針對人體呼吸信號檢測的重要性，基于Cole-Cole生物阻抗模型，研制了一種可穿戴的呼吸信號檢測裝置。以Cole-Cole生物阻抗理論為基礎，分析了人體在不同頻率電信號下的阻抗特性。基于比例測量法設計了高信噪比的呼吸信號采集與調理電路。利用離散傅立葉變換（DFT）和動態差分閾值峰值檢測技術從獲得的數據中提取呼吸波形與呼吸率數值。通過實驗驗證了系統的有效性。測試結果表明，本系統可以準確檢測呼吸波形，呼吸波形峰值點檢測準確率在98%以上，可以滿足實際呼吸檢測需要。
為了提高計算機化癲癇發作檢測的準確性和檢測效率，本文提出了一種基于改進遺傳算法的優化反向傳播（IGA-BP）神經網絡的癲癇診斷方法，以期利用該方法可以實現臨床癲癇病癥的快速、高效檢測。該方法首先對癲癇腦電信號進行線性與非線性相結合的特征提取，通過高斯混合模型（GMM）對癲癇特征聚簇集合分析，利用最大期望（EM）算法估算高斯混合模型參量，獲取遺傳算法（GA）選擇算子的最優參數組合，實現對遺傳算法的改進，用改進的遺傳算法調整反向傳播（BP）神經網絡以獲取最佳初始權值和閾值，建立改進遺傳算法優化的 BP 神經網絡模型。利用該模型對癲癇腦電信號分類識別，最終實現癲癇病癥的自動檢測。與傳統遺傳算法優化的 BP（GA-BP）神經網絡相比較，本文所提出的方法提高了種群的收斂速度、減小了分類誤差，在癲癇病癥自動檢測中提高了檢測準確率并縮短了檢測時間，在臨床癲癇發作診斷中具有重要的應用價值。