典型文献
基于GRU神经网络的脉搏波波形预测方法研究
文献摘要：
随着生活水平的提高,人们对健康的关注度越来越高,尤其是适应快节奏生活的手环等便携式生理监测设备,备受人们青睐.光电容积脉搏波描记法(PPG)作为一种无创人体脉搏采集手段,被广泛应用于此类设备中.人体脉搏中包含很多生理信息,如血压、血糖、动脉硬化等,为了对这些信息进行提取和分析,目前主要采用机器学习的方法,通过提取脉搏波中的特征点计算特征参数进而建立生理参数模型.但此类方法需要大量且长期的脉搏数据,用于提高生理参数模型的精度,而长期的数据采集受环境限制较大且与便携式生理监测设备设计理念冲突,并且对脉搏波预测的研究存在空白.针对此问题,本文使用Colaboratory建立GRU神经网络模型与LSTM网络模型分别对脉搏波数据进行预测,并对影响模型性能的主要参数进行对比调参.而由自动化机器学习工具AutoML_Alex针对脉搏波数据分析并择优建立的LightGBM网络可以作为具有参考价值的基线模型.通过以上3个模型针对从不同个体采集到的大量脉搏波数据进行建模,对比其平均绝对百分比误差MAPE,LSTM为0.879％,单层GRU为0.852％,LightGBM为0.842％,4层GRU模型为0.828％,进而应用到不同个体上发现单层GRU模型的稳定性(MAPE)要优于其他模型.本文以GRU网络建立的脉搏波预测模型以不同个体短期脉搏数据为蓝本,对不同个体的长期脉搏波数据进行预测,进而对人体的动脉硬化生理情况进行监测达到早期发现早期预防的目的,同时为便携式生理监测设备提供技术和数据支持.
文献关键词：
GRU;光电容积脉搏波;脉搏波预测;生理参数监测;数据支持
中图分类号：
作者姓名：
朱凌建;陈剑虹;王裕鑫;郑铱;王森;荀子涵
作者机构：
西安理工大学机械与精密仪器工程学院 西安 710048
文献出处：
引用格式：
[1]朱凌建;陈剑虹;王裕鑫;郑铱;王森;荀子涵-.基于GRU神经网络的脉搏波波形预测方法研究)[J].电子测量与仪器学报,2022(05):242-248
A类：
多生理信息,脉搏波预测,Colaboratory
B类：
GRU,波波,快节奏,手环,便携式,生理监测,监测设备,光电容积脉搏波描记法,PPG,无创,动脉硬化,特征点,立生,参数模型,设备设计,波数,影响模型,模型性能,主要参数,自动化机器学习,学习工具,AutoML,Alex,择优,LightGBM,基线模型,平均绝对百分比误差,MAPE,蓝本,早期发现,早期预防,生理参数监测
AB值：
0.252328
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
