基于深度學習的連續(xù)血壓預測方法研究
發(fā)布時間：2021-10-19 16:31
連續(xù)血壓的波形獲取對監(jiān)測人體健康狀況具有重要的意義。傳統(tǒng)的血壓預測方法大多是通過脈搏信號等參數,逐點預測或者只能對高壓低壓進行預測,無法快速獲得完整精確的連續(xù)血壓波形。因此,怎樣由脈搏信號獲取連續(xù)血壓波形是亟需解決的問題。本文圍繞這一問題,通過對現有深度學習模型進行改進與創(chuàng)新,提出了三種連續(xù)血壓預測方法,并通過詳細的實驗對比和結果分析,證明了這些基于深度學習的預測方法可以從脈搏信號中準確預測出連續(xù)血壓波形。本文的主要工作如下:（1）提出了嵌入SENet（Sequeeze-and-Excitation Network）的多門控循環(huán)單元（Gated Recurrent Unit,GRU）連續(xù)血壓預測方法。首先利用多個GRU通道提取脈搏中的特征,然后嵌入SENet模塊來學習多個通道之間的相互依賴關系,從而得到每個通道的權重,最后將權重加入到每個通道上,通過兩個Linear層整合,獲得預測的連續(xù)血壓值。實驗結果表明,嵌入SENet可以有效增加多GRU結構的預測能力,得到良好的連續(xù)血壓波形,與未嵌入SENet的長短期記憶（Long Sho rt-Term Memory,LSTM）網絡和GRU模型...
【文章來源】：蘭州理工大學甘肅省
【文章頁數】：60 頁
【學位級別】：碩士
【部分圖文】：
LSTM結構
GRU結構
基于深度學習的連續(xù)血壓預測研究6′=([1,]+)（2.2）完成以上兩個門的運算之后，接下來更新舊單元的狀態(tài)。即把1更新成。公式為：=1+′（2.3）表示用舊的狀態(tài)與遺忘門的輸出相乘，加上候選值′與輸入門的輸出相乘，得到的值為當前的狀態(tài)值。從宏觀意義上講，就是根據之前的信息進行新舊交替，更新狀態(tài)的地方。最后一個門為輸出門，負責輸出整個LSTM單元的最終狀態(tài)。首先運行一個sigmoid函數來確定輸出部分，然后將更新好的值輸入一個雙曲正弦函數，最后兩個值相乘得到最終輸出。公式如下：=([1,]+),=tanh()（2.4）LSTM的計算流程如圖2.2所示。LSTM提出后發(fā)展出了很多變種，其中比較有名的是GRU。GRU只有兩個門，它將LSTM的遺忘單元和輸入單元整合，形成更新門，結合了數據單元狀態(tài)和隱藏狀態(tài)，其結構如圖2.3所示。其中，用于決定遺忘程度的重置門如式（2.5）所示：=([1,]+)（2.5）用于決定保留和遺忘信息的更新門如式（2.6）所示：=([1,]+)（2.6）圖2.3GRU結構圖2.2LSTM計算流程
【參考文獻】：
期刊論文
[1]基于多頭注意力機制和殘差神經網絡的肽譜匹配打分算法[J]. 閔鑫,王海鵬,牟長寧. 計算機應用. 2020(06)
[2]面向雙注意力網絡的特定方面情感分析模型[J]. 孫小婉,王英,王鑫,孫玉東. 計算機研究與發(fā)展. 2019(11)
[3]深度學習算法研究進展[J]. 田啟川,王滿麗. 計算機工程與應用. 2019(22)
[4]基于Multi-head Attention和Bi-LSTM的實體關系分類[J]. 劉峰,高賽,于碧輝,郭放達. 計算機系統(tǒng)應用. 2019(06)
[5]一種基于脈搏波法的腕式血壓計的設計[J]. 孫煜,馮秀麗. 中國醫(yī)療設備. 2018(12)
[6]基于卷積遞歸神經網絡的血壓測量模型[J]. 張佳骕,顧林躍,姜少燕. 北京生物醫(yī)學工程. 2018(05)
[7]基于RNN的脈搏波血壓計的研究與實現[J]. 劉艷萍,李杰,金菲. 電子技術應用. 2018(06)
[8]《中國心血管病報告2017》要點解讀[J]. 馬麗媛,吳亞哲,王文,陳偉偉. 中國心血管雜志. 2018(01)
[9]基于貝葉斯網絡的體域網多模態(tài)健康數據融合方法[J]. 史春燕,翟羽婷,王磊. 傳感技術學報. 2017(10)
[10]基于小波分析與BP神經網絡的人體血壓預測[J]. 方杰,張征. 計算機系統(tǒng)應用. 2017(08)
博士論文
[1]基于深度神經網絡的連續(xù)無創(chuàng)血壓檢測及其應用研究[D]. 吳丹.中國科學院大學(中國科學院深圳先進技術研究院) 2017
碩士論文
[1]基于深度學習與自注意力機制的情感分類方法研究[D]. 祝元勃.西安理工大學 2019
[2]基于多頭注意力機制的視頻描述生成算法研究[D]. 陳明.浙江大學 2019
[3]基于Elman神經網絡的無創(chuàng)連續(xù)血壓測量方法研究[D]. 王月猛.吉林大學 2018
[4]循環(huán)神經網絡門結構模型研究[D]. 余昉恒.浙江大學 2018
[5]基于集成學習與規(guī)則提取的多標記學習方法在高血壓證素辯證中的研究[D]. 朱燦杰.深圳大學 2017
[6]基于神經網絡血壓預測研究與系統(tǒng)實現[D]. 陳少吉.華南理工大學 2015
本文編號：3445225
【文章來源】：蘭州理工大學甘肅省
【文章頁數】：60 頁
【學位級別】：碩士
【部分圖文】：
LSTM結構
GRU結構
基于深度學習的連續(xù)血壓預測研究6′=([1,]+)（2.2）完成以上兩個門的運算之后，接下來更新舊單元的狀態(tài)。即把1更新成。公式為：=1+′（2.3）表示用舊的狀態(tài)與遺忘門的輸出相乘，加上候選值′與輸入門的輸出相乘，得到的值為當前的狀態(tài)值。從宏觀意義上講，就是根據之前的信息進行新舊交替，更新狀態(tài)的地方。最后一個門為輸出門，負責輸出整個LSTM單元的最終狀態(tài)。首先運行一個sigmoid函數來確定輸出部分，然后將更新好的值輸入一個雙曲正弦函數，最后兩個值相乘得到最終輸出。公式如下：=([1,]+),=tanh()（2.4）LSTM的計算流程如圖2.2所示。LSTM提出后發(fā)展出了很多變種，其中比較有名的是GRU。GRU只有兩個門，它將LSTM的遺忘單元和輸入單元整合，形成更新門，結合了數據單元狀態(tài)和隱藏狀態(tài)，其結構如圖2.3所示。其中，用于決定遺忘程度的重置門如式（2.5）所示：=([1,]+)（2.5）用于決定保留和遺忘信息的更新門如式（2.6）所示：=([1,]+)（2.6）圖2.3GRU結構圖2.2LSTM計算流程
【參考文獻】：
期刊論文
[1]基于多頭注意力機制和殘差神經網絡的肽譜匹配打分算法[J]. 閔鑫,王海鵬,牟長寧. 計算機應用. 2020(06)
[2]面向雙注意力網絡的特定方面情感分析模型[J]. 孫小婉,王英,王鑫,孫玉東. 計算機研究與發(fā)展. 2019(11)
[3]深度學習算法研究進展[J]. 田啟川,王滿麗. 計算機工程與應用. 2019(22)
[4]基于Multi-head Attention和Bi-LSTM的實體關系分類[J]. 劉峰,高賽,于碧輝,郭放達. 計算機系統(tǒng)應用. 2019(06)
[5]一種基于脈搏波法的腕式血壓計的設計[J]. 孫煜,馮秀麗. 中國醫(yī)療設備. 2018(12)
[6]基于卷積遞歸神經網絡的血壓測量模型[J]. 張佳骕,顧林躍,姜少燕. 北京生物醫(yī)學工程. 2018(05)
[7]基于RNN的脈搏波血壓計的研究與實現[J]. 劉艷萍,李杰,金菲. 電子技術應用. 2018(06)
[8]《中國心血管病報告2017》要點解讀[J]. 馬麗媛,吳亞哲,王文,陳偉偉. 中國心血管雜志. 2018(01)
[9]基于貝葉斯網絡的體域網多模態(tài)健康數據融合方法[J]. 史春燕,翟羽婷,王磊. 傳感技術學報. 2017(10)
[10]基于小波分析與BP神經網絡的人體血壓預測[J]. 方杰,張征. 計算機系統(tǒng)應用. 2017(08)
博士論文
[1]基于深度神經網絡的連續(xù)無創(chuàng)血壓檢測及其應用研究[D]. 吳丹.中國科學院大學(中國科學院深圳先進技術研究院) 2017
碩士論文
[1]基于深度學習與自注意力機制的情感分類方法研究[D]. 祝元勃.西安理工大學 2019
[2]基于多頭注意力機制的視頻描述生成算法研究[D]. 陳明.浙江大學 2019
[3]基于Elman神經網絡的無創(chuàng)連續(xù)血壓測量方法研究[D]. 王月猛.吉林大學 2018
[4]循環(huán)神經網絡門結構模型研究[D]. 余昉恒.浙江大學 2018
[5]基于集成學習與規(guī)則提取的多標記學習方法在高血壓證素辯證中的研究[D]. 朱燦杰.深圳大學 2017
[6]基于神經網絡血壓預測研究與系統(tǒng)實現[D]. 陳少吉.華南理工大學 2015
本文編號：3445225
本文鏈接：http://sikaile.net/kejilunwen/zidonghuakongzhilunwen/3445225.html
