利用心阻抗微分信號的特征點可計算出多個血流動力學參數, 進而判別心功能狀態, 因此特征點的準確提取顯得尤為重要。本文應用實驗室自行設計開發的KF_ICG型無創心功能檢測儀采集了健康人和重慶市大坪醫院22例患者數據, 應用小波閾值法對采集的數據進行降噪處理, 對降噪后的信號采用bior3.7小波進行6層分解后定位特征點。結果表明, 該法無論對健康人還是存在諸多噪聲干擾的臨床患者數據都能有效實現特征點的精確定位, 有助于實現阻抗法無創檢測血流動力學參數的臨床應用。
現有的近紅外光譜無創血糖建模方法大多是基于多波長近紅外光譜信號，不利于無創血糖儀在家庭中普及，并且這些建模方法沒有考慮單個個體每天血糖變化規律的差異性。針對這些問題，本文以血糖吸收最強的 1 550 nm 近紅外光吸光度為自變量、血糖濃度為因變量，結合粒子群（PSO）算法和人工神經網絡（ANN）建立了一種無創血糖檢測模型——PSO-2ANN 模型。該模型以兩個結構和參數確定的人工神經網絡為基本的子模塊，通過粒子群算法優化兩個子模塊的權重系數得到最終的模型。使用 PSO-2ANN 模型對 10 名志愿者的實驗數據進行預測。結果表明，其中 9 名志愿者的預測相對誤差率均小于 20%；通過 PSO-2ANN 模型得到的血糖濃度預測值分布在克拉克誤差網格 A、B 區域的比重為 98.28%，證實了 PSO-2ANN 模型具有比傳統人工神經網絡模型更為理想的預測精度和穩健性。另外，單個個體由于外界環境、心情、精神狀態等因素的影響，每天血糖的變化規律可能會出現一定程度的差異性，PSO-2ANN 模型只需要調節一個參數便能修正這種差異性。本文提出的 PSO-2ANN 模型為克服血糖濃度預測的個體差異性提供了新的思路。
現有的近紅外無創血糖檢測模型研究大多數關注的是近紅外吸光度與血糖濃度之間的關系，但沒有考慮人體生理狀態對血糖濃度的影響。為了提升血糖預測模型性能，本文采用了粒子群優化算法（PSO）對反向傳播（BP）神經網絡的結構參數進行訓練，并引入了收縮壓、脈率、體溫以及1 550 nm吸光度作為血糖濃度預測模型的輸入變量，采用BP神經網絡作為預測模型。為解決傳統BP神經網絡容易陷入局部最優的問題，本文提出了一種基于PSO-BP的混合模型。結果表明，訓練得到的PSO-BP模型預測效果優于傳統的BP神經網絡。十折交叉驗證預測均方根誤差和相關系數分別為0.95 mmol/L和0.74；克拉克誤差網格分析結果表明，模型預測結果落入A區域的比例為84.39%，落入B區域的比例為15.61%，均滿足臨床要求。該模型可以快速地測量血糖濃度，且具相對較高的精度。
基于胸部生物阻抗技術開展對心臟血流動力學參數準確計算的前提是心阻抗微分信號特征點的準確識別。為提高心阻抗微分信號特征點識別的準確率，本文首先設計了自適應集合經驗模態和小波閾值降噪技術相結合的信號預處理方法，然后根據自適應集合經驗模態分解的結果，結合差分法和自適應分段技術定位了心阻抗微分信號中的 A、B、C 和 X 點。本研究以臨床上采集到的 30 例病理性心阻抗微分信號為例，對本文所提算法的特征檢測準確度進行檢驗。研究結果顯示，本文所提算法對信號特征的準確識別率總體可達 99.72%，進一步保證了基于胸部生物阻抗技術的心臟血流動力學參數的計算準確度。
利用無創技術進行血糖檢測，有助于減輕糖尿病患者有創檢測時的痛苦，降低檢測成本，實現血糖的實時監測和有效控制。針對市場上現有微創或有創血糖檢測方法存在的檢測精度低、成本高、操作復雜等問題，本文基于課題組已研制的無創血糖檢測儀樣機結構組成，結合市場可供選擇的激光光源的波長和成本，提出以血糖吸收較強的 1 550 nm 波長作為測量光用于采集血糖信息，以血液中水分子吸收較強的 1 310 nm 波長作為參考光用于去除水分子的影響，利用敏感度分析方法和帶有外部輸入的非線性自回歸神經網絡，研究基于雙波長近紅外光漫反射的無創血糖檢測方法。通過對十四名志愿者進行在體實驗，結果證明，利用該方法得到的無創血糖測量值分布在克拉克誤差網格中 A 區域的比重為 90.27%、B 區域的比重為 9.73%，均符合臨床要求，證實了本文研究的基于非線性自回歸神經網絡和雙波長近紅外光漫反射的無創血糖檢測方法具有較為理想的測量精度和穩定性。