徐逸帆，曹樂，黃經(jīng)緯，闞秀

上海工程技術(shù)大學(xué)電子電氣工程學(xué)院，上海201620

前言

生物阻抗頻譜（BIS）是一種基于電路的生物組織阻抗測(cè)量和監(jiān)測(cè)技術(shù)，通過分析BIS信號(hào)可以知道生物組織的生理和病理狀態(tài)［1］。近年來，BIS 技術(shù)在在早期疾病診斷、生物組織液監(jiān)測(cè)、生理狀態(tài)評(píng)估等方面應(yīng)用廣泛［2-4］。2003年，Cox-Reijven［5］利用BIS技術(shù)對(duì)胃腸道疾病患者實(shí)際無脂肪質(zhì)量進(jìn)行評(píng)價(jià)，解決了傳統(tǒng)方法評(píng)價(jià)困難的問題。2009年，Jaffein等［6］通過分析50 kHz下腕踝的BIS特性，對(duì)細(xì)胞外液進(jìn)行水分測(cè)定，為人體成分分析奠定基礎(chǔ)。2013年，Hornero 等［7］設(shè)計(jì)了一種用于評(píng)價(jià)肌肉及心血管活動(dòng)的生物阻抗監(jiān)控系統(tǒng)，通過對(duì)單個(gè)細(xì)胞進(jìn)行BIS 分析，研究其他細(xì)胞的生理參數(shù)。2016年，何想等［8］基于所采集不同人手掌的BIS數(shù)據(jù)，通過提取特征參數(shù)對(duì)手掌所屬身份進(jìn)行識(shí)別。

Cole-Cole 生物電阻抗特征方程的建立，為生物阻抗參數(shù)提取和分析提供了有效理論工具，越來越多的學(xué)者關(guān)注Cole 參數(shù)提取方法。2013年，Yang［9］對(duì)經(jīng)典最小二乘法（LS）和最小一乘法（LAD）的Cole參數(shù)提取效果進(jìn)行實(shí)驗(yàn)對(duì)比，結(jié)果證明LAD 在處理受噪聲擾動(dòng)數(shù)據(jù)時(shí)具備更好的魯棒性。2015年，Nejadghol 等［10］采用奇異值分解法對(duì)BIS 數(shù)據(jù)進(jìn)行處理，降低了Cole 參數(shù)的提取誤差和標(biāo)準(zhǔn)差，并通過手臂實(shí)驗(yàn)進(jìn)行了證明。2016年，陳恒等［11］利用模擬退火（SA）算法和阻尼（LS）算法進(jìn)行聯(lián)合反演求解Cole參數(shù)，解決了經(jīng)典LS 算法對(duì)于初始值依賴的問題。2018年，郭玥［12］將LAD 算法和SA 算 法 結(jié)合提取Cole參數(shù)，規(guī)避了LAD 迭代求導(dǎo)的問題，并對(duì)初值選擇誤差和易陷局部最優(yōu)問題進(jìn)行了分析。雖然現(xiàn)有方法在一定程度上解決了Cole 參數(shù)的提取問題，但是普遍存在對(duì)奇異點(diǎn)和隨機(jī)噪聲敏感度高、魯棒性差和擬合時(shí)間長(zhǎng)等缺點(diǎn)。本文采用精英保留策略和LAD 算法對(duì)傳統(tǒng)的遺傳算法（GA）進(jìn)行改進(jìn)，給出一種魯棒性強(qiáng)、收斂速度快的Cole 參數(shù)提取新方法，并將仿真結(jié)果與現(xiàn)有方法進(jìn)行對(duì)比，驗(yàn)證所得結(jié)果的實(shí)用性與有效性。

1 生物電阻抗特征參數(shù)提取

1.1 Cole-Cole模型

研究發(fā)現(xiàn)低頻電流（低于1 MHz）只能流經(jīng)細(xì)胞外液，而高頻電流可以穿透細(xì)胞膜流經(jīng)細(xì)胞內(nèi)外液［13］。根據(jù)生物細(xì)胞組織的這種阻抗特性，通常采用如圖1所示的等效電路分析生物電性質(zhì)及其變化規(guī)律，Re是細(xì)胞外液電阻，Ri是細(xì)胞內(nèi)液電阻，C是細(xì)胞膜電容。

圖1 生物體等效電路模型Fig.1 Biological equivalent circuit model

1940～1941年，美國研究學(xué)者Cole等［14］基于生物組織等效電路提出Cole-Cole理論，即生物電阻抗實(shí)際測(cè)量值的軌跡是復(fù)平面第4象限中的一段圓弧且圓心在第1象限內(nèi)（圖2）。

圖2 生物組織Cole圓弧曲線Fig.2 Biological tissue Cole arc curve

建立如下生物電阻抗特征方程：

其中，Z(ω)為生物復(fù)阻抗，ω為角頻率，R∞為頻率無窮大時(shí)的電阻，R0為直流（頻率為0）時(shí)的電阻，α為散射系數(shù)（0＜a＜1），τ為弛豫時(shí)間，τ對(duì)應(yīng)特征頻率fc：

1.2 生物電阻抗特征參數(shù)提取方法

為深入分析生物電阻抗性質(zhì)及生物組織變化規(guī)律，需要基于測(cè)量數(shù)據(jù)求得生物電阻抗等效電路的模型參數(shù)。然而，由于受到測(cè)量?jī)x器精度和內(nèi)外界噪聲等因素的影響，實(shí)際測(cè)量到的BIS數(shù)據(jù)大多分布在標(biāo)準(zhǔn)圓弧軌跡的兩側(cè)［15］，這種情況下需要對(duì)采集到的BIS 數(shù)據(jù)進(jìn)行擬合，求取Cole-Cole 曲線對(duì)應(yīng)的圓心(x0,y0)和半徑r0，再由幾何關(guān)系進(jìn)一步確定生物電阻抗模型的特征參數(shù)，如下所示：

從式（6）可以看出，測(cè)量誤差直接導(dǎo)致弛豫時(shí)間τ不確定。實(shí)際中通常采用如下式表示的多數(shù)據(jù)點(diǎn)對(duì)應(yīng)求均值的方式確定弛豫時(shí)間τ：

綜合以上分析，Cole-Cole 模型特征參數(shù)提取的關(guān)鍵是對(duì)實(shí)測(cè)BIS 數(shù)據(jù)的有效擬合。現(xiàn)有的擬合結(jié)果大多通過LS、LAD 和SA 等方法得到，這些方法存在迭代過程中陷入局部最優(yōu)、前期設(shè)置參數(shù)較多和人機(jī)交互依賴性強(qiáng)等缺點(diǎn)。本文提出精英保留策略遺傳算法（EGA）-LAD 彌補(bǔ)現(xiàn)有擬合算法的不足，提取更為精準(zhǔn)的Cole-Cole模型特征參數(shù)。

2 EGA

2.1 EGA概念

GA模擬了自然界中生物“優(yōu)勝劣汰”的進(jìn)化過程［16］，利用適應(yīng)度函數(shù)對(duì)種群中個(gè)體進(jìn)行評(píng)價(jià)，淘汰適應(yīng)度低的個(gè)體，經(jīng)過隨機(jī)選擇、交叉和變異等遺傳操作，實(shí)現(xiàn)生物種群的優(yōu)化。但這一過程中，種群中適應(yīng)度最高的個(gè)體可能會(huì)遭到破壞，這在一定程度上降低了GA全局搜索能力。本文采用精英保留策略對(duì)GA進(jìn)行優(yōu)化，將當(dāng)前代適應(yīng)度最高的個(gè)體作為精英個(gè)體保留，其余個(gè)體進(jìn)行隨機(jī)選擇、交叉和變異等遺傳操作，將精英個(gè)體插入到經(jīng)過遺傳操作后的個(gè)體集合形成新的種群。EGA-LAD提高了傳統(tǒng)GA的全局收斂性和魯棒性，該算法的步驟包括：種群初始化，設(shè)置適應(yīng)度函數(shù)，選擇、交叉和變異，精英保留策略。

2.1.1 種群初始化初始化種群通常以某一分布概率密度函數(shù)隨機(jī)生成，為提高算法的反應(yīng)速度和工作效率，本文使用經(jīng)典LS［9］擬合值(x0,y0,r0)作為基礎(chǔ)值，根據(jù)多次實(shí)驗(yàn)數(shù)據(jù)統(tǒng)計(jì)計(jì)算出合適閾值(hx,hy,hr)，確定初始化種群的取值范圍，在取值范圍內(nèi)隨機(jī)生成種群。LS 提取Cole 參數(shù)的基本原理是：使得各離散點(diǎn)與擬合圓上對(duì)應(yīng)點(diǎn)的徑向誤差的平方和達(dá)到最小，對(duì)應(yīng)Cole參數(shù)擬合的LS表達(dá)式為：

其中，M為實(shí)際測(cè)量數(shù)據(jù)數(shù)目，xi為激勵(lì)頻率fi下所測(cè)生物電阻抗的實(shí)部，yi為激勵(lì)頻率fi下所測(cè)生物電阻抗的虛部，(x0,y0)為擬合圓的圓心，r0表示擬合圓的半徑，ei表示徑向誤差即實(shí)際測(cè)量數(shù)據(jù)點(diǎn)在徑向方向與擬合圓心之間距離。根據(jù)迭代法計(jì)算出的LS擬合Cole-Cole 圓的圓心坐標(biāo)和半徑(x0,y0,r0)，經(jīng)過多次實(shí)驗(yàn)統(tǒng)計(jì)出合適的閾值(hx,hy,hr)，確定初始化種群取值范圍hr,y0+hr]，再利用均勻分布概率密度函數(shù)在所確定取值范圍內(nèi)隨機(jī)生成初始化種群，具體操作如下：

2.1.2 適應(yīng)度函數(shù)在GA 中，通過適應(yīng)度函數(shù)對(duì)種群中個(gè)體進(jìn)行評(píng)估，選取適應(yīng)度高的優(yōu)秀個(gè)體遺傳給下一代，適應(yīng)度函數(shù)的選擇直接影響算法的收斂性能和輸出結(jié)果。下面引入引理1，以便理解下文中適應(yīng)度函數(shù)的定義。

引理1［17］：若存在θ=θ*∈Rn，使目標(biāo)函數(shù)

成立，稱這n個(gè)零偏點(diǎn)是“0”點(diǎn)，反之若上式構(gòu)成的方程組不成立，則Q的極小化也不成立。

定義如下適應(yīng)度函數(shù)f(x0,y0,r0)：

由引理1，參數(shù)(x0,y0,r0)可由最小化F(x0,y0,r0)求得。

2.1.3 選擇算子本文采用錦標(biāo)賽選擇法對(duì)遺傳基因進(jìn)行選擇。這種選擇策略在一定程度上可以避免過早收斂和停滯現(xiàn)象的產(chǎn)生［15］。錦標(biāo)賽選擇法的具體策略為：從種群中隨機(jī)選擇k個(gè)個(gè)體（每個(gè)個(gè)體被選擇的概率相同），選擇適應(yīng)度最好的個(gè)體作為生成下一代的父體，重復(fù)操作直到新的種群規(guī)模達(dá)到原來的種群規(guī)模。

2.1.4 交叉算子本文采用兩點(diǎn)交叉對(duì)選出的兩個(gè)個(gè)體進(jìn)行交叉操作。兩點(diǎn)交叉是指在兩個(gè)配對(duì)個(gè)體基因串中隨機(jī)設(shè)置兩個(gè)交叉位，然后再進(jìn)行交叉位之間基因塊的交換。交叉發(fā)生概率記為Pc，一般Pc范圍設(shè)置為0.7～0.9。對(duì)于染色體長(zhǎng)度為l的兩個(gè)配對(duì)個(gè)體x1=λ11λ12…λ1l和x2=λ21λ22…λ2l，設(shè)隨機(jī)設(shè)置的兩個(gè)交叉位為c1、c2，且1 ≤c1＜c2≤l- 1，滿足下列公式：

則，生成的新個(gè)體為x1' =λ11'λ12'…λ1l' 和x2' =λ21'λ22'…λ2l'。

2.1.5 變異算子生物在遺傳和進(jìn)化過程中會(huì)出現(xiàn)變異，即父代種群中某些基因按一定概率進(jìn)行改變生成新的個(gè)體［18］。這里的一定概率指的是變異概率Pm，由于實(shí)際中變異的可能性非常小，一般將Pm范圍設(shè)置為0.01～0.20。本文選用二進(jìn)制編碼符號(hào)串表示個(gè)體，利用基本位變異法對(duì)個(gè)體進(jìn)行變異操作，即按照概率Pm指定變異位并將該位對(duì)應(yīng)的二進(jìn)制字符取反。對(duì)于個(gè)體x=λ1λ2…λl，變異運(yùn)算公式如下：

其中，Δx∈[0, 1]為任意隨機(jī)數(shù)。則，變異后生成新的個(gè)體為x' =λ1'λ2'…λl'。

2.1.6 精英保留策略將每代種群進(jìn)化中搜索到的最優(yōu)適應(yīng)度值的個(gè)體best保存為精英個(gè)體，再對(duì)剩下的N-1個(gè)個(gè)體進(jìn)行遺傳操作，以此避免目前種群中最好的基因受到丟失和破壞。采用EGA擬合Cole-Cole模型參數(shù)具有如下優(yōu)點(diǎn)：（1）保留傳統(tǒng)GA的可并行性，算法效率高，節(jié)省阻抗參數(shù)提取時(shí)間。（2）精英保留策略的引入，提高了傳統(tǒng)GA的搜索速度，全局收斂性更快。

2.2 EGA步驟

EGA的具體步驟如圖3所示。

圖3 精英保留算法流程圖Fig.3 Elitist preservation algorithm flow chart

Step1，設(shè)置最大迭代次數(shù)L，生成包含N個(gè)個(gè)體的初始種群P(t)。

Step2，設(shè)置適應(yīng)度函數(shù)，計(jì)算每一個(gè)個(gè)體的適應(yīng)度，將適應(yīng)度最高的個(gè)體best保存為精英個(gè)體。

Step3，判斷迭代次數(shù)t是否達(dá)到L次，若滿足執(zhí)行Step7，否則執(zhí)行Step4。

Step4，使用錦標(biāo)賽法對(duì)剩下的N-1 個(gè)個(gè)體進(jìn)行選擇操作，重新生成規(guī)模為N-1的種群Q(t)。

Step5，對(duì)Q(t)進(jìn)行交叉、變異操作，得到規(guī)模為N-1的種群Q(t)'。

Step6，將精英個(gè)體best隨機(jī)插入到Q(t)'中，形成得到新一代規(guī)模為N的種群P(t)'，令t=t+1，并執(zhí)行Step2。

Step7，輸出計(jì)算結(jié)果。

3 仿真實(shí)驗(yàn)方法

3.1 仿真數(shù)據(jù)集

1995年，Rigaud和Hamzaoui等［19］通過實(shí)驗(yàn)得到的一組肌肉阻抗特征參數(shù)R0=150 Ω，R∞=50 Ω，α=0.8，τ=3.0×10-6，從頻率1 kHz～1 MHz 中選取等相角間隔的32 個(gè)頻率點(diǎn)( )f1,f2, …,f32，32 個(gè)頻率對(duì)應(yīng)的即為標(biāo)準(zhǔn)BIS 數(shù)據(jù)點(diǎn)，且標(biāo)準(zhǔn)BIS 數(shù)據(jù)點(diǎn)呈均勻的對(duì)數(shù)分布，標(biāo)準(zhǔn)數(shù)據(jù)點(diǎn)如表1 所示。由公式（2）得到特征頻率fc=53.051 6 kHz，選取的BIS數(shù)據(jù)點(diǎn)均勻分布在圓心為(100，-16.246 0)、半徑為r0=52.573 1的Cole圓上。

表1 32個(gè)頻率點(diǎn)對(duì)應(yīng)的BIS數(shù)據(jù)點(diǎn)Tab.1 BIS data points corresponding to 32 frequency points

在標(biāo)準(zhǔn)BIS數(shù)據(jù)集的基礎(chǔ)上，通過在標(biāo)準(zhǔn)數(shù)據(jù)集中添加奇異值和不同的噪聲生成3組仿真數(shù)據(jù)集。

（1）存在奇異點(diǎn)的仿真數(shù)據(jù)集D1。

在BIS 標(biāo)準(zhǔn)數(shù)據(jù)集頻率f6和f22對(duì)應(yīng)的數(shù)據(jù)點(diǎn)處按以下公式增加30%的徑向誤差，其余30 個(gè)頻率點(diǎn)的數(shù)據(jù)保持不變：

其中，Psi(xsi,ysi)表示當(dāng)頻率為fi時(shí)的標(biāo)準(zhǔn)數(shù)據(jù)，表示當(dāng)頻率為fi時(shí)的添加噪聲和奇異點(diǎn)的仿真數(shù)據(jù)，θi表示頻率fi下橫軸與徑向間夾角，計(jì)算公式如下：

（2）存在隨機(jī)噪聲的仿真數(shù)據(jù)集D2。

將標(biāo)準(zhǔn)BIS 數(shù)據(jù)中奇數(shù)頻率點(diǎn)處數(shù)據(jù)按下式隨機(jī)添加0 至±10%滿足正態(tài)分布的徑向誤差，其余16個(gè)偶數(shù)頻率點(diǎn)處數(shù)據(jù)保持不變：

（3）奇異點(diǎn)和隨機(jī)噪聲同時(shí)存在的仿真數(shù)據(jù)集D3。

將標(biāo)準(zhǔn)數(shù)據(jù)的兩個(gè)頻率點(diǎn)f6和f22增加30%的徑向誤差，同時(shí)在所有的奇數(shù)頻率點(diǎn)處數(shù)據(jù)隨機(jī)添加0至±10%滿足正態(tài)分布的徑向誤差，構(gòu)成仿真數(shù)據(jù)集D3。

3.2 仿真實(shí)驗(yàn)結(jié)果與分析

為驗(yàn)證本文方法EGA-LAD 對(duì)Cole 參數(shù)提取的有效性和精確性，實(shí)驗(yàn)中選用經(jīng)典LS、SA-LS、SALAD 和EGA-LS 4 種算法分別對(duì)D1、D2 和D3 中的BIS 數(shù)據(jù)進(jìn)行擬合，并與EGA-LAD 的對(duì)應(yīng)擬合結(jié)果進(jìn)行比較。在實(shí)驗(yàn)結(jié)果中，實(shí)線代表擬合圓，虛線代表標(biāo)準(zhǔn)圓，eR0、eR∞、eα和efc分別表示Cole參數(shù)R0、R∞、α和fc的擬合誤差。

3.2.1 基于數(shù)據(jù)集D1 的仿真實(shí)驗(yàn)結(jié)果對(duì)于仿真數(shù)據(jù)集D1，將兩個(gè)偶數(shù)頻率點(diǎn)處標(biāo)準(zhǔn)BIS 數(shù)據(jù)增加30%的徑向誤差。LS、SA-LS、SA-LAD 和EGA-LAD的擬合實(shí)驗(yàn)結(jié)果如圖4 所示，表2 給出BIS 標(biāo)準(zhǔn)數(shù)據(jù)集和4種算法提取的Cole參數(shù)和擬合誤差的對(duì)比值。從實(shí)驗(yàn)結(jié)果可以看出，LS算法的擬合效果最差，使用SA-LS 算法的擬合效果明顯改善，但由于LS 算法對(duì)數(shù)據(jù)中奇異點(diǎn)敏感度高，使得SA-LS 算法擬合精度低于SA-LAD 算法。本文EGA-LAD 算法對(duì)Cole 圓擬合效果最好，Cole 參數(shù)提取精度最高，4 個(gè)特征參數(shù)R0、R∞、α和fc擬合誤差分別為0.024 5%、0.118 6%、0.106 3%、0.036 9%。

3.2.2 基于數(shù)據(jù)集D2 的仿真實(shí)驗(yàn)結(jié)果對(duì)于仿真數(shù)據(jù)集D2，將標(biāo)準(zhǔn)BIS 奇數(shù)頻率點(diǎn)處隨機(jī)添加0至±10%滿足正態(tài)分布的徑向誤差。由于添加徑向誤差的隨機(jī)性導(dǎo)致每一次的擬合結(jié)果會(huì)有波動(dòng)，為了更好地評(píng)價(jià)4種算法對(duì)隨機(jī)噪聲的魯棒性，本文進(jìn)行50 次的擬合實(shí)驗(yàn)，最終在表3 中分別列出50 次實(shí)驗(yàn)結(jié)果的平均值進(jìn)行對(duì)比，LS、SA-LS、SA-LAD 和EGA-LAD的擬合實(shí)驗(yàn)結(jié)果如圖5所示。從實(shí)驗(yàn)結(jié)果可以看出，LS算法的擬合效果最差，本文EGA-LAD 算法比兩種改進(jìn)的SA-LS 和SA-LAD 算法擬合效果好，Cole 參數(shù)提取精度最高，4 個(gè)特征參數(shù)R0、R∞、α和fc擬合誤差分別為0.000 7%、0.001 8%、0、0，其中擬合的α和fc參數(shù)與標(biāo)準(zhǔn)值一致，擬合曲線與標(biāo)準(zhǔn)曲線基本重合，實(shí)驗(yàn)結(jié)果說明EGA-LAD 對(duì)隨機(jī)噪聲的魯棒性最好。

圖4 數(shù)據(jù)集D1實(shí)驗(yàn)結(jié)果Fig.4 Data set D1 experiment results

表2 D1數(shù)據(jù)集下實(shí)驗(yàn)結(jié)果對(duì)比Tab.2 Comparison of experimental results on D1 data set

表3 D2數(shù)據(jù)集下實(shí)驗(yàn)結(jié)果對(duì)比Tab.3 Comparison of experimental results on D2 data set

圖5 數(shù)據(jù)集D2實(shí)驗(yàn)結(jié)果Fig.5 Data set D2 experiment results

3.2.3 基于數(shù)據(jù)集D3的仿真實(shí)驗(yàn)結(jié)果對(duì)于仿真數(shù)據(jù)集D3，將兩個(gè)偶數(shù)頻率點(diǎn)處標(biāo)準(zhǔn)BIS數(shù)據(jù)增加30%的徑向誤差，并將奇數(shù)頻率點(diǎn)處隨機(jī)添加0至±10%滿足正態(tài)分布的徑向誤差。同樣進(jìn)行50次的擬合實(shí)驗(yàn)，最終在表4中分別列出50次實(shí)驗(yàn)結(jié)果的平均值進(jìn)行對(duì)比，LS、SA-LS、SA-LAD和EGA-LAD的擬合實(shí)驗(yàn)結(jié)果如圖6所示。從實(shí)驗(yàn)結(jié)果可以看出，相比于與仿真數(shù)據(jù)集D2的擬合結(jié)果，4種算法的擬合精度均有下降，說明奇異點(diǎn)對(duì)擬合結(jié)果的影響很大，本文EGA-LAD算法對(duì)Cole圓擬合效果依然最好，4個(gè)特征參數(shù)R0、R∞、α和fc擬合誤差分別為0.001 6%、0.002 2%、0、0.002 1%，但在數(shù)據(jù)點(diǎn)出現(xiàn)大量偏差時(shí)EGA-LAD算法的魯棒性會(huì)降低。

表4 D3數(shù)據(jù)集下實(shí)驗(yàn)結(jié)果對(duì)比Tab.4 Comparison of experimental results on D3 data set

圖6 數(shù)據(jù)集D3實(shí)驗(yàn)結(jié)果Fig.6 Data set D3 experiment results

3.3 仿真結(jié)果分析

表5 給出4種算法對(duì)于3組數(shù)據(jù)集的平均擬合時(shí)間。綜合對(duì)應(yīng)仿真實(shí)驗(yàn)結(jié)論，可知作為經(jīng)典擬合方法的LS 算法用時(shí)最短速度最快，但由于其對(duì)奇異點(diǎn)的敏感度較高，在奇異點(diǎn)存在的條件下擬合精度會(huì)受到嚴(yán)重影響，而在BIS 應(yīng)用中，對(duì)提取參數(shù)的精度要求優(yōu)先于時(shí)間復(fù)雜度要求。改進(jìn)的SA 改善了魯棒性差的問題，但由于其在每一溫度下均需充分搜索最優(yōu)解，使得擬合時(shí)間變長(zhǎng)，并在一定程度上影響擬合精度。本文EGA-LAD 算法具有隱式并行性，在保證擬合精度的情況下，縮短了擬合時(shí)間，提高了計(jì)算效率。

表5 不同算法擬合平均仿真時(shí)間Tab.5 Average simulation time of different fitting algorithms

4 結(jié)論

本文綜合考慮精英保留策略和LAD，改進(jìn)傳統(tǒng)的GA 算法，在生物電阻抗Cole-Cole 特征模型基礎(chǔ)上給出Cole 參數(shù)提取的新方法。通過添加奇異點(diǎn)和隨機(jī)噪聲，在標(biāo)準(zhǔn)BIS 數(shù)據(jù)集的基礎(chǔ)上生成3 組仿真實(shí)驗(yàn)數(shù)據(jù)集，利用LS、SA-LS、SA-LAD 和EGA-LAD 4 種算法分別對(duì)3 組仿真數(shù)據(jù)集進(jìn)行仿真擬合，比較了4 種算法的擬合精度和時(shí)間復(fù)雜度。實(shí)驗(yàn)結(jié)果表明，本文EGA-LAD 算法具有擬合效果好、對(duì)奇異點(diǎn)和隨機(jī)噪聲的魯棒性強(qiáng)、Cole 參數(shù)提取精度高的優(yōu)點(diǎn)，驗(yàn)證了EGA-LAD 算法對(duì)生物電阻抗Cole參數(shù)提取的有效性和實(shí)用性。