研究室论文《A Gaussian Intelligent Optimization Framework for Dynamic Electrical Impedance Tomography of 3D Lactate Monitoring based on TK-Noser Priori》被期刊《 Measurement》录用。
本文提出了一种基于 TK-Noser 先验的高斯智能优化框架（PB-GIOF），用于危重症患者乳酸的三维动态监测。该方法针对乳酸随机波动带来的定位与体积估计难题，提出系统性解决方案。研究首先利用多层三维高斯球体的堆叠，对不同形态的乳酸靶标进行几何近似；随后构建融合 TK-Noser 结构与定位先验的适应度函数，将复杂的高斯形状重建任务转化为优化问题；最后，鉴于其出色的全局与局部搜索能力，采用角蜥优化算法（HLOA）求解该优化问题。
在包含八个随机分布、不同尺寸乳酸靶标的仿真中，PB-GIOF 与 Tikhonov 及 TK-Noser 正则化算法进行了对比。重建结果表明，PB-GIOF 在几乎所有靶标上均获得最佳成像效果，平均 ICC/RMSE 达到 0.877/0.062，相较 Tikhonov 和 TK-Noser 分别提升 18.9%/32.6% 与 3.6%/21.5%。此外，PB-GIOF 在靶标定位与体积估计方面表现出优异的稳健性。
仿体实验进一步验证了仿真结论：在复杂乳酸靶标，尤其是较小靶标（T1~T3）的成像中，PB-GIOF 显著优于 TK-Noser，其平均 ICC/RMSE 为 0.756/0.074，相较 TK-Noser 分别提高 16.8% 与 19.6%。因此，PB-GIOF 算法可实现复杂乳酸靶标的精准成像，为危重乳酸监测提供了可靠的新途径。
图 基于TK-Noser先验的高斯智能优化框架的总体架构