呼吸同步跟踪系统的位置信号的模糊预测方法及预测器

摘要

呼吸同步跟踪系统在治疗射线投放时，可以监测病人的呼吸，并对肿瘤目标运动作出补偿。在治疗射线投放系统的指令和响应之间存在时间延迟，这种延迟可能会导致意外的、甚至危险的振动。为了提高同步跟踪性能，可以用信号预测技术来弥补时间延迟。本发明提供了一种新的同步跟踪系统的位置信号的模糊预测方法以及预测器，该预测器能够处理随时间变化的幅度和频率问题，比较好的解决了放射治疗中同步跟踪的问题。

主权项

1.一种呼吸同步跟踪系统的位置信号的模糊预测方法，其特征在于包括以下步骤：(1)在病人体表确定一体表位置P₀并计算出相对应的体内病灶的目标位置参数P(x，y，z)；(2)采集该位置P(x，y，z)在一段时间内的位置参数(x，y，z)存入计算机；(3)根据P(x，y，z)的位置参数计算出相应的速度参数(dx，dy，dz)并存入计算机：${\mathrm{dx}}_{i+1}=\frac{x_{i+1}-x_i}{t_{i+1}-t_i}$${\mathrm{dy}}_{i+1}=\frac{y_{i+1}-y_i}{t_{i+1}-t_i}$${\mathrm{dz}}_{i+1}=\frac{z_{i+1}-z_i}{t_{i+1}-t_i};$(4)根据计算机内存储的位置参数(x，y，z)，找出最大和最小的位置(x_max，y_max，z_max)和(x_min，y_min，z_min)；(5)根据计算机内存储的速度参数(dx，dy，dz)，找出最大和最小的速度(dx_max，dy_max，dz_max)和(dx_min，dy_min，dz_min)；(6)制定模糊规则：根据最大和最小的位置参数，把x模糊划分出n1个子集，这n1个子集的每一个子集再被根据最大和最小的速度参数模糊划分为n2个子集，得到M＝n1*n2个子模型，每个子模型都对应一个规则，该规则用线性方程${\hat{x}}_m(k+p)=a_{m,0}x\left(k\right)+...+a_{m,r}x(k-r)+c_m$表示，是第m规则的模式输出，m的范围是在1～M，而M是规则的总数，p是预测步骤，r是预测阶数，a_m和c_m是在第m规则的参数；对于y，z作同样处理；(7)根据各个子模型所对应的计算机内已经存储的已知的位置参数(x，y，z)、速度参数(dx，dy，dz)，采用梯度下降算法，训练出对应子模型的参数a_m和c_m；(8)采集下一时间点体表目标的位置参数，并计算出该位置参数对应的体内病灶的位置参数，根据已经制定的模糊规则，把计算出的参数映射到相应的子模型里，得到输出对相应映射的子模型的输出结果加权平均，即为所需要的预测结果，$\hat{x}(k+p)=\frac{\underset{i=1}{\overset{M}{\Sigma }}{\mu }_i·{\hat{x}}_i(k+p)}{\underset{i=1}{\overset{M}{\Sigma }}{\mu }_i}$$\hat{y}(k+p)=\frac{\underset{i=1}{\overset{M}{\Sigma }}{\mu }_i·{\hat{y}}_i(k+p)}{\underset{i=1}{\overset{M}{\Sigma }}{\mu }_i}$$\hat{z}(k+p)=\frac{\underset{i=1}{\overset{M}{\Sigma }}{\mu }_i·{\hat{z}}_i(k+p)}{\underset{i=1}{\overset{M}{\Sigma }}{\mu }_i}$μ_i是子模型的隶属度。