為通過(guò)光電容積脈搏波信號(hào)獲取動(dòng)脈血壓參數(shù),并將其作為判斷個(gè)人健康狀況的依據(jù),基于Tensorflow框架訓(xùn)練LSTM網(wǎng)絡(luò)模型與傳統(tǒng)RNN模型,使用625 000條光電容積脈搏波數(shù)據(jù)序列通過(guò)忘記、選擇記憶、輸出階段得出符合生理規(guī)律的血壓參數(shù),將兩種模型放在125 000條樣本的測(cè)試集中進(jìn)行有效性驗(yàn)證。實(shí)驗(yàn)結(jié)果表明,訓(xùn)練后的LSTM模型對(duì)血壓的預(yù)測(cè)比傳統(tǒng)RNN模型更準(zhǔn)確,LSTM預(yù)測(cè)評(píng)價(jià)指標(biāo)MAE、RMSE、STD和R2_score分別為4.05、8.78、7.42和0.89,且預(yù)測(cè)結(jié)果符合美國(guó)醫(yī)療儀器促進(jìn)協(xié)會(huì)標(biāo)準(zhǔn)（MAE<5mmHg,STD<8mmHg）,而傳統(tǒng)RNN模型則為11.58、17.03、14.54和0.73。LSTM模型能較好地預(yù)測(cè)血壓參數(shù),在生物醫(yī)學(xué)領(lǐng)域有較高的應(yīng)用價(jià)值,其效果優(yōu)于傳統(tǒng)RNN模型。 

【文章來(lái)源】：軟件導(dǎo)刊. 2020,19(08)

【文章頁(yè)數(shù)】：5 頁(yè)

【部分圖文】：

RNN與LSTM結(jié)構(gòu)對(duì)比

預(yù)處理后PPG信號(hào)波形（10秒樣本）

預(yù)處理后ABP波形（10秒采樣）

【參考文獻(xiàn)】：
期刊論文
[1]基于LSTM等深度學(xué)習(xí)方法的股指預(yù)測(cè)研究[J]. 李佳,黃之豪,陳冬蘭.  軟件導(dǎo)刊. 2019(09)
[2]循環(huán)神經(jīng)網(wǎng)絡(luò)語(yǔ)言模型定點(diǎn)化優(yōu)化算法研究[J]. 王敏,曾浩.  軟件導(dǎo)刊. 2017(02)

博士論文
[1]基于脈搏波的無(wú)創(chuàng)連續(xù)血壓測(cè)量方法研究[D]. 李頂立.浙江大學(xué) 2008



本文編號(hào)：3424147