針對麻醉用藥的個體差異,術中麻醉維持的復雜性和不確定性,以及當前監測手段存在的缺陷,傳統麻醉深度PID控制器不能滿足其非線性控制需要,而以往麻醉深度(DOA)模糊控制器的規則完全依賴于經驗調節,因此無法達到預期的控制效果。本研究建立了以大腦狀態指數(CSI)為反饋變量的模糊麻醉閉環控制系統,并采用粒子群算法同時優化基于CSI的變化和異丙酚輸出率之間的模糊控制規則和隸屬度函數。通過系統仿真將CSI值的目標設定在40和30,并加入高斯噪聲以模擬臨床干擾。實驗表明,該系統能準確、快速、平穩地達到CSI預設值,且在噪聲干擾下,無明顯擾動。經粒子群優化(PSO)過的基于CSI模糊控制器應用在DOA閉環控制系統具有較好的穩定性及魯棒性。
特征提取是基于P300的腦機接口(BCI)系統中非常關鍵的步驟。獨立分量分析(ICA)算法是效果較好的P300特征提取方法,但目前常用的ICA迭代方法收斂性能均不理想。提出一種基于量子粒子群優化(QPSO)和ICA算法的P300特征提取方法。該方法利用量子計算在計算速度上的優勢,加快了ICA算法的全局收斂,達到了快速有效提取P300的目的。實驗針對BCI Competition Ⅱ dataset Ⅱb和BCI Competition Ⅲ dataset Ⅱ兩組公共數據集進行測試,提取出的P300特征送入線性分類器,系統識別正確率在15次疊加平均情況下達94.4%。實驗結果表明,本文方法用于P300特征提取,在保證提取效果的同時,計算速度更快,為在線BCI系統的進一步研究提供了實驗基礎。
針對人體站立平衡姿態保持過程中, 下肢主要肌肉的肌力變化分布的最優求解問題。本研究將人體下肢運動肌肉骨骼簡化為具有3關節和9塊肌肉的平面物理模型, 并在此基礎上建立了用于冗余肌力優化求解的數學模型。分別利用粒子群優化(POS)單目標和多目標算法進行最優化求解。數值計算的結果表明多目標優化可以更合理地得到9組肌力的分布及變化規律。最后, 通過對仿真結果的分析, 定性地分析了被動運動下人體恢復站立平衡過程中各肌肉群的運動協調規律。
為解決用傳統粒子群算法估計磁共振（MR）圖像偏移場會陷入局部最優的問題，本文提出了一種自適應權重粒子群算法估計MR圖像的偏移場。針對傳統粒子群算法的缺陷，設計一個衡量早熟收斂程度的指標，根據此指標來自適應地調整慣性權重，確保粒子群有效地進行全局尋優，避免陷入局部最優。本文利用Legendre多項式來擬合偏移場，多項式參數利用本文提出的算法進行尋優，最后對MR圖像的偏移場進行估計和矯正。將本文算法與改進的熵最小方法進行對比分析，本文矯正后圖像熵值更小，對偏移場估計更準確，將矯正后的圖像進行分割，分割精度提高將近10%。研究結果初步說明，本算法可應用于MR圖像偏移場的矯正。
微循環血管不斷地調節自身結構，以適應組織的功能性需求。微循環結構自調節模型能夠仿真這一過程，為生理研究提供輔助，但目前缺少合適的模型參數設置方法，限制了模型的進一步應用。本文提出一種改進的量子粒子群優化算法用于設置模型參數，并在真實的大鼠腸系膜微循環血管網絡上進行仿真實驗。仿真結果表明，該方法的參數優化能力優于標準粒子群算法、標準量子粒子群算法和相關文獻報道的 Downhill 算法，可使微循環結構自調節模型的仿真更接近動物實驗數據，并顯著提高模型的有效性。
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。
熱對流聚合酶連鎖反應（CCPCR）利用熱對流的原理，讓試劑在試管內流動，通過試管上下部分的溫度差來達到擴增目的。為了實時檢測擴增效果，我們在試劑體系中加入了熒光基團，通過熒光的強弱實時反映擴增的情況。實驗結果顯示熒光變化曲線符合擴增曲線的 S 型趨勢，但是由于熱對流的不穩定性而存在一定的抖動情況，不利于擴增循環閾值（CT 值）的計算。為了解決這個問題，本文采用動力學方法，利用雙 S 型函數模型來擬合曲線，使熒光曲線平滑，從而能更好地根據曲線來推斷核酸初始濃度，達到定量的目的。同時采用 PSO+算法求解雙 S 型函數參數，即用粒子群優化（PSO）算法結合 Levenberg-Marquardt、Newton-CG 等算法進行曲線擬合，有效克服 PSO 隨機性太強和傳統算法 Levenberg-Marquardt、Newton-CG 等容易陷入局部最優解的缺點，數據擬合結果的 R2 能夠達到 0.999 8。此研究對以后的實時熒光熱對流擴增的定量檢測研究有指導性意義。
疲勞估計在下肢康復訓練過程中對提高意圖識別精度、避免二次傷害有重要意義。現有方法多是僅利用表面肌電信號（sEMG）特征進行疲勞估計，未考慮加入蘊含疲勞狀態信息的心電信號（ECG）特征，識別率較低且不穩定。針對此問題，提出了一種將 ECG 與 sEMG 特征融合用于下肢康復疲勞估計的方法，設計改進的粒子群優化-支持向量機分類器，對融合特征向量進行識別，實現對輕松、過渡和疲累三種不同疲勞狀態的準確識別，最終三種狀態識別率分別為 98.5%、93.5%、95.5%。經實驗證明，該方法的平均識別率與只依靠 sEMG 特征相比提高了 4.50%，比未經特征融合的 ECG、sEMG 組合特征提高了 13.66%，證明將 ECG 與 sEMG 進行特征融合可以實現下肢康復疲勞的準確檢測。
針對人體下肢不同步態過程的個體差異和行走過程中步幅隨機變化等問題，本文提出一種利用運動姿態信號進行步態識別與預測的方法。研究采用基于免疫粒子群算法（IPSO）優化門控循環單元（GRU）網絡算法，建立以人體姿態變化數據為輸入，以下一階段姿態變化數據及準確率為輸出的網絡模型，以期實現對人體姿態變化的預測。本文首先明確概述IPSO優化GRU算法的過程，采集多名受試者分別執行平地行走、蹲起、坐姿腿屈伸等動作的人體姿態變化數據，通過對比分析IPSO優化的循環神經網絡(RNN)、長短期記憶網絡(LSTM)、GRU網絡識別與預測情況，以驗證所建模型的有效性。試驗結果顯示，優化后的算法可較好預測人體姿態變化，其中平地行走和蹲起動作的均方根誤差（RMSE）可精確到10?3，坐姿腿屈伸的RMSE可精確到10?2；各種動作的R2值均可達0.966以上。以上研究結果表明，優化后的算法可應用于實現康復治療中人體步態運動評價和步態趨勢預測、假肢和下肢康復設備設計等研究，對今后提高患者肢體功能、活動水平和生活獨立能力的研究提供參考。
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。