一种利用粒子群优化算法定位最佳治疗方案的方法及系统与流程

医药医疗技术的改进;医疗器械制造及应用技术1.本发明涉及脑科学技术领域，尤指一种利用粒子群优化算法定位最佳治疗方案的方法及系统。背景技术：2.有源医疗设备对大脑刺激期间的电场分布主要取决于个体的解剖特性以及线圈的位置。在临床应用中，由于不同个体的解剖特性差异较大，使用常规临床经验来定位的线圈位置针对目标区域的刺激效果并未达到最优。因此，需要根据个体解剖结构和临床需要来对线圈位置进行优化，来获得更好的目标区域的电场分布。3.目前临床采用的头部刺激有源医疗设备在定位刺激方案时，通常选择统一的刺激参数，未考虑个体脑组织结构差异。医生仅根据临床经验来制定治疗方案，对不同的个体采用相同的刺激位置，可能造成目标区域电场过小，目标区域周围某部分电场过大。该方案在实施过程中，医生仅根据临床经验来制定治疗方案，对不同的个体采用相同的刺激位置，可能造成目标区域电场过小，目标区域周围某部分电场过大。导致临床应用过程中出现了疗效不稳定，以及产生如头痛、头晕、耳鸣、局部肌肉抽搐等副作用。因此，根据个体解剖和临床分析后的结果，优化线圈的位置和角度，并对整套优化流程从数值层面上进行验证，将大幅提高有源医疗设备的疗效，并降低不适应症的产生，这也是促进其更科学的应用于临床和科学研究的关键。4.另外，现有技术中还提出了蚁群算法(aco)，该算法是一种群智能优化算法，受自然界中蚂蚁搜索食物行为启发。它基于对自然界真实蚁群的集体觅食行为的研究，模拟真实的蚁群协作过程。算法由若干个蚂蚁共同构造解路径，通过在解路径上遗留并交换信息素提高解的质量，进而达到优化的目的。蚁群算法中每只蚂蚁要选择下一步所要走的地方，在选路过程中，蚂蚁依据概率函数选择将要去的地方，这个概率取决于地点间距离和信息素的强度。蚁群算法收敛速度慢，且在参数设置不当时，解的质量较差。另外，基本蚁群算法计算量较大，所需求解时间较长。5.综上来看，亟需一种可以克服上述问题，能够快速获得最优解，高效的进行参数优化实现最佳刺激位置定位的技术方案。技术实现要素：6.为克服现有技术存在的不足，本发明提出了一种利用粒子群优化算法定位最佳治疗方案的方法及系统，粒子群优化算法具有相当快的逼近最优解的速度，可以高效地对参数进行优化，并适用于临床应用；本发明通过使用pso优化算法，选择线圈中心的位置和旋转角度来最大化目标区域中的电场强度，从而定位线圈的最佳刺激方式；与枚举法相比，本发明显著减少了模拟的次数，加速了寻找到最优刺激位置的过程，且roi电场强度与枚举法结果相比差距很小，与传统刺激位置相比大幅提高了电场强度。7.在本发明实施例的第一方面，提出了一种利用粒子群优化算法定位最佳治疗方案的方法，该方法包括：8.将线圈的位置和旋转角度作为自变量，通过适应度函数得到适应值；9.根据所述适应值，采用块优化febs的ilu算法进行并行化加速的预处理得到电场强度；10.沿着搜索表面选择一组线圈初始位置和旋转方向作为初始粒子，通过适应度函数得到对应的适应值，并利用适应值更新粒子的位置与速度；11.根据调整后的粒子的位置计算当前靶区电场强度的个体最优解与全局最优解；12.根据个体最优解与全局最优解进行迭代到最终最优解，并根据最终最优解得到最佳刺激位置。13.进一步的，将线圈的位置和旋转角度作为自变量，通过适应度函数得到适应值，包括：14.适应度函数定义如下：[0015][0016]其中，eroi为适应值，所述适应值是roi的电场强度；(x,y,z)为线圈的位置；为旋转角度。[0017]进一步的，沿着搜索表面选择一组线圈初始位置和旋转方向作为初始粒子，通过适应度函数得到对应的适应值，并利用适应值更新粒子的位置与速度，包括：[0018]在利用适应值更新粒子的位置与速度时，每个粒子的运动受到粒子自身历史位置和搜索空间中的其它粒子位置的影响。[0019]进一步的，根据调整后的粒子的位置计算当前靶区电场强度的个体最优解与全局最优解，包括：[0020]将第i个粒子所表示的线圈位置为：此时的靶区电场强度表示为：粒子群对靶区电场的适应值存在个体最优解epi和全局最优解epg，对应的线圈位置分别为pospi和pospg；[0021]进一步的，根据个体最优解与全局最优解进行迭代到最终最优解，并根据最终最优解得到最佳刺激位置，包括：[0022]在进行迭代时，粒子的速度和线圈位置更新公式如下：[0023]vi＝ωvi+c1×rand()(pospi-posi)+c2×rand()(pospg-posi)；[0024]posi＝posi+vi；[0025]其中，rand为0到1的随机数；c1和c2是学习因子，取值为2.05，用于平衡个体和种群的影响；ω是权重系数，取值在0.9到1.2之间，采用自适应方法对ω进行更新：[0026]式中，ωmin和ωmax分别为最小与最大权重，t和tmax是当前迭代次数和最大迭代次数，pospi是粒子的最优解；pospg是整个族群中的最优解；[0027]经过迭代得到最终最优解posi，根据最终最优解得到最佳刺激位置。[0028]在本发明实施例的第二方面，提出了一种利用粒子群优化算法定位最佳治疗方案的系统，该系统包括：[0029]适应值计算模块，用于将线圈的位置和旋转角度作为自变量，通过适应度函数得到适应值；[0030]预处理模块，用于根据所述适应值，采用块优化febs的ilu算法进行并行化加速的预处理得到电场强度；[0031]粒子更新模块，用于沿着搜索表面选择一组线圈初始位置和旋转方向作为初始粒子，通过适应度函数得到对应的适应值，并利用适应值更新粒子的位置与速度；[0032]最优解计算模块，用于根据调整后的粒子的位置计算当前靶区电场强度的个体最优解与全局最优解；[0033]迭代计算模块，用于根据个体最优解与全局最优解进行迭代到最终最优解，并根据最终最优解得到最佳刺激位置。[0034]进一步的，适应度函数定义如下：[0035][0036]其中，eroi为适应值，所述适应值是roi的电场强度；(x,y,z)为线圈的位置；为旋转角度。[0037]进一步的，所述粒子更新模块在利用适应值更新粒子的位置与速度时，每个粒子的运动受到粒子自身历史位置和搜索空间中的其它粒子位置的影响。[0038]进一步的，最优解计算模块具体用于：[0039]将第i个粒子所表示的线圈位置为：此时的靶区电场强度表示为：粒子群对靶区电场的适应值存在个体最优解epi和全局最优解epg，对应的线圈位置分别为pospi和pospg；[0040]进一步的，迭代计算模块具体用于：[0041]在进行迭代时，粒子的速度和线圈位置更新公式如下：[0042]vi＝ωvi+c1×rand()(pospi-posi)+c2×rand()(pospg-posi)；[0043]posi＝posi+vi；[0044]其中，rand为0到1的随机数；c1和c2是学习因子，取值为2.05，用于平衡个体和种群的影响；ω是权重系数，取值在0.9到1.2之间，采用自适应方法对ω进行更新：[0045]式中，ωmin和ωmax分别为最小与最大权重，t和tmax是当前迭代次数和最大迭代次数，pospi是粒子的最优解；pospg是整个族群中的最优解；[0046]经过迭代得到最终最优解posi，根据最终最优解得到最佳刺激位置。[0047]在本发明实施例的第三方面，提出了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现利用粒子群优化算法定位最佳治疗方案的方法。[0048]在本发明实施例的第四方面，提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现利用粒子群优化算法定位最佳治疗方案的方法。[0049]本发明提出的利用粒子群优化算法定位最佳治疗方案的方法及系统使用粒子群优化算法可以高效地对参数进行优化，将目标区域的电场强度大幅提升，并将一次完整的优化过程耗时可以控制在临床可以接受的范围内，保证临床应用的可行性，为线圈定位导航提供有力的支持。附图说明[0050]为了更清楚地说明本技术实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。[0051]图1是本发明一实施例的利用粒子群优化算法定位最佳治疗方案的方法流程示意图。[0052]图2是本发明一实施例的区域分布示意图。[0053]图3是本发明一具体实施例的数值研究中用到的解剖学头部模型和线圈模型示意图[0054]图4是本发明一具体实施例的线圈和头部模型的位置示意图。[0055]图5a及图5b是本发明一具体实施例的不同头部模型的电场分布示意图。[0056]图6是本发明一具体实施例的计算出的最大电场强度的直方图。[0057]图7是本发明一实施例的利用粒子群优化算法定位最佳治疗方案的系统架构示意图。[0058]图8是本发明一实施例的计算机设备结构示意图。具体实施方式[0059]下面将参考若干示例性实施方式来描述本发明的原理和精神。应当理解，给出这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本发明，而并非以任何方式限制本发明的范围。相反，提供这些实施方式是为了使本公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。[0060]本领域技术人员知道，本发明的实施方式可以实现为一种系统、装置、设备、方法或计算机程序产品。因此，本公开可以具体实现为以下形式，即：完全的硬件、完全的软件(包括固件、驻留软件、微代码等)，或者硬件和软件结合的形式。[0061]根据本发明的实施方式，提出了一种利用粒子群优化算法定位最佳治疗方案的方法及系统。通过使用pso优化算法，选择线圈中心的位置(x，y，z)和旋转角度来最大化目标区域(roi)中的电场强度，从而定位线圈的最佳刺激方式。本发明提供了一种使用粒子群优化算法定位经颅磁刺激线圈的最佳刺激位置的方法，与枚举法相比显著减少了模拟的次数，加速了寻找到最优刺激位置的过程，且roi电场强度与枚举法结果相比差距很小，与传统刺激位置相比，电场强度平均提高43％，最高提高了116％。[0062]在本发明实施例中，需要说明的术语有：[0063]pso：粒子群优化算法；[0064]roi：感兴趣区域；[0065]b-febs：块优化的逐元素正向消除和反向替换算法；[0066]febs：逐元素正向消除和反向替换算法；[0067]lgi：局部回旋指数(local gyrification index)；[0068]lfd：局部分形维数(local fractal dimension)。[0069]下面参考本发明的若干代表性实施方式，详细阐释本发明的原理和精神。[0070]图1是本发明一实施例的利用粒子群优化算法定位最佳治疗方案的方法流程示意图。如图1所示，该方法包括：[0071]步骤s101，将线圈的位置和旋转角度作为自变量，通过适应度函数得到适应值；[0072]步骤s102，根据所述适应值，采用块优化febs的ilu算法进行并行化加速的预处理得到电场强度；[0073]步骤s103，沿着搜索表面选择一组线圈初始位置和旋转方向作为初始粒子，通过适应度函数得到对应的适应值，并利用适应值更新粒子的位置与速度；[0074]步骤s104，根据调整后的粒子的位置计算当前靶区电场强度的个体最优解与全局最优解；[0075]步骤s105，根据个体最优解与全局最优解进行迭代到最终最优解，并根据最终最优解得到最佳刺激位置。[0076]在本实施例的步骤s101中，将线圈的位置和旋转角度作为自变量，通过适应度函数得到适应值，包括：[0077]pso算法的适应度函数的自变量为中心的位置(x，y，z)和旋转角度目标区域的位置为常量，优化程序中的适应值是roi的电场强度，适应度函数定义如下：[0078]适应度函数定义如下：[0079][0080]其中，eroi为适应值，所述适应值是roi的电场强度；(x,y,z)为线圈的位置；为旋转角度。[0081]电场计算中采用预处理双共轭梯度法对矩阵进行ilu分解，加快求解速度。通过块优化的febs(b-febs)可以加快上下矩阵方程迭代的算法。基于上述过程可以在计算机计算的过程中，使计算lu矩阵的求解方法逐元素正向消除和反向替换算法(febs)保持高度有序，克服难以进行并行化加速操作的问题。[0082]参考图2，为本发明一实施例的区域分布示意图，(a)为侧视角度，(b)为俯视角度。如2所示，在数值试验中，选择中央前回中部(brodmann区域)中2×2mm2的表面作为目标区域(靶区)。该区域属于初级运动皮层。有源设备线圈初始位置设置为国际10-20脑电图系统的c4电极点，以便当初始旋转角度为0°时，roi直接位于这个8字形线圈的交点下方。这种定位方法经常在临床治疗中中使用，本发明定位的搜索区域在这个线圈周围一共40mm×40mm的平面区域上。[0083]在本实施例的步骤s103中，沿着搜索表面选择一组线圈初始位置和旋转方向作为初始粒子，通过适应度函数得到对应的适应值，并利用适应值更新粒子的位置与速度，包括：[0084]在利用适应值更新粒子的位置与速度时，每个粒子的运动受到粒子自身历史位置和搜索空间中的其它粒子位置的影响。[0085]本发明所使用的pso中，先沿着搜索表面初始化一组候选的线圈初始位置和旋转方向作为初始粒子，然后通过适应度函数求取适应值，该值用来调节粒子的位置(在本文中表示线圈位置和旋转角度)和速度。每个粒子的运动受到粒子自身历史位置和搜索空间中的其它粒子位置的影响。通过这种方法，将线圈位置向最优化位置移动。[0086]在本实施例的步骤s104中，根据调整后的粒子的位置计算当前靶区电场强度的个体最优解与全局最优解，包括：[0087]将第i个粒子所表示的线圈位置为：此时的靶区电场强度表示为：粒子群对靶区电场的适应值存在个体最优解epi和全局最优解epg，对应的线圈位置分别为pospi和pospg；[0088]在本实施例的步骤s105中，根据个体最优解与全局最优解进行迭代到最终最优解，并根据最终最优解得到最佳刺激位置，包括：[0089]在进行迭代时，粒子的速度和线圈位置更新公式如下：[0090]vi＝ωvi+c1×rand()(pospi-posi)+c2×rand()(pospg-posi)；[0091]posi＝posi+vi；[0092]其中，rand为0到1的随机数；c1和c2是学习因子，取值为2.05，用于平衡个体和种群的影响；ω是权重系数，取值在0.9到1.2之间，采用自适应方法对ω进行更新：[0093]式中，ωmin和ωmax分别为最小与最大权重，t和tmax是当前迭代次数和最大迭代次数，pospi是粒子的最优解；pospg是整个族群中的最优解；[0094]经过迭代得到最终最优解posi，根据最终最优解得到最佳刺激位置。[0095]需要说明的是，粒子群优化算法是由kennedy和eberhart根据boid模型提出的一种基于生物群体社交行为的优化算法。reynolds根据自然界鸟类群居据集飞行行为提出boid模型，在boid模型中，每个个体作为一个boid，他们可以独立获取身边每一个其它个体的位置信息，并将其作为决策自身行动的一个参考，再与自己个体的状态(位置、速度、方向)一并做出更新自己位置的决定。其中，每个boid须在前进过程中遵循三准则避免碰撞(collision avoidance)、速度匹配(velocity matching)、群集中心(flock centering)。[0096]尽管在上述实施例及附图中以特定顺序描述了本发明方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。[0097]为了对上述利用粒子群优化算法定位最佳治疗方案的方法进行更为清楚的解释，下面结合一个具体的实施例来进行说明，然而值得注意的是该实施例仅是为了更好地说明本发明，并不构成对本发明不当的限定。[0098]参考图3，为本发明一具体实施例的数值研究中用到的解剖学头部模型和线圈模型示意图；其中，[0099](a)：中国女性头模；[0100](b)：中国男性头模；[0101](c)：billie；[0102](d)：duke；[0103](e)：ella；[0104](f)：twu；[0105](g)：日本男性；[0106](h)：日本女性；[0107](i)：norman；[0108](j)：naomi；[0109](k)：韩国成人；[0110](l)：韩国儿童；[0111](m)：vip-man；[0112](n)为模拟中使用的8字线圈，i表示线圈电流。[0113]如图3所示，实验中使用了13种头部模型：均质球形模型(球体半径分别为60毫米、80毫米、100毫米、120毫米、140毫米，电导率在2.24khz的频率下为0.33s/m)，来自中国成年女性(41个不同组织)和中国成年男性(42个不同组织)，虚拟家庭模型中的billie(31个不同组织)，duke(32个不同组织)和ella(31个不同组织)，由内部辅助工具构建的某研究人员头部模型的上半部分(6个不同组织)，日本成年男性(11个不同组织)，日本成年女性(13个不同组织)，norman(7个不同组织)，naomi(9个不同组织)，韩国成年男性(12个不同组织)，韩国小孩(12个不同组织)和vip-man(12个不同组织)，所有模型都被重新网格化成1×1×1mm3。选择的有源医疗设备刺激线圈为第三章提到的70mm直径的8字形线圈，线圈电流幅值为1000a，频率为2.24khz。[0114]为了节省电场计算时间，在进行pso优化时，计算的电场范围为包含全部脑区的上半部头部，并取消周围空气部分，使每个头部电场单次计算时间小于6分钟。[0115]对于pso参数的优化，通常会采用经验法则，惯性权重采用上面所提到的自适应方法来进行更新，对于学习因子，本发明根据前人经验研究所提出的c1＝c2＝2.05。有些研究也表明可以将c1和c2之和固定为4.1，并将c1和c2的比例从2.8/1.3调整到1.3/2.8，实验中采用中国成年女性和男性的头部将这些系数应用到本发明的优化模拟中，步长为0.2进行实验。发现无论从优化时间上还是优化结果上都并未出现显著差异。[0116]参考图4，为本发明一具体实施例的线圈和头部模型的位置示意图。在图4中，(a)线圈以10 mm的恒定间距在头皮表面移动；(b)旋转轴穿过8形线圈的交点并垂直于线圈表面；(c)当线圈的长轴平行于x坐标时，旋转角度为0°。在刺激过程中，线圈和头皮之间的距离为10 mm，其平面与头皮表面相切。[0117]对于种群规模的选择，更多的种群数量可意味着优化不容易陷入局部最优中，更高的优化成功率以及更长的迭代时间，在本实验中，分别采用4，6，8，12，20个粒子对上面6个头部模型每个进行了5次仿真优化。将远低于最佳优化结果(误差超过20％)的优化定义为失败，其优化结果和优化时间如表1所示。[0118]表1粒子优化成功率及时间与数量关系[0119]粒子数4681220成功率70％90％100％100％100％平均时间300min380min430min500min600min[0120]从表1可以看出，在使用8个粒子进行优化实验时，不同头部模型的优化成功率就可以达到100％且优化时间较短。[0121]参考图5a及图5b，为本发明一具体实施例的不同头部模型的电场分布示意图。在图5a及图5b中，roi用正方形表示。根据提供的配置计算结果；可以通过考虑线圈的实际数量，线圈中的实际电流以及线圈的直径，将感应电场强度与临床foe线圈进行比较，并应考虑频率。[0122]实验中对所有头部模型进行了五次优化模拟，优化以4-11次迭代收敛，理论上通过串行计算对应于192-528分钟(实际操作中，使用上述硬件的时间成本大约为220-560分钟)。相比之下，感应电场强度最多可提高116％(出现在韩国成人的第2模拟实验)，对于13个头部模型，电场强度提高的平均值约为43％。优化结果后线圈中心的位置与初始位置的空间距离最大为18mm。[0123]参考图6，为本发明一具体实施例的计算出的最大电场强度的直方图。根据提供的配置计算结果；可以通过考虑线圈的实际数量，线圈中的实际电流以及线圈的直径来将感应电场强度与临床foe线圈进行比较，并应考虑频率。[0124]在优化实验之后，针对中国成年男性头部模型在18×18mm2的搜索区域上进行了枚举法模拟，通过遍历全部可能性来获取最佳值，得到该方法下的roi电场强度最大为2.49v/m，而使用pso优化得到的五次结果分别为2.39v/m，2.43v/m，2.43v/m，2.49v/m，2.46v/m，最大的结果和枚举法的结果相同，平均结果比枚举法的结果低2％，最低的结果比枚举法的结果低4％，而相比于枚举法需要进行的3888次模拟，pso优化算法仅需要平均不到70次的模拟(8.4次迭代×8个粒子数＝69.2)，节省超过98％的模拟数量，而误差最大仅为4％。[0125]在研究过程中，目标区域的电场为2×2mm2的roi，在该区域只包含四个体素，目标区域大小过于小以至于无法使用icnirp2010所规定的99百分位电场的统计结果来减少阶梯误差，因此采用的是对四个体素的电场数据求取平均值。[0126]由于感应电场分布和模型的解剖结构有关，关于皮层几何形状和复杂度对优化收敛的影响中，皮层测量中使用两个指标：局部回旋指数(local gyrification index,lgi)和局部分形维数(local fractal dimension,lfd)。假定收敛速度与电场提升大小和搜索表面下方局部皮质复杂度有关，对这两个值与迭代步数使用spss进行相关性分析，其结果为：电场增强和lfd：r＝0.19,p＝0.53，电场增强和lgi：r＝0.08,p＝0.81，迭代步数和lfd：r＝-0.07,p＝0.82，迭代步数和lgi：r＝0.41,p＝0.16。结果表明，局部皮层复杂性与收敛速度或预期电场强度的增强之间没有显著相关性。[0127]综上来看，本发明提出了根据临床需要优化tms线圈定位的数值方法，优化结果表明，使用粒子群优化算法可以将目标区域的电场强度平均提升48％；一次完整的优化过程耗时可以控制在8小时以内，属于临床可以接受的时间范围，由此可见该优化算法切实可行。本发明的优化时间以及优化效果和皮层的几何特征没有关系，亦即优化方法可以推广到一般的临床应用上去，用于线圈定位导航系统。[0128]在介绍了本发明示例性实施方式的方法之后，接下来，参考图7对本发明示例性实施方式的利用粒子群优化算法定位最佳治疗方案的系统进行介绍。[0129]利用粒子群优化算法定位最佳治疗方案的系统的实施可以参见上述方法的实施，重复之处不再赘述。以下所使用的术语“模块”或者“单元”，可以是实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。[0130]基于同一发明构思，本发明还提出了一种利用粒子群优化算法定位最佳治疗方案的系统，如图7所示，该系统包括：[0131]适应值计算模块710，用于将线圈的位置和旋转角度作为自变量，通过适应度函数得到适应值；[0132]预处理模块720，用于根据所述适应值，采用块优化febs的ilu算法进行并行化加速的预处理得到电场强度；[0133]粒子更新模块730，用于沿着搜索表面选择一组线圈初始位置和旋转方向作为初始粒子，通过适应度函数得到对应的适应值，并利用适应值更新粒子的位置与速度；[0134]最优解计算模块740，用于根据调整后的粒子的位置计算当前靶区电场强度的个体最优解与全局最优解；[0135]迭代计算模块750，用于根据个体最优解与全局最优解进行迭代到最终最优解，并根据最终最优解得到最佳刺激位置。[0136]在本实施例中，适应度函数定义如下：[0137][0138]其中，eroi为适应值，所述适应值是roi的电场强度；(x,y,z)为线圈的位置；为旋转角度。[0139]在本实施例中，所述粒子更新模块730在利用适应值更新粒子的位置与速度时，每个粒子的运动受到粒子自身历史位置和搜索空间中的其它粒子位置的影响。[0140]在本实施例中，最优解计算模块740具体用于：[0141]将第i个粒子所表示的线圈位置为：此时的靶区电场强度表示为：粒子群对靶区电场的适应值存在个体最优解epi和全局最优解epg，对应的线圈位置分别为pospi和pospg；[0142]在本实施例中，迭代计算模块750具体用于：[0143]在进行迭代时，粒子的速度和线圈位置更新公式如下：[0144]vi＝ωvi+c1×rand()(pospi-posi)+c2×rand()(pospg-posi)；[0145]posi＝posi+vi；[0146]其中，rand为0到1的随机数；c1和c2是学习因子，取值为2.05，用于平衡个体和种群的影响；ω是权重系数，取值在0.9到1.2之间，采用自适应方法对ω进行更新：[0147]式中，ωmin和ωmax分别为最小与最大权重，t和tmax是当前迭代次数和最大迭代次数，pospi是粒子的最优解；pospg是整个族群中的最优解；[0148]经过迭代得到最终最优解posi，根据最终最优解得到最佳刺激位置。[0149]应当注意，尽管在上文详细描述中提及了利用粒子群优化算法定位最佳治疗方案的系统的若干模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多模块的特征和功能可以在一个模块中具体化。反之，上文描述的一个模块的特征和功能可以进一步划分为由多个模块来具体化。[0150]基于前述发明构思，如图8所示，本发明还提出了一种计算机设备800，包括存储器810、处理器820及存储在存储器810上并可在处理器820上运行的计算机程序830，所述处理器820执行所述计算机程序830时实现前述利用粒子群优化算法定位最佳治疗方案的方法。[0151]基于前述发明构思，本发明提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现前述利用粒子群优化算法定位最佳治疗方案的方法。[0152]本发明提出的利用粒子群优化算法定位最佳治疗方案的方法及系统使用粒子群优化算法可以高效地对参数进行优化，将目标区域的电场强度大幅提升，并将一次完整的优化过程耗时可以控制在临床可以接受的范围内，保证临床应用的可行性，为线圈定位导航提供有力的支持。[0153]本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。[0154]本发明是参照根据本发明实施例的方法和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。[0155]这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。[0156]这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。[0157]最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!