本研究提出了一种一维 CNN 模型用于重建两个呼吸参数，RV 和 RVT，结果表明 CNN 可以从静息状态的 BOLD 信号中捕获有用的特征并重建真实的 RV 和 RVT 时间序列，预期这种方法的应用将降低 fMRI 研究的成本、减少复杂性并减轻参与者的负担，因为他们不需要佩戴呼吸器。

Jul, 2023

本文提出了一种基于 2D 相机且不受关注区域限制的计算廉价的方法估算周期性驱动的噪声 LTI 通道，并将其应用于呼吸模式 (RP) 的识别。通过将各个空间位置建模为噪声受到污染的线性时不变的（LTI）带有未知系统动力学的测量通道，来实现 RP 的估算， 然后将其作为盲卷积问题，并通过包括子空间投影和统计聚合的方法来解决。本方法在 31 名健康人类主体上进行实验，与同时获取的障碍性肺囊容积测定仪的基础真相相比，该估算器具有良好的相关性措施，尽管在衣物图案，视野角度和 ROI 的可变性方面。

Nov, 2016

以神经网络为基础，将从重排列列表模式心脏 SPECT 图像分割生成的嘈杂运动信号转换为高质量的替代信号，以用于对外部运动跟踪系统（EMTs）测量的运动矫正技术，并测试两种神经网络用于翻译无噪声内部运动到外部替代，是对于呼吸道运动校正从 SPECT 的优化提供基础。

Jul, 2022

本研究展示了如何使用深度学习技术和静息态功能磁共振成像来映射脑的血流功能及其损伤，这可以帮助早期检测和预防脑血管疾病，检测和评估血管重建效果，以及评估正常衰老的血管变化。

Apr, 2022

提出 Repetitive Motion Estimation Network（RMEN）用于恢复心脏和呼吸信号，通过学习时空重复模式将高维运动流形嵌入带有部分运动相位边界注释的一维向量。结果表明，RMEN 可以处理不规则的心脏和呼吸运动，并且比最佳替代模型显著减少 QRS 峰检测偏移量。

Nov, 2018

本文旨在通过建立分類模型和策略識别呼吸声異常的方法来自動辨别呼吸和肺部疾病，提出使用深度 CNN-RNN 模型基于 Mel-spectrograms 进行呼吸声分类，并采用局部日志量化策略来减少模型权重的内存占用，该模型在 ICBHI'17 科学挑战呼吸声数据库的呼吸周期四级分类上达到 66.31% 的分数，在使用患者特定数据重新训练模型后，还能以 71.81% 的成绩进行交叉验证，而局部日志量化训练后的权重则能够显著降低内存需求，这种类型的患者特定再培训策略在开发可靠的长期自动患者监测系统特别是在可穿戴式医疗解决方案中可能非常有用。

Apr, 2020

在肺放射疗法中，红外相机可以记录胸部上反射物体的位置，以推断因呼吸而移动的肿瘤的位置，但治疗系统延迟影响了辐射光束的精确性。本研究评估了资源高效的在线 RNN 算法（无偏在线重复优化，SnAp-1 和 DNI）准确预测放射疗法治疗期间的呼吸运动的能力。

Mar, 2024

该研究设计了一项心脏 MRI 分析挑战赛（CMRxMotion Challenge），以评估呼吸运动对图像质量的影响，并检验分割模型的稳健性，招募了 40 名志愿者进行不同的呼气行为，采集了具有伪影的短时成像，并通过定量评估绩效和对比实验，考察自动化影像质量评估和分割任务的算法效果。

Oct, 2022

通过使用深度学习，本研究从普通视频中估计婴儿的呼吸频率和波形，为婴儿呼吸监测提供自动、连续和非接触性的方法。通过构建 AIRFlowNet 模型并使用公开的婴儿呼吸数据集 (AIR-125) 进行训练和测试，结果表明该方法在呼吸频率估计方面明显优于其他公开模型，平均绝对误差为约 2.9 次 / 分钟，而其他设计用于成人主体和更一致环境的模型的平均绝对误差在约 4.7-6.2 次 / 分钟。

Jul, 2023

通过深度学习在磁共振成像中预测 B0 场的变化，利用解剖图像和 B0 图像的转换，实现了头部运动对 B0 场的影响进行修正。同时，与现有方法相比，该方法无需使用导航器，性能相当且空间分辨率更高。

Apr, 2023