介绍了一种包含上下文连接层的基于循环神经网络(RNN)的血压预测模型及其实现过程。由于信号硬件采集电路以及人体生理的巨大差异,光电容积脉搏波(PPG)波形的特征点变化较大,影响血压模型的鲁棒性。针对这个问题,在数据增强和模型改进...介绍了一种包含上下文连接层的基于循环神经网络(RNN)的血压预测模型及其实现过程。由于信号硬件采集电路以及人体生理的巨大差异,光电容积脉搏波(PPG)波形的特征点变化较大,影响血压模型的鲁棒性。针对这个问题,在数据增强和模型改进方面做了一些探索性工作,包括数据方面设计丰富脉搏波波形的数据采集实验、改进一般归一化方法、利用滤波后以及原始的光电容积脉搏波信号进行预测,模型方面加入个人体征信息,构建一种增加了上下文连接层的基于循环神经网络的血压预测模型,在同种模型中,模型复杂度最低,达到了符合AAMI标准的测试精度:收缩压(4. 87±7. 80) mm Hg,舒张压(4. 60±6. 09) mm Hg。展开更多
文摘介绍了一种包含上下文连接层的基于循环神经网络(RNN)的血压预测模型及其实现过程。由于信号硬件采集电路以及人体生理的巨大差异,光电容积脉搏波(PPG)波形的特征点变化较大,影响血压模型的鲁棒性。针对这个问题,在数据增强和模型改进方面做了一些探索性工作,包括数据方面设计丰富脉搏波波形的数据采集实验、改进一般归一化方法、利用滤波后以及原始的光电容积脉搏波信号进行预测,模型方面加入个人体征信息,构建一种增加了上下文连接层的基于循环神经网络的血压预测模型,在同种模型中,模型复杂度最低,达到了符合AAMI标准的测试精度:收缩压(4. 87±7. 80) mm Hg,舒张压(4. 60±6. 09) mm Hg。