中午的时候他没有去食堂。
陈可敲门进来，放了一份盒饭在桌角上。
“陆主任，方姐让我给你送的。”
陆晨头也没抬。
“放那儿吧。”
陈可瞥了一眼屏幕上密密麻麻的代码，眼睛都直了。
“陆主任，你在写什么？”
“代码。”
“什么代码？”
“你看不懂的那种。”
陈可识趣地退了出去，关上了门。
陆晨扒了几口盒饭，然后继续写。
下午三点多的时候，主体代码完成了。
他开始用方芷晴发来的实测数据跑测试。
第一轮测试，算法在模拟呼吸周期下的坐标锁定成功率是百分之九十一。
不够。
陆晨检查了日志，发现问题出在信号的滤波参数上。
原始超声信号里混杂着心跳产生的高频震动，干扰了呼吸周期的识别精度。
他调整了带通滤波器的截止频率，把心跳信号的频段过滤掉了。
第二轮测试，锁定成功率提高到了百分之九十六。
还是不够。
百分之九十六意味着每一百次操作窗口中有四次会判断失误。
在微米级的神经对接中，一次失误都可能造成不可逆的损伤。
陆晨靠在椅背上，盯着屏幕上的测试日志看了大约半分钟。
问题的本质在于，呼气末不是一个精确的时间点，而是一个区间。
每个呼吸周期的呼气末持续时间会有微小的波动。
用固定的时间窗口去捕捉，就会在某些周期中出现偏差。
解决办法是不用固定窗口，改为实时位移量触发。
不去预测哪个时间点是呼气末，直接监测位移量本身。
位移量低于八微米时，自动触发绿色信号。
位移量超过八微米时，自动切换为红色信号。
彻底绕开了对呼吸周期的预测环节，改为纯粹的实时响应。
陆晨重写了触发逻辑的那段代码，大概花了四十分钟。
写完之后检查了一遍语法和逻辑，确认没有错误。
然后跑第三轮测试。
屏幕上的数据滚动了几秒钟之后停下来。
锁定成功率，百分之一百。
陆晨盯着这个数字看了两秒钟，然后换了一组数据重新跑。
百分之一百。
再跑一遍，这次加入了随机噪声干扰。
百分之九十九点七。
零点三的误差来自于极端的噪声尖峰信号，在真实实验环境中几乎不可能出现。
陆晨靠在椅背上，长长地出了一口气。
然后他打开了补偿精度的测试数据做最终确认。
算法
本章未完，请点击下一页继续阅读！