基于时序模型的麻醉期人体生命体征预测

针对现有麻醉维持期的生命体征预测方法存在个性化不足、精度较低和预测速度慢等问题,引入时序预测方法,提出一种基于保留机制的时序混合保留网络(TFR)。首先,使用变量选择网络和静态变量编码器网络对病人的生命体征进行编码,为网络提供病人的个性化信息;其次,通过保留编解码器网络对变量选择网络选择过的变量进行特征提取和编码;其次,使用多头注意力层融合过去和未来的特征;最后,使用输出网络进行多分位输出。在Vital DB和华西医院的数据集上分别进行训练和测试,实验结果表明,相较于基线模型TFT(Temporal Fusion Transformer):TFR在Vital DB数据集上的均方误差(MSE)和平均绝对误差(MAE)均没有增加,并节省了41.2%的推理时间;在华西医院的数据集上预测精度没有下降,并节省了32.1%的推理时间;在长期预测中,TFR也取得了更好的效果。可以看出,TFR预测更精确、更快速。

基于FMCW雷达的人体生命体征信号预测算法

将FMCW雷达检测到的人体生命体征信号,用于预测未来一段时间内人体生命体征信号是否异常,具有明显的应用价值。该方向当前研究主要针对如何进一步降低重构误差、提升生命体征信号的预测精度。为此,本文提出一种自适应变分模态分解-长短期记忆神经网络的生命体征信号预测方法。针对静止状态下的人体,通过雷达采集到的生命体征信号,采用粒子群算法优化变分模态分解VMD的模态分量个数K和惩罚系数α的值,实现自适应选取后用于VMD分解,再将分解后的模态分量进行叠加重构。采用粒子群算法优化长短期记忆网络模型中的网络层数、学习率、正则化系数等3个参数,自适应选取合适的参数组合,将重构后的信号通过优化后的LSTM网络进行预测。实验结果显示本文所提预测方法在10位志愿者的预测结果与原始数据的均方根误差平均值为0.017 188 9,平均绝对误差的平均值为0.007 158,相较于当前其他研究,预测精度上有明显提升。