我國是高度近視高發國家，高度近視對視功能損害嚴重，目前尚缺乏有效的治療手段。離體及在體動物實驗表明后鞏膜交聯術能夠有效阻止眼軸延長，但后鞏膜局部交聯后對整體眼球變形的影響尚不清楚。本文通過有限元模擬分析了后鞏膜交聯后眼球形狀和光線投射在視網膜上的位置的變化，并編寫相似性算法對其進行驗證。結果發現，后鞏膜交聯前后完整的眼球形狀仍然非常相似，交聯后眼球的屈光度變化不大，幾乎不會對光線在視網膜上的投射位置造成影響。表明后鞏膜交聯不會對視光造成扭曲，即不會因為鞏膜局部交聯后彈性模量的改變引起新的視光學問題。
大腦的功能網絡會隨腦發育、病變、衰老等時間過程改變。現有針對個體間腦功能網絡變化的差異（或相似）度量大都是用于評估網絡的靜態特性的，不適用于評估腦功能網絡沿時間軸發生的大跨度、大規模的演變而形成的動態特性。本文提出了一種用于度量腦網絡動態相似性的動態網絡相似度（DNS）指標。該指標通過結合動態網絡的演化和結構特征進行相似度度量。通過四組具有不同演化和結構特征（變化幅度、變化趨勢、連接強度分布、連接強度跨度）的模擬動態網絡驗證了DNS指標的性能。此外，還使用了一組采用經顱直流電刺激（tDCS）治療的13名中風患者之間腦功能網絡的真實數據對DNS指標進行了檢驗，并與傳統靜態網絡相似度方法作了比較。結果表明DNS指標與模擬動態網絡的變化幅度、變化趨勢、連接強度分布、連接強度跨度均顯著相關。使用DNS指標，可以發現中風患者在tDCS治療前后運動網絡的動態演變具有較強相似性；而利用傳統靜態網絡相似度則不能反映這一動態特性，所得到的患者子組間的相似度結果在治療前與治療后差異較大。實驗結果表明，DNS指標能夠較準確地反映動態網絡的演化及結構特性，具有較強的魯棒性。這一新指標克服了傳統靜態網絡相似度度量方法缺乏總體評估時序腦功能數據能力的缺點。
基于機器學習和信號處理的聲學檢測方法是目前病理嗓音檢測的重要手段，嗓音特征的提取是其中至關重要的一環。目前廣泛使用的特征，存在依賴基頻提取、易受噪聲影響、計算復雜度高等不足。針對這些不足，本文提出了一種基于多頻帶分析和混沌分析的病理嗓音檢測方法。使用gammatone濾波器組模擬人耳聽覺特性進行多頻帶分析，獲取不同頻帶的信號；根據嗓音中的混沌現象帶來的湍流噪聲會惡化頻譜收斂性的特點，對每個頻帶的信號進行短時傅里葉變換，提取特征gammatone短時譜自相似度（GSTS），分析每個頻帶信號的混沌程度，來區分正常和病理嗓音。實驗結果顯示，結合傳統機器學習方法，GSTS在馬薩諸塞州眼耳醫院（MEEI）病理嗓音數據庫中識別準確率達到99.50%，相比已有識別率最高的特征提升3.46%，同時特征提取時間相比傳統非線性特征大幅減少。該結果表明，相比已有特征，GSTS具有更高的提取效率和更好的識別效果。