1、 生物电磁检测技术

血管断层的血液流速分布能够反映该处血管的形态、位置及狭窄等情况。基于磁电效应的血液流速反演有助于血管狭窄病变日常监测的发展，但血液流速反演准确率和成像分辨率仍有待提高。因此，本文提出一种基于卷积神经网络（CNN）的血液流速反演方法。首先，构建非监督学习CNN提取权重矩阵表征信息对电压数据预处理；再将预处理结果输入至有监督学习CNN，经非线性映射输出血液流速值；最终获得血管断层图像。结果显示，所提方法能够有效减少反演过程中信息的丢失，提高反演准确率和成像分辨率，有望辅助临床诊断。

2、深度学习与FPGA技术

提出了一种基于密集连接卷积网络的多尺度卷积网络方法MS-DenseNet，并对其进行了一些改进，以提高网络性能。从模拟圆和肺模型获得的数据集用于网络训练。实施非生物组织实验来对电压测量值进行采样。模拟和实验的电压信号被用作训练网络的输入，该训练网络输出内部电导率分布的估计。通过均方根误差（RMSE）、结构相似性（SSIM）、平均绝对误差（MAE）和图像相关系数（ICC）对该方法重建的图像进行评估，并与传统的DenseNet和高斯-牛顿（GN）方法进行比较。结果表明，该方法改善了伪影和边缘模糊的问题，提高了EIT图像的质量。

设计目标：通过FPGA实现神经网络的硬件化移植并完成EIT的逆问题求解。设计流程：设计分为软件设计、硬件设计、结果验证三个阶段。结果评价：主要从硬件性能和计算结果两个方面进行评价。

3、深度学习与光学分析

   提出了一种人工神经网络（ANN）来解决色散问题。通过训练神经网络，可以预测无色散光谱信号，并且只能从给定的干扰光谱信号中预测。首先分析了OCT的色散原理。然后将寻找无色散频谱信号分布全局最优的过程描述为一个训练过程，并提出了人工神经网络模型。最后通过仿真和实验验证了该方法提高了系统的轴向分辨率。因此，神经网络模型能够拟合输入和输出之间的非线性关系，并且光谱信号也表明它解决了OCT中由于色散引起的半峰全宽（FWHM）问题，这对OCT的其他问题具有重要意义。