連續(xù)血壓的波形獲取對(duì)監(jiān)測(cè)人體健康狀況具有重要的意義。傳統(tǒng)的血壓預(yù)測(cè)方法大多是通過脈搏信號(hào)等參數(shù),逐點(diǎn)預(yù)測(cè)或者只能對(duì)高壓低壓進(jìn)行預(yù)測(cè),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(hào)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(duì)現(xiàn)有深度學(xué)習(xí)模型進(jìn)行改進(jìn)與創(chuàng)新,提出了三種連續(xù)血壓預(yù)測(cè)方法,并通過詳細(xì)的實(shí)驗(yàn)對(duì)比和結(jié)果分析,證明了這些基于深度學(xué)習(xí)的預(yù)測(cè)方法可以從脈搏信號(hào)中準(zhǔn)確預(yù)測(cè)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(yù)測(cè)方法。首先利用多個(gè)GRU通道提取脈搏中的特征,然后嵌入SENet模塊來學(xué)習(xí)多個(gè)通道之間的相互依賴關(guān)系,從而得到每個(gè)通道的權(quán)重,最后將權(quán)重加入到每個(gè)通道上,通過兩個(gè)Linear層整合,獲得預(yù)測(cè)的連續(xù)血壓值。實(shí)驗(yàn)結(jié)果表明,嵌入SENet可以有效增加多GRU結(jié)構(gòu)的預(yù)測(cè)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(wǎng)絡(luò)和GRU模型... 

【文章來源】：蘭州理工大學(xué)甘肅省

【文章頁數(shù)】：60 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

LSTM結(jié)構(gòu)

GRU結(jié)構(gòu)

基于深度學(xué)習(xí)的連續(xù)血壓預(yù)測(cè)研究6′=([1,]+)（2.2）完成以上兩個(gè)門的運(yùn)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(dāng)前的狀態(tài)值。從宏觀意義上講，就是根據(jù)之前的信息進(jìn)行新舊交替，更新狀態(tài)的地方。最后一個(gè)門為輸出門，負(fù)責(zé)輸出整個(gè)LSTM單元的最終狀態(tài)。首先運(yùn)行一個(gè)sigmoid函數(shù)來確定輸出部分，然后將更新好的值輸入一個(gè)雙曲正弦函數(shù)，最后兩個(gè)值相乘得到最終輸出。公式如下：=([1,]+),=tanh()（2.4）LSTM的計(jì)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(gè)門，它將LSTM的遺忘單元和輸入單元整合，形成更新門，結(jié)合了數(shù)據(jù)單元狀態(tài)和隱藏狀態(tài)，其結(jié)構(gòu)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(jié)構(gòu)圖2.2LSTM計(jì)算流程

【參考文獻(xiàn)】：
期刊論文
[1]基于多頭注意力機(jī)制和殘差神經(jīng)網(wǎng)絡(luò)的肽譜匹配打分算法[J]. 閔鑫,王海鵬,牟長寧.  計(jì)算機(jī)應(yīng)用. 2020(06)
[2]面向雙注意力網(wǎng)絡(luò)的特定方面情感分析模型[J]. 孫小婉,王英,王鑫,孫玉東.  計(jì)算機(jī)研究與發(fā)展. 2019(11)
[3]深度學(xué)習(xí)算法研究進(jìn)展[J]. 田啟川,王滿麗.  計(jì)算機(jī)工程與應(yīng)用. 2019(22)
[4]基于Multi-head Attention和Bi-LSTM的實(shí)體關(guān)系分類[J]. 劉峰,高賽,于碧輝,郭放達(dá).  計(jì)算機(jī)系統(tǒng)應(yīng)用. 2019(06)
[5]一種基于脈搏波法的腕式血壓計(jì)的設(shè)計(jì)[J]. 孫煜,馮秀麗.  中國醫(yī)療設(shè)備. 2018(12)
[6]基于卷積遞歸神經(jīng)網(wǎng)絡(luò)的血壓測(cè)量模型[J]. 張佳骕,顧林躍,姜少燕.  北京生物醫(yī)學(xué)工程. 2018(05)
[7]基于RNN的脈搏波血壓計(jì)的研究與實(shí)現(xiàn)[J]. 劉艷萍,李杰,金菲.  電子技術(shù)應(yīng)用. 2018(06)
[8]《中國心血管病報(bào)告2017》要點(diǎn)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(wǎng)絡(luò)的體域網(wǎng)多模態(tài)健康數(shù)據(jù)融合方法[J]. 史春燕,翟羽婷,王磊.  傳感技術(shù)學(xué)報(bào). 2017(10)
[10]基于小波分析與BP神經(jīng)網(wǎng)絡(luò)的人體血壓預(yù)測(cè)[J]. 方杰,張征.  計(jì)算機(jī)系統(tǒng)應(yīng)用. 2017(08)

博士論文
[1]基于深度神經(jīng)網(wǎng)絡(luò)的連續(xù)無創(chuàng)血壓檢測(cè)及其應(yīng)用研究[D]. 吳丹.中國科學(xué)院大學(xué)(中國科學(xué)院深圳先進(jìn)技術(shù)研究院) 2017

碩士論文
[1]基于深度學(xué)習(xí)與自注意力機(jī)制的情感分類方法研究[D]. 祝元勃.西安理工大學(xué) 2019
[2]基于多頭注意力機(jī)制的視頻描述生成算法研究[D]. 陳明.浙江大學(xué) 2019
[3]基于Elman神經(jīng)網(wǎng)絡(luò)的無創(chuàng)連續(xù)血壓測(cè)量方法研究[D]. 王月猛.吉林大學(xué) 2018
[4]循環(huán)神經(jīng)網(wǎng)絡(luò)門結(jié)構(gòu)模型研究[D]. 余昉恒.浙江大學(xué) 2018
[5]基于集成學(xué)習(xí)與規(guī)則提取的多標(biāo)記學(xué)習(xí)方法在高血壓證素辯證中的研究[D]. 朱燦杰.深圳大學(xué) 2017
[6]基于神經(jīng)網(wǎng)絡(luò)血壓預(yù)測(cè)研究與系統(tǒng)實(shí)現(xiàn)[D]. 陳少吉.華南理工大學(xué) 2015



本文編號(hào)：3445225