结合光强信号和RF，构建光谱成像仪集成烧伤深度检测系统。<br>　　本文为皮肤烧伤深度检测和诊断提供了新的思路和实现方法，为基于集成学习与近红外光谱的烧伤深度检测系统研究提供了新的理论基础和方法依据，具有一定的理论意义和实际意义。