X射线荧光分析中相邻峰重叠的分解问题是十分常见的, 谱峰重叠为谱的进一步定性分析和定量分析都带来了困难, 而通过硬件手段来减少谱峰重叠的发生往往受资金和工作条件的制约, 通常会选择通过数学手段得到重叠谱中各个子峰的相关信息来完成重叠谱的分解。 结合光谱形成过程的随机物理特性, 提出了一种基于高斯混合模型(GMM)的参数独立模型和参数关联模型, 以及基于这两种模型和差分进化算法的重叠峰分解方法。 GMM模型参数构成了差分进化算法个体基因, 给出了目标函数的快速算法, 通过随机生成初始种群, 以种群中每个个体的适应度值和各个个体参数的约束条件为选择标准, 避免了初值不当带来的局部收敛问题, 并且将所有测量的随机数据参与到个体适应度值的运算当中, 避免了原谱数据的损失。 对模型参数相互独立和模型参数相关联两种情况进行了解谱分析, 首先, 对三峰重叠和四峰重叠进行仿真模拟分析, 分解结果表明, 基于GMM参数关联模型的解谱精度较GMM参数独立模型的解谱精度更高, 三峰重叠时, 参数独立模型和参数关联模型分别得到的权重最大误差为8.15%和2%, 峰位最大误差为0.30%和0.06%, 标准差的最大误差为7.5%和1.35%。 四峰重叠时, 参数独立模型和参数关联模型分别得到的权重最大误差为8.3%和4.3%, 峰位最大误差为0.12%和0.13%, 标准差的最大误差为5.04%和0.45%。 然后通过实测三峰重叠谱的解谱分析表明, 用这两种模型进行重叠谱的分解, 分解结果相对误差和待测量元素的含量有关, 随着待测元素含量的降低, 分解结果精度会降低。 仿真和实测都表明, 基于高斯混合模型和运用差分进化算法的重叠谱进行解谱时, 如果能够提前得到各个相互重叠小峰权重、 均值、 标准差之间的关系, 建立GMM参数关联模型, 减少寻优个体参数个数, 对提高复杂峰的分解精度是非常重要的。

脊柱的治疗非常重要, 其中螺钉的准确植入是其内固定术的一个重要影响因素。 但由于椎骨外形差异较大, 很容易在螺钉植入过程中出现误植, 从而引起并发症。 因此, 需要寻找一种准确的椎弓根螺钉植入检测与监测方法。 提出了一种联合近红外参数和CT影像方法, 该方法可应用于椎弓根螺钉的植入过程中, 将计划植钉路径上椎骨组织的近红外参数和CT值进行研究, 提高术中植钉的准确率。 首先以猪椎骨为实验模型, 规划手术中的典型螺钉植入路径; 然后采用相关系统测量植入针道上的光谱, 计算光谱分析得到最佳近红外参数, 将其定义为特征因子; 进一步将规划路径上的CT值与特征因子进行关联, 建立三维空间CT值与近红外参数的转换模型。 结果表明CT值与特征因子具有线性关系, 为椎弓根螺钉植钉手术中的螺钉位置实时监测提供了参考依据, 该模型可以用于螺钉植入术中监测和误植预警。 论文提出的联合近红外参数和CT影像的椎弓根螺钉植入术中监测方法, 为临床手术中植钉准确率的提高奠定了基础。