基于深度学习的连续血压预测方法研究

发布时间：2021-10-19 16:31

　　连续血压的波形获取对监测人体健康状况具有重要的意义。传统的血压预测方法大多是通过脉搏信号等参数,逐点预测或者只能对高压低压进行预测,无法快速获得完整精确的连续血压波形。因此,怎样由脉搏信号获取连续血压波形是亟需解决的问题。本文围绕这一问题,通过对现有深度学习模型进行改进与创新,提出了三种连续血压预测方法,并通过详细的实验对比和结果分析,证明了这些基于深度学习的预测方法可以从脉搏信号中准确预测出连续血压波形。本文的主要工作如下:（1）提出了嵌入SENet（Sequeeze-and-Excitation Network）的多门控循环单元（Gated Recurrent Unit,GRU）连续血压预测方法。首先利用多个GRU通道提取脉搏中的特征,然后嵌入SENet模块来学习多个通道之间的相互依赖关系,从而得到每个通道的权重,最后将权重加入到每个通道上,通过两个Linear层整合,获得预测的连续血压值。实验结果表明,嵌入SENet可以有效增加多GRU结构的预测能力,得到良好的连续血压波形,与未嵌入SENet的长短期记忆（Long Sho rt-Term Memory,LSTM）网络和GRU模型... 

【文章来源】：兰州理工大学甘肃省

【文章页数】：60 页

【学位级别】：硕士

【部分图文】：

LSTM结构

GRU结构

基于深度学习的连续血压预测研究6′=([1,]+)（2.2）完成以上两个门的运算之后，接下来更新旧单元的状态。即把1更新成。公式为：=1+′（2.3）表示用旧的状态与遗忘门的输出相乘，加上候选值′与输入门的输出相乘，得到的值为当前的状态值。从宏观意义上讲，就是根据之前的信息进行新旧交替，更新状态的地方。最后一个门为输出门，负责输出整个LSTM单元的最终状态。首先运行一个sigmoid函数来确定输出部分，然后将更新好的值输入一个双曲正弦函数，最后两个值相乘得到最终输出。公式如下：=([1,]+),=tanh()（2.4）LSTM的计算流程如图2.2所示。LSTM提出后发展出了很多变种，其中比较有名的是GRU。GRU只有两个门，它将LSTM的遗忘单元和输入单元整合，形成更新门，结合了数据单元状态和隐藏状态，其结构如图2.3所示。其中，用于决定遗忘程度的重置门如式（2.5）所示：=([1,]+)（2.5）用于决定保留和遗忘信息的更新门如式（2.6）所示：=([1,]+)（2.6）图2.3GRU结构图2.2LSTM计算流程

【参考文献】：
期刊论文
[1]基于多头注意力机制和残差神经网络的肽谱匹配打分算法[J]. 闵鑫,王海鹏,牟长宁.  计算机应用. 2020(06)
[2]面向双注意力网络的特定方面情感分析模型[J]. 孙小婉,王英,王鑫,孙玉东.  计算机研究与发展. 2019(11)
[3]深度学习算法研究进展[J]. 田启川,王满丽.  计算机工程与应用. 2019(22)
[4]基于Multi-head Attention和Bi-LSTM的实体关系分类[J]. 刘峰,高赛,于碧辉,郭放达.  计算机系统应用. 2019(06)
[5]一种基于脉搏波法的腕式血压计的设计[J]. 孙煜,冯秀丽.  中国医疗设备. 2018(12)
[6]基于卷积递归神经网络的血压测量模型[J]. 张佳骕,顾林跃,姜少燕.  北京生物医学工程. 2018(05)
[7]基于RNN的脉搏波血压计的研究与实现[J]. 刘艳萍,李杰,金菲.  电子技术应用. 2018(06)
[8]《中国心血管病报告2017》要点解读[J]. 马丽媛,吴亚哲,王文,陈伟伟.  中国心血管杂志. 2018(01)
[9]基于贝叶斯网络的体域网多模态健康数据融合方法[J]. 史春燕,翟羽婷,王磊.  传感技术学报. 2017(10)
[10]基于小波分析与BP神经网络的人体血压预测[J]. 方杰,张征.  计算机系统应用. 2017(08)

博士论文
[1]基于深度神经网络的连续无创血压检测及其应用研究[D]. 吴丹.中国科学院大学(中国科学院深圳先进技术研究院) 2017

硕士论文
[1]基于深度学习与自注意力机制的情感分类方法研究[D]. 祝元勃.西安理工大学 2019
[2]基于多头注意力机制的视频描述生成算法研究[D]. 陈明.浙江大学 2019
[3]基于Elman神经网络的无创连续血压测量方法研究[D]. 王月猛.吉林大学 2018
[4]循环神经网络门结构模型研究[D]. 余昉恒.浙江大学 2018
[5]基于集成学习与规则提取的多标记学习方法在高血压证素辩证中的研究[D]. 朱灿杰.深圳大学 2017
[6]基于神经网络血压预测研究与系统实现[D]. 陈少吉.华南理工大学 2015



本文编号：3445225