CN117426754A - 基于pnn-lvq的特征权重自适应脉搏波分类方法 - Google Patents

基于pnn-lvq的特征权重自适应脉搏波分类方法 Download PDF

Info

Publication number
CN117426754A
CN117426754A CN202311773487.2A CN202311773487A CN117426754A CN 117426754 A CN117426754 A CN 117426754A CN 202311773487 A CN202311773487 A CN 202311773487A CN 117426754 A CN117426754 A CN 117426754A
Authority
CN
China
Prior art keywords
layer
pnn
lvq
weight
pulse wave
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202311773487.2A
Other languages
English (en)
Other versions
CN117426754B (zh
Inventor
孙启玉
王停停
高亚欣
刘肖
刘晓芳
崔苗苗
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong Fengshi Information Technology Co ltd
Original Assignee
Shandong Fengshi Information Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shandong Fengshi Information Technology Co ltd filed Critical Shandong Fengshi Information Technology Co ltd
Priority to CN202311773487.2A priority Critical patent/CN117426754B/zh
Publication of CN117426754A publication Critical patent/CN117426754A/zh
Application granted granted Critical
Publication of CN117426754B publication Critical patent/CN117426754B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/021—Measuring pressure in heart or blood vessels
    • A61B5/02108—Measuring pressure in heart or blood vessels from analysis of pulse wave characteristics
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2131—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on a transform domain processing, e.g. wavelet transform
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Medical Informatics (AREA)
  • Physiology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Mathematical Physics (AREA)
  • Surgery (AREA)
  • Pathology (AREA)
  • Public Health (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Signal Processing (AREA)
  • Cardiology (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Psychiatry (AREA)
  • Vascular Medicine (AREA)
  • Fuzzy Systems (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)

Abstract

本发明涉及一种基于PNN‑LVQ的特征权重自适应脉搏波分类方法，属于脉冲信号处理和健康信息数据处理技术领域。本发明采用矩阵脉搏波信号，采用PCA方法降维，通过PNN‑LVQ网络训练，完成对PNN网络竞争层的优化，采用先进鲸鱼算法优化PNN‑LVQ网络的输入信号，对特征信号进行权重自适应调整，本发明能够提取含有脉搏波幅值较高的数据信息，并且可避免了过程中由于测量移动带来的误差，分类准确率较高，训练速度较快。

Description

基于PNN-LVQ的特征权重自适应脉搏波分类方法
技术领域
本发明涉及一种脉搏波的分类识别方法，特别涉及一种基于PNN-LVQ的特征权重自适应脉搏波分类方法，属于脉冲信号处理和健康信息数据处理技术领域。
背景技术
中医通过诊断寸、关、尺等位置，诊断患者的身体状况，随着现代科学技术的发展，针对脉搏检查客观性的研究取得了很大的进展。脉搏诊断仪器基于中医理论，收集桡动脉的脉动信息，用于患者整体生理和病理信息分析。这些设备在脉冲采集中，将脉压和节拍转换为数字信号，记录了大量的脉搏波数据，这为利用机器学习技术进行特征信息分类识别提供了数据基础。而脉搏波的标注费力耗时，现有公开有标注脉搏波数据库的样本量不足以训练出一个高准确率、泛化性高的分类模型。脉搏波数据集的小样本特性导致监督学习训练出的分类模型特征表达能力不足，过拟合风险高。
由于脉搏波数据信号是心脏的搏动（振动）沿动脉血管和血流向外周传播而形成的，较为微弱，容易受运动、情绪以及其他信号干扰，因此需要对脉搏波数据进行预处理，而对脉搏波数据信号的采集与噪声滤波是较为困难的问题。另外脉搏波数据采集还存在定位困难的问题，若采用单个压力传感器采集脉搏波信号，会存在难以定位的问题；采用矩阵传感器可以规避脉搏点定位问题，但是也带来了除脉搏点以外其他传感器带来的信号干扰，因为脉搏波信号频率较低，细小的干扰信号很难从被干扰的脉搏波信号中滤波出来。
发明内容
本发明的目的是克服上述不足而提供一种基于PNN-LVQ的特征权重自适应脉搏波分类方法，一方面避免了由于脉搏波小样本导致分类准确率低的问题，另一方面避免了边缘化特征信号干扰导致的分类结果差的问题。
本发明采取的技术方案为：
基于PNN-LVQ的特征权重自适应脉搏波分类方法，包括步骤如下：
S1. 通过有矩阵传感器的脉诊器获取被检测者原始矩阵脉搏波信号；
S2. 对采集的矩阵脉搏波信号进行去除背景噪声和基线漂移预处理；
S3. 对预处理后的脉搏波信息采用主成分分析法PCA进行降维处理；
S4. 搭建PNN概率神经网络结构，采用降维后的特征信息作为输入信号进行学习；
S5. 采用LVQ网络（学习矢量量化网络）学习算法对PNN概率神经网络输出层进行有监督训练调整最接近输入信号的两个神经元之间的权重实现分类优化；
S6. 采用改进的鲸鱼优化算法对PNN-LVQ网络的输入特征信号进行自适应调整特征值的权重，重新输入PNN-LVQ网络实现训练；
S7. 用训练好的网络对待测脉搏波信号分类。
上述方法中，步骤S2所述的预处理为采用零相位滤波器去除背景噪声，以及采用小波级联自适应滤波器去除基线漂移。
步骤S3中降维处理过程是先计算样本的协方差矩阵的特征向量和特征值，取协方差矩阵的前n个特征值计算贡献度，取贡献度≥0.9的前p个特征值，然后根据特征值从上到下排列特征向量，形成一个矩阵P，特征提取后的p维向量表示为U=PX变换，X表示输入信号，输出信号U。
步骤S4所述的PNN概率神经网络结构包括输入层、隐含层、输出层，网络中间的两层为隐含层，模式层为第一隐含层，通过连接权重与输入层连接，求和层为第二隐含层，对第一隐含层的输出进行有选择地求和，最后一层为输出层；将输入向量传递给输入层，根据连接权重设置模式层神经元分配数，求和层有选择地对模式层的输出进行求和，输出层通过竞争完成输入数据的分类。
步骤S5采用LVQ网络包括输入层、竞争层、输出层，PNN概率神经网络求和层的输出为LVQ网络的输入，输入层与竞争层之间通过权重值全连接，输出层与竞争层之间是部分连接，且权重固定为1，LVQ网络的学习算法包括两个阶段：
第一个阶段采用PNN概率神经网络求和层的输出数据为输入进行网络训练，训练结束之后每个神经元都形成一个聚类区，并有相应标号，输出标号和训练得到LVQ网络的输入层与竞争层之间权重（即PNN概率神经网络求和层与输出层的网络权重，因为输出层与竞争层之间的连接权重恒为1）矢量；
第二阶段采用PNN概率神经网络的求和层输出数据以及第一阶段的聚类区标号为输入信号，初始权重是第一阶段得到的学习结果，并按照时序进行网络训练，最后输出训练出的LVQ网络的输入层与竞争层之间权重，从而通过监督学习调整最接近输入信号的2个神经元之间的权重，完成对PNN概率神经网络输出层的优化。
步骤S6中用改进的鲸鱼优化算法对PNN-LVQ网络的输入特征信号进行自适应调整特征值的权重的过程为：鲸鱼种群初始化，随机生成输入特征信号的权重，计算个体自适应度，并记录全局最优解获取最优鲸鱼位置，计算鲸鱼算法的惯性权重z和概率阈值Q（为了防止算法陷入局部最优解，在随机阶段根据Q来选取随机搜索的更新方式），根据全局最优原则，先自适应调整权重螺旋更新，然后自适应调整权重收缩包围，再随机搜索，更新当前鲸鱼位置直到迭代次数达到迭代值或分类结果准确率达到满意度，将所得到的最优解作为输入信号中特征参数的系数组成网络新的输入信号， 再通过PNN-LVQ网络实现训练。
基于PNN-LVQ的特征权重自适应脉搏波分类装置，包括带矩阵压力传感器的脉搏数据采集模块，用于获取原始矩阵脉搏波信息；数据预处理模块，用于对采集的矩阵脉搏波信号进行去除背景噪声和基线漂移预处理；降维处理模块，用于对预处理后的脉搏波信息进行降维处理；模型数据处理模块，用于对降维后的数据基于PNN-LVQ网络进行训练和权重优化，用于通过改进的鲸鱼算法进行自适应调整特征值的权重和训练；数据分类模块，用于实现脉搏波信号分类。
本发明的有益效果是：
（1）本发明采用矩阵脉搏波信号，避免了单传感脉搏信号定位不准确的问题；通过预处理去除采集过程中由于外界和自身呼吸等因素导致的噪声和基线漂移；对于矩阵中外围传感器的信号干扰，采用PCA方法降维，提取出包含脉搏波信号较多的传感器数据，从而滤除最外周的干扰信号；
（2）通过PNN-LVQ网络训练，实现对脉搏波信号的分类，利用LVQ通过监督学习调整最接近输入信号的2个神经元之间的权重，完成对PNN网络竞争层的优化，弥补PNN的无监督学习输出的缺陷；
（3）采用先进鲸鱼算法优化PNN-LVQ网络的输入信号，对特征信号进行权重自适应调整，从而避免因前面的降维，导致的过度筛选，只是去除最外周信号保留下来的特征信号依然不是最优的问题；
（4）本发明方法一方面避免了由于脉搏波小样本导致分类准确率低的问题，另一方面自适应调整特征值的权重，避免了边缘化特征信号干扰导致的分类结果差的问题。本发明能够提取含有脉搏波幅值较高的数据信息，并且可避免了过程中由于测量移动带来的误差，分类准确率较高，训练速度较快。
附图说明
图1为本发明方法的流程图；
图2为本发明方法模型训练的逻辑流程图；
图3为本发明实施例采集矩阵脉搏波信号的矩阵传感器的排列示意图；
图4为原始脉搏数据信号图；
图5为脉搏波信息数据预处理的步骤流程图；
图6为单个传感器下预处理后的信号结果图；
图7为本发明方法的模型网络结构示意图。
具体实施方式
下面结合具体实施例进一步说明本发明。
实施例1 基于PNN-LVQ的特征权重自适应脉搏波分类方法，包括步骤（如图1）如下：
S1. 通过有矩阵传感器的脉诊器获取被检测者原始矩阵脉搏波信号：
采用矩阵式压力传感器对脉搏波信号进行采集，矩阵式压力传感器的空间结构排布如图3所示，通过脉搏波地跳动使得压力传感器的阻值发生相应变化，从而使得电压值输出表征脉搏波信号，将矩阵式压力传感器放置手腕处的寸关尺位置即可实现脉搏信号采集，如图4所示，为其中一位被监测者的脉搏信号。
S2. 对采集的矩阵脉搏波信号进行去除背景噪声和基线漂移预处理（如图5）：
（2.1）设计两5阶巴特沃斯滤波器h(n)，一个截至频率为0.5Hz的高通滤波器消除低频变化，一个截止频率为25Hz的低通滤波器进行噪声调整；
（2.2）对零相位滤波之后的脉搏波信号进行基线漂移电平检测，首先对上述滤波后的脉搏波信号进行小波分解；
（2.3）计算上述信号能量比(ER)，计算方式如下所示：
，
其中，A1和A6是脉冲信号的第一和第六近似，||||为二范数，mean(A1)和mean(A6)为A1和A6的平均值；
若ER<50dB时，采用小波的联合时频特性去除过多的基线漂移，反之，不对脉冲信号处理；
（2.4）对于步骤（2.3）所输出的信号采用三次样条插值法进行滤波；
（2.5）将步骤（2.3）的输出信号减去步骤（2.4）三次样条插值后的滤波信号便得到去除基线漂移后的信号。
以其中一位被监测者的脉搏波数据信息为例，根据以上数据预处理步骤进行相应处理，为了更好的看出效果，以单个传感器的数据结果对比，如图6所示。
S3. 对预处理后的脉搏波信息采用主成分分析法PCA进行降维处理：
（3.1）所述预处理后的脉搏波信息数据有M个样本，模型有N个输出，每个样本X i 的脉搏波数据样本是一个v维向量，计算样本的协方差矩阵X i,conv ，计算公式如下：
，
其中，x wi 、分别为样本X i 第w列的脉搏幅值及其平均值；
（3.2）计算协方差矩阵的特征向量和特征值，取协方差矩阵的前n个特征值计算贡献度，取贡献度≥0.9的前p个特征值，计算公式如下，
，
其中，θ p 为协方差矩阵前p个特征值的贡献度；λ i 为协方差矩阵的第i个特征值；
（3.3）根据特征值从上到下排列特征向量，形成一个矩阵P=[p 1,p 2,…,p p］，特征提取后的p维向量表示为U=PX，得到的p维向量可以保留原始数据的主要信息量，将U作为下一步的输入。
若所选用的数据集有216个样本，模型有2个输出，每个样本为1339*48的矩阵传感器数据，但是对于个别传感器数据中，所包含的脉搏波信息较少，降维处理可以消除输入信号之间的相关性，同时由于特征提取后的向量维数p远小于原始信号维数v，在尽量减少原始输入信号信息量损失的前提下，降低了输入信号的维数，从原始信号方面降低了网络结构复杂度。
S4. 搭建PNN概率神经网络结构，采用降维后的特征信息作为输入信号进行学习（见图7中）：
（4.1）确定输入层，只需要将输入向量X=[x 1,x 2,…,x m]传递给网络；
（4.2）确定隐含层，网络中间的两层为隐含层，模式层为第一隐含层，通过连接权重与输入层连接，求和层为第二隐含层，对第一隐含层的输出进行有选择地求和，根据PCA的物理意义来调整网络第一隐含层的神经元设置，原始信号经过PCA处理后，越大的特征值其所包含的信息越多，模式层应分配更多的神经元进行计算，设模式层中神经元的总数为D，则分配给输入p i的神经元数目d i为：
，
其中，[·]为就近取整函数，λ i 为第i组的特征值；
（4.3）最后一层为输出层，输出层通过竞争完成输入数据分类；
使用PCA对原始信号进行预处理后，以尽量保留主要信息为前提，得到降维后的信号U作为网络的输入，网络结构的复杂度得到降低；同时以特征值的大小来调整神经元的数目，使PNN网络的结构脱离传统的试验，实现结构优化。
S5. 采用LVQ网络（学习矢量量化网络）学习算法对PNN概率神经网络输出层进行有监督训练调整最接近输入信号的两个神经元之间的权重实现分类优化：
分两个阶段，第一阶段：
（5.1）给定数据U=[U 1,U 2 ,…,U p］，设定网络竞争层学习速率为η k ，LVQ网络的输入层与竞争层之间权矢量（即PNN概率神经网络求和层与输出层的网络权重，因为输出层与竞争层之间的连接权重恒为1）为W j ；
其中，L表示向量总数，k=1,2,…,K，k表示迭代次数，K表示迭代总次数，初始学习速率为η 1，初始权矢量为W j ，j=1,2,…,v；
（5.2）取一个输入信号，计算网络竞争层输入信号的加权总和，求出胜出的编号/>；
其中，w ji 表示第j个神经元的第i个连接权重，u表示竞争层关联权重w ji 的输入；
根据训练结果调整学习速率η k 及网络的权矢量W j ，学习速率调整公式如下：
；
权矢量值按照以下公式进行调整：
当时，
，
当时，
，
其中，表示第k次迭代从训练数据集中取出的输入信号，y j 表示第j个神经元，表示网络竞争层输入信号的加权总和的最大项。
（5.3）判断k和K（k表示当前迭代次数，K为最大迭代次数）的大小，如果k≤K，转步骤（5.2），如果k>K，输出计算结果，在上述3个步骤的基础上，将计算得到的结果作为初始权矢量重新进行训练，从而调整最接近输入向量的2个神经元之间的权重，使其中一个对应正确分类结果，另一个对应错误分类结果；
第二阶段：
（5.4）初始权矢量用第一阶段的学习结果，并按照时序k进行迭代计算，对于一组输入数据集U i ，计算样本中心：
，
其中，p是由步骤S3求出的；
（5.5）设样本中心对应的获胜神经元为y j ，第k次从训练数据集中取向量u(k)输入网络，设网络对u(k)的判断类别为第一获胜者，记为/>，判断类别为第二获胜者，记为/>，每个竞争神经元之间的欧式距离有如下关系：
，
其中，表示第一获胜者的权矢量，/>表示第二获胜者的权矢量，/>表示竞争神经元的权矢量，t代表类别号；
（5.6）定义一个窗口值 ε（随意设的一个较小的值），当时，其中，
，/>，按下式对权矢量进行调整：
，
（5.7）判断k和K的大小，如果k≤K，按上式调整学习速率，转步骤（5.5）；如果k>K，保存PNN概率神经网络求和层与输出层的网络权重W，监督训练结束。
本专利采用90%的贡献率进行降维，结合脉搏波的数据特点，选取数据长度为16，并将特征值从大到小排列后，选取前16个特征值及其对应的特征向量P=[p 1,p 2,…,p p］，则降维后的数据表示为Y=PX，实现了模型的输入端的优化。对所采集的数据按照7：3的比例拆分为训练集和测试集。
S6. 采用改进的鲸鱼优化算法对PNN-LVQ网络的输入特征信号进行自适应调整特征值的权重，重新输入PNN-LVQ网络实现训练：
PCA降维后的数据为输入信号，首先初始化输入信号特征向量的权重为单位矩阵，然后采用改进的鲸鱼优化算法，根据PNN-LVQ网络的分类准确率，对特征向量的权重进行自适应调整。
改进的鲸鱼优化算法步骤参考文献《基于自适应调整权重和搜索策略的鲸鱼优化算法》.东北大学学报第1期第41卷.第36-38页，完成对脉搏波输入信号权重的自适应调整。考虑到全局寻优的收敛速度，针对于参考文献《基于自适应调整权重和搜索策略的鲸鱼优化算法》中，对鲸鱼个体的适应度按照升序排序，强化适应度好的鲸鱼个体的学习经验，在最优解存在概率较大的区域内进行更精细的探索，从而加快收敛速度。
举例说明，初始化参数分别设置种群规模N=30，最大迭代次数t max =500，常数b=1设置参数，个体自适应度为网络输出准确度，将所得到的最优解作为特征参数的系数组成网络新的输入信号，再通过PNN-LVQ网络实现训练。
对于算法分类结果，采用分类准确率和运算时间作为评价指标，几个算法的分类对比如表1所示，其中，
分类准确率=，
其中，TP为脉搏波实际标签为正常且模型预测正常的样本数，TN为脉搏波实际标签为疾病且被模型预测为疾病的样本数，FP为脉搏波实际标签为正常且模型预测为疾病的样本数，FN为实际标签为疾病且模型预测为正常的样本数。本发明方法的准确率最高，运算时间也较快。
表1
。
实施例2：基于PNN-LVQ的特征权重自适应脉搏波分类装置，包括带矩阵压力传感器的脉搏数据采集模块，用于获取原始矩阵脉搏波信息；数据预处理模块，用于对采集的矩阵脉搏波信号进行去除背景噪声和基线漂移预处理；降维处理模块，用于对预处理后的脉搏波信息进行降维处理；模型数据处理模块，用于对降维后的数据基于PNN-LVQ网络进行训练和权重优化，用于通过改进的鲸鱼算法进行自适应调整特征值的权重和训练；数据分类模块，用于实现脉搏波信号分类。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。

Claims (7)

1.基于PNN-LVQ的特征权重自适应脉搏波分类方法，其特征是，包括步骤如下：
S1. 通过有矩阵传感器的脉诊器获取被检测者原始矩阵脉搏波信号；
S2. 对采集的矩阵脉搏波信号进行去除背景噪声和基线漂移预处理；
S3. 对预处理后的脉搏波信息采用主成分分析法PCA进行降维处理；
S4. 搭建PNN概率神经网络结构，采用降维后的特征信息作为输入信号进行学习；
S5. 采用LVQ网络学习算法对PNN概率神经网络输出层进行有监督训练调整最接近输入信号的两个神经元之间的权重实现分类优化；
S6. 采用改进的鲸鱼优化算法对PNN-LVQ网络的输入特征信号进行自适应调整特征值的权重，重新输入PNN-LVQ网络实现训练；
S7. 用训练好的网络对待测脉搏波信号分类。
2.根据权利要求1所述的基于PNN-LVQ的特征权重自适应脉搏波分类方法，其特征是，步骤S2所述的预处理为采用零相位滤波器去除背景噪声，以及采用小波级联自适应滤波器去除基线漂移。
3.根据权利要求1所述的基于PNN-LVQ的特征权重自适应脉搏波分类方法，其特征是，步骤S3中降维处理过程是先计算样本的协方差矩阵的特征向量和特征值，取协方差矩阵的前n个特征值计算贡献度，取贡献度≥0.9的前p个特征值，然后根据特征值从上到下排列特征向量，形成一个矩阵P，特征提取后的p维向量表示为U=PX变换，X表示输入信号，输出信号U。
4.根据权利要求1所述的基于PNN-LVQ的特征权重自适应脉搏波分类方法，其特征是，步骤S4所述的PNN概率神经网络结构包括输入层、隐含层、输出层，网络中间的两层为隐含层，模式层为第一隐含层，通过连接权重与输入层连接，求和层为第二隐含层，对第一隐含层的输出进行有选择地求和，最后一层为输出层；将输入向量传递给输入层，根据连接权重设置模式层神经元分配数，求和层有选择地的对模式层的输出进行求和，输出层通过竞争完成输入数据的分类。
5.根据权利要求1所述的基于PNN-LVQ的特征权重自适应脉搏波分类方法，其特征是，步骤S5采用LVQ网络包括输入层、竞争层、输出层，PNN概率神经网络求和层的输出为LVQ网络的输入，输入层与竞争层之间通过权重值全连接，输出层与竞争层之间是部分连接，且权重固定为1，LVQ网络的学习算法包括两个阶段：
第一个阶段采用PNN概率神经网络求和层的输出数据为输入进行网络训练，训练结束之后每个神经元都形成一个聚类区，并有相应标号，输出标号和训练得到的LVQ网络的输入层与竞争层之间权重矢量；
第二阶段采用PNN概率神经网络的求和层输出数据以及第一阶段的聚类区标号为输入信号，初始权重是第一阶段得到的学习结果，并按照时序进行网络训练，最后输出训练出的LVQ网络的输入层与竞争层之间权重，从而通过监督学习调整最接近输入信号的2个神经元之间的权重，完成对PNN概率神经网络输出层的优化。
6.根据权利要求1所述的基于PNN-LVQ的特征权重自适应脉搏波分类方法，其特征是，步骤S6中用改进的鲸鱼优化算法对PNN-LVQ网络的输入特征信号进行自适应调整特征值的权重的过程为：鲸鱼种群初始化，随机生成输入特征信号的权重，计算个体自适应度，并记录全局最优解获取最优鲸鱼位置，计算鲸鱼算法的惯性权重z和概率阈值Q，根据全局最优原则，先自适应调整权重螺旋更新，然后自适应调整权重收缩包围，再随机搜索，更新当前鲸鱼位置直到迭代次数达到迭代值或分类结果准确率达到满意度，将所得到的最优解作为输入信号中特征参数的系数组成网络新的输入信号，再通过PNN-LVQ网络实现训练。
7.基于PNN-LVQ的特征权重自适应脉搏波分类装置，其特征是，包括带矩阵压力传感器的脉搏数据采集模块，用于获取原始矩阵脉搏波信息；数据预处理模块，用于对采集的矩阵脉搏波信号进行去除背景噪声和基线漂移预处理；降维处理模块，用于对预处理后的脉搏波信息进行降维处理；模型数据处理模块，用于对降维后的数据基于PNN-LVQ网络进行训练和权重优化，用于通过改进的鲸鱼算法进行自适应调整特征值的权重和训练；数据分类模块，用于实现脉搏波信号分类。
CN202311773487.2A 2023-12-22 2023-12-22 基于pnn-lvq的特征权重自适应脉搏波分类方法 Active CN117426754B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311773487.2A CN117426754B (zh) 2023-12-22 2023-12-22 基于pnn-lvq的特征权重自适应脉搏波分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311773487.2A CN117426754B (zh) 2023-12-22 2023-12-22 基于pnn-lvq的特征权重自适应脉搏波分类方法

Publications (2)

Publication Number Publication Date
CN117426754A true CN117426754A (zh) 2024-01-23
CN117426754B CN117426754B (zh) 2024-04-19

Family

ID=89546606

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311773487.2A Active CN117426754B (zh) 2023-12-22 2023-12-22 基于pnn-lvq的特征权重自适应脉搏波分类方法

Country Status (1)

Country Link
CN (1) CN117426754B (zh)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6070098A (en) * 1997-01-11 2000-05-30 Circadian Technologies, Inc. Method of and apparatus for evaluation and mitigation of microsleep events
KR20140123809A (ko) * 2013-04-15 2014-10-23 재단법인대구경북과학기술원 맥상 분류 장치 및 그 방법
CN108567418A (zh) * 2018-05-17 2018-09-25 陕西师范大学 一种基于PCANet的脉搏信号亚健康检测方法及检测系统
CN108836281A (zh) * 2018-06-28 2018-11-20 中国科学院微电子研究所 用于脉搏特征参数采集的系统
CN110276273A (zh) * 2019-05-30 2019-09-24 福建工程学院 融合面部特征与图像脉搏心率估计的驾驶员疲劳检测方法
WO2020095326A1 (en) * 2018-11-11 2020-05-14 Houronearth Creative Solutions Pvt Ltd System and method for classifying a pulse morphology of a user
CN112232493A (zh) * 2020-11-09 2021-01-15 江苏科技大学 一种基于改进鲸鱼算法的rbf神经网络优化方法
CN112581262A (zh) * 2020-12-23 2021-03-30 百维金科(上海)信息科技有限公司 一种基于鲸鱼算法优化lvq神经网络的欺诈行为检测方法
CN113116321A (zh) * 2021-03-03 2021-07-16 吉林大学珠海学院 基于pso-grnn神经网络的无创连续血压测量系统
CN113361480A (zh) * 2021-07-06 2021-09-07 浙江大学 基于人脸视频的人体脉搏波获取方法
US20230068528A1 (en) * 2021-08-27 2023-03-02 Société des Produits Nestlé S.A. Systems and methods for animal health monitoring
US20230105385A1 (en) * 2021-10-01 2023-04-06 Subramaniam Ganesan Method And Assembly For Predicting The Occurrence Of Heart Disease Within An Individual
CN117148706A (zh) * 2023-08-29 2023-12-01 上海理工大学 一种气管镜机器人iwoa-bp神经网络pid控制方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6070098A (en) * 1997-01-11 2000-05-30 Circadian Technologies, Inc. Method of and apparatus for evaluation and mitigation of microsleep events
KR20140123809A (ko) * 2013-04-15 2014-10-23 재단법인대구경북과학기술원 맥상 분류 장치 및 그 방법
CN108567418A (zh) * 2018-05-17 2018-09-25 陕西师范大学 一种基于PCANet的脉搏信号亚健康检测方法及检测系统
CN108836281A (zh) * 2018-06-28 2018-11-20 中国科学院微电子研究所 用于脉搏特征参数采集的系统
WO2020095326A1 (en) * 2018-11-11 2020-05-14 Houronearth Creative Solutions Pvt Ltd System and method for classifying a pulse morphology of a user
CN110276273A (zh) * 2019-05-30 2019-09-24 福建工程学院 融合面部特征与图像脉搏心率估计的驾驶员疲劳检测方法
CN112232493A (zh) * 2020-11-09 2021-01-15 江苏科技大学 一种基于改进鲸鱼算法的rbf神经网络优化方法
CN112581262A (zh) * 2020-12-23 2021-03-30 百维金科(上海)信息科技有限公司 一种基于鲸鱼算法优化lvq神经网络的欺诈行为检测方法
CN113116321A (zh) * 2021-03-03 2021-07-16 吉林大学珠海学院 基于pso-grnn神经网络的无创连续血压测量系统
CN113361480A (zh) * 2021-07-06 2021-09-07 浙江大学 基于人脸视频的人体脉搏波获取方法
US20230068528A1 (en) * 2021-08-27 2023-03-02 Société des Produits Nestlé S.A. Systems and methods for animal health monitoring
US20230105385A1 (en) * 2021-10-01 2023-04-06 Subramaniam Ganesan Method And Assembly For Predicting The Occurrence Of Heart Disease Within An Individual
CN117148706A (zh) * 2023-08-29 2023-12-01 上海理工大学 一种气管镜机器人iwoa-bp神经网络pid控制方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
亓慧;李绪彤;: "脉搏信号特征信息分析及动脉硬化诊断研究", 中国医学物理学杂志, no. 03, 15 May 2007 (2007-05-15) *
周越;许晴;孔薇;: "脉象特性分析和识别方法的研究", 生物医学工程学杂志, no. 03, 30 June 2006 (2006-06-30) *
燕海霞;王忆勤;宫爱民;付晶晶;钱鹏;员凤英;: "人工神经网络在中医脉象识别分类研究中的应用概况", 世界科学技术（中医药现代化）, no. 04, 10 June 2009 (2009-06-10) *

Also Published As

Publication number Publication date
CN117426754B (zh) 2024-04-19

Similar Documents

Publication Publication Date Title
Pourbabaee et al. Feature leaning with deep convolutional neural networks for screening patients with paroxysmal atrial fibrillation
CN1816303B (zh) 用于分类心动描记数据的方法
CN109961017A (zh) 一种基于卷积循环神经网络的心音信号分类方法
Diker et al. A novel application based on spectrogram and convolutional neural network for ECG classification
CN111009321A (zh) 一种机器学习分类模型在青少年孤独症辅助诊断中的应用方法
Singh et al. Classification of short unsegmented heart sound based on deep learning
CN110491506A (zh) 心房颤动预测模型及其预测系统
Malik et al. Multi-classification neural network model for detection of abnormal heartbeat audio signals
CN113509186A (zh) 基于深度卷积神经网络的ecg分类系统与方法
CN111261278A (zh) 一种基于三维图像的深度学习模型的心脏疾病检测方法
CN115089139A (zh) 结合生物特征识别的个性化生理参数测量方法
CN113069124A (zh) 一种基于cnn-et模型的心电监测方法
CN117426754B (zh) 基于pnn-lvq的特征权重自适应脉搏波分类方法
CN116898451A (zh) 用具有多尺度注意力机制的神经网络实现房颤预测的方法
Slama et al. ConvNet: 1D-Convolutional Neural Networks for Cardiac Arrhythmia Recognition Using ECG Signals.
Harimi et al. Heart sounds classification: Application of a new CyTex inspired method and deep convolutional neural network with transfer learning
Quanyu Pulse signal analysis based on deep learning network
Jasim ECG signal classification based on deep learning by using convolutional neural network (CNN)
Duggento et al. Classification of real-world pathological phonocardiograms through multi-instance learning
CN112686091A (zh) 基于深度神经网络的两步骤心律失常分类方法
Botros et al. Automatic Heart Failure Stratification Using a Convolutional Neural Network
Jaffery et al. An Automated System for the Classification of Bronchiolitis and Bronchiectasis Diseases using Lung Sound Analysis
Kumar et al. Early detection of parkinson’s disease using convolutional neural network
CN113349790B (zh) 基于s型重构的2d卷积神经网络的心拍分类方法及系统
Zailan et al. Comparative Analysis Of Machine Learning Algorithms For Optimizing Variable Step-Size Least Mean Square In Motion Artifact Reduction

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant