基于长期递归卷积网络的无创血压测量

血压是能够反映人们身体健康的一个重要指标,随着高血压人群分布范围日益增大,连续血压的监测变得愈发重要。本文提出了基于长期递归卷积网络对光电容积脉搏波进行血压连续无创测量的方法。首先将利用光电容积法采集到的脉搏波信号归一化、阈值处理和特征提取,然后用长期递归卷积网络从脉搏波中计算出血压。实验表明,当光电容积脉搏波信号直接输入时,所提方法比长短期记忆网络的平均绝对误差和均方误差分别提升了56.00%和73.25%。将特征参数作为输入时,该实验比光电容积脉搏波信号直接输入时的平均绝对误差和均方误差提升了59.55%和87.41%,相比直接输入,特征参数输入的实验效果更好,实现了血压的精确测量。

基于BiLRCN和注意力机制的脉搏波血压测量

为了提高无创血压测量的精度,提出了基于双向长期递归卷积网络(Bidirectional Long-term Recurrent Convolutional Network,BiLRCN)和注意力机制的脉搏波血压测量方法。通过2个卷积神经网络(Convolutional Neural Network,CNN)层提取出光电容积脉搏信号的高维度特征,将其作为双向长短期记忆(Bidirectional Long Short-Term Memory,BiLSTM)网络的输入,通过BiLSTM提取输入序列前后向的特征信息进行预测;根据注意力机制自动分配权重的特征,给予重要时刻脉搏特征数据较大的权重,并通过2个全连接层得到血压的测量值。将所提出的方法与CNN、长短期记忆(Long Short-Term Memory,LSTM)网络、BiLSTM网络、长期递归卷积神经网络(Long-term Recurrent Convolutional Network,LRCN)方法进行了收敛速度和血压测量的对比实验。实验结果表明,所提出的方法较LRCN均方误差降低了21.63%,平均绝对误差降低了67.5%,确定性相关系数提高了0.42%。所提出的方法的收敛速度更快、血压测量精度更高。

基于S-LRCN的微表情识别算法

基于面部动态表情序列,针对静态表情缺少时间信息等问题,将空间特征与时间特征融合,利用神经网络在图像分类领域良好的特征,对需要进行细节分析的表情序列进行处理,提出基于分离式长期循环卷积网络(Separate long-term recurrent convolutional networks,S-LRCN)的微表情识别方法.首先选取微表情数据集提取面部图像序列,引入迁移学习的方法,通过预训练的卷积神经网络模型提取表情帧的空间特征,降低网络训练中过拟合的危险,并将视频序列的提取特征输入长短期记忆网络(Long short-team memory,LSTM)处理时域特征.最后建立学习者表情序列小型数据库,将该方法用于辅助教学评价.