治疗胸腹部肿瘤的一个种重要手段就是放射治疗,但是在放疗过程中,呼吸运动使得肿瘤靶区的体积和位置均发生改变,这就造成肿瘤癌细胞的漏照,或者照射过度,损伤肿瘤周围正常细胞。针对此问题,本文建立了放疗中人体胸腹表面区域呼吸运动预测模型,提出了一种基于高斯过程回归模型的呼吸运动预测方法。本文主要从呼吸运动信号采集、运用高斯过程回归模型预测呼吸运动、与常用呼吸运动预测算法进行对比实验等方面进行分析。首先,采用FASTRAK运动跟踪定位系统进行呼吸运动数据采集,运用该系统对同一名实验者进行10组呼吸运动信号采集实验,得到10组相对平滑的呼吸运动信号,然后将得到的数据作为本文提出预测算法的输入,为呼吸运动信号的预测提供真实的实验数据。其次,提出高斯过程回归模型后,又通过公式推导和理论分析详细研究了高斯过程回归模型,通过对一组单元高斯伪随机数进行预测,并且在预测中选取不同的核函数与超参数进行了对比实验,表明了不同核函数与超参数对预测结果会有较大影响,因此高斯过程回归模型建立最重要的是要选取合适的核函数,并求出最优的超参数。最后,将采集到的呼吸运动数据一部分作为训练集,通过训练选取合适的核函数,并求出最优超参数,建立好高斯过程回归预测模型后对所有呼吸运动数据进行预测。本文选取了线性预测、BP神经网络和非参数回归三种常用呼吸运动预测算法与高斯过程回归预测算法进行对比实验,采用了相对误差评价标准对随机一组呼吸运动数据进行对比实验,高斯过程回归模型的相对误差相对较小,且变化范围是最小的,验证了本文所使用的高斯过程回归模型预测稳定性更好。此外采用了均方根误差评价标准分别对10组呼吸运动数据进行预测效果对比实验,任意一组预测中,高斯过程回归模型的均方根误差均是最小的,且平均均方根误差也是最小的,结果表明高斯过程回归模型的预测精确度要比其他三种预测算法的预测精确度高。以上对比实验验证了本文所提出的高斯过程回归模型在人体胸腹表面区域呼吸运动预测应用中的良好前景。