一种基于小波分析和回声状态网络的血压预测方法技术

本发明专利技术公开了一种基于小波分析和回声状态网络的血压预测方法，包括下述步骤：首先利用小波分解方法将原始血压数据分解为高频序列部分和低频序列部分，然后构建回声状态网络模型，再分别对低频序列部分和高频序列部分的训练样本进行回声状态网络模型的训练，接着利用训练得到的回声状态网络模型分别对高频序列部分和低频序列部分的测试样本进行单步预测和多步预测，最后对高频序列部分和低频序列部分的预测结果进行小波重构，得到单步预测血压数据和多步预测血压数据。本发明专利技术方法在血压时间序列的单步预测和多步预测中都能够很好地预测血压变化趋势，并且较为准确的勾画出血压的变动形态，对血压时间序列的及时准确预测具有重要临床意义。

【技术实现步骤摘要】
一种基于小波分析和回声状态网络的血压预测方法
本专利技术属于医疗健康、机器学习、人工智能和医学信号处理领域，涉及血压时间序列的分析与预测，特别涉及一种基于小波分析和回声状态网络的血压预测方法。
技术介绍
血压是反映人体健康状况的重要指标。血压异常会威胁人体的生命安全，例如患者术后急性低血压的发病以及老年人高血压的发病。血压异常的发生需要进行及时有效的干预治疗，时间显得十分宝贵和急迫。因此，能够及时准确地预测血压变化的趋势具有重要的临床意义。人体血压受到多方面的影响，例如昼夜时间变化、季节变化、年龄增长、体重、饮食、情绪等，因此具有较强的随机性和复杂性，是一种非线性非平稳的时间序列。目前，血压时间序列的预测方法主要有神经网络方法、BP神经网络和小波分解组合预测方法、AR模型和支持向量机组合预测方法、小波变换和支持向量机组合预测方法、双谱分析-BP神经网络组合预测方法、EMD与GEP组合预测方法、小波分析和Gaussian回归组合预测方法等。实践表明，单一模式难以对非线性非平稳的血压时间序列获得理想的预测精度；现有组合预测方法主要应用在血压时间序列的单步预测中，在血压时间序列的多步预测中，依然存在预测精度不高，预测步长过短等问题。
技术实现思路
本专利技术的目的在于克服现有技术中的缺点与不足，提供一种基于小波分析和回声状态网络的血压预测方法，改善了现有预测模型对非线性非平稳的血压时间序列预测不准确、预测步长过短、训练算法过于复杂、容易陷入局部最优等问题。特别是在血压时间序列的多步预测中，预测效果明显改善。为实现以上目的，本专利技术采取如下技术方案：一种基于小波分析和回声状态网络的血压预测方法，包括下述步骤：S1、对原始血压时间序列数据利用小波变换的时间-频率局域分析方法进行小波分解，将原始血压时间序列分解为低频序列部分和高频序列部分；S2、确定回声状态网络模型的储备池参数；S3、分别对低频序列部分和高频序列部分的训练样本进行回声状态网络模型的训练，得出储备池输出预测的状态方程；S4、利用训练得到的低频序列部分的回声状态网络模型和高频序列部分的回声状态网络模型分别对低频序列部分和高频序列部分的测试样本进行单步预测和多步预测；S5、将低频序列部分的单步预测数据和多步预测预测数据与高频序列部分的单步预测数据和多步预测预测数据分别进行小波重构，得到单步预测血压数据和多步预测血压数据。作为优选的技术方案，步骤S1具体包括下述步骤：S11、采集原始血压时间序列，并将其分为训练样本和测试样本；S12、对所述原始血压时间序列进行小波分解，获得原始血压时间序列的低频序列部分和高频序列部分；小波分解过程的连续小波变换公式为：式中信号u(t)∈L2(R)，L2(R)表示定义在实轴上、可测的平方可积函数空间；表示由小波母函数Ψ(t)生成的连续小波，a表示伸缩因子，b表示平移因子；伸缩因子a和平移因子b离散化对应的离散小波函数为：其中，a＝2-s，b＝2-sk，s和k属于整数集Z；运用正交小波变换的Mallet快速算法，将信号u(t)正交投影到空间Vj和Wj上，对应得到分辨率2j下信号u(t)的逼近信号aj(t)和离散信号dj(t)，所述逼近信号aj(t)为分解的低频信号，所述离散信号dj(t)为分解的高频信号，信号u(t)经多分辨率分解后得到高频序列部分的信号和低频序列部分的信号，表示为：n为正整数，表示小波分解层数；i为正整数；t为时刻。作为优选的技术方案，步骤S2中，所述回声状态网络模型的性能由储备池的参数决定，所述储备池的参数包括：储备池内部连接权谱半径SR、储备池规模N、储备池输入单元尺度IS和储备池稀疏程度SD。作为优选的技术方案，步骤S3具体包括下述步骤：S31、初始化回声状态网络模型的连接权值矩阵，包括输入连接权值矩阵Win、储备池的内部连接权值矩阵W和输出层到储备池的连接权值矩阵Wback，其中Win和W是随机生成的，设定Wback＝0；S32、分别对低频序列部分和高频序列部分的训练样本进行回声状态网络模型的训练，具体为：将低频序列部分或高频序列部分的训练样本作为输入神经元送入初始化的回声状态网络模型中，储备池内部神经元状态更新方程如下：x(t+1)＝f(Winuin(t+1)+Wx(t)+Wbacky(t))式中f为内部神经元激活函数，具体采用双曲正切函数；t＝0时，储备池内部神经元状态向量x(t)＝0；t+1时刻的储备池内部神经元状态向量x(t+1)由当前输入神经元uin(t+1)、上一时刻的储备池内部神经元状态向量x(t)以及期望输出y(t)共同激发产生；以每个时刻的状态向量x(t)为行形成矩阵X，其对应的期望输出y(t)构成一个列向量Y；储备池输出预测的状态方程为：式中Wout为输出连接权值矩阵，所述输出连接权值矩阵采用最小二乘法求解得：Wout＝XTY＝(XTX)-1XTY其中，XT是X的伪逆。作为优选的技术方案，步骤S4中，对低频序列部分和高频序列部分的测试样本分别进行单步预测和多步预测，具体包括下述步骤：S41、将低频序列部分和高频序列部分的测试样本分别输入到低频序列回声状态网络模型和高频序列回声状态网络模型，得到低频序列部分的单步预测数据和高频序列部分的单步预测数据S42、获取低频序列部分的多步预测数据，具体过程如下：S421、低频序列部分的单步预测数据为t+1时刻低频序列部分的期望输出，将该期望输出返回到网络输入部分，替换t+2时刻的低频序列部分的测试样本并作为输入神经元输入网络，得到t+2时刻低频序列部分的预测数据；S422、重复步骤S421直到获得第s步预测数据其中s为正整数，为第t+s时刻低频序列部分的预测数据；S43、按照步骤S42相同的原理，获取高频序列部分的多步预测数据。作为优选的技术方案，步骤S5中，所述小波重构的合成公式为：其中为低频序列部分的预测数据，为高频序列部分的预测数据，n为小波分解层数。本专利技术相对于现有技术具有如下的优点和效果：本专利技术提供的基于小波分析和回声状态网络的血压预测方法，可以精确地预测血压变化趋势。将小波分析技术与回声状态网络方法相结合，把小波分析在处理非平稳信号具有的良好时频多分辨率和局部化的等优点与回声状态网络在处理非线性信号训练算法较为简单、不容易陷入局部最优等优点相结合，改善了现有预测模型对非线性非平稳的血压时间序列预测精度不高、预测步长过短等问题。实验结果表明，在多步预测步长为15时，本方法的均方根误差(RMSE)约为传统基于ESN的预测方法的1/3。本专利技术在血压时间序列的单步预测和多步预测中都能够很好地预测血压变化趋势，并且较为准确的勾画出血压的变动形态，对血压时间序列的及时准确预测具有重要临床意义。附图说明图1是本专利技术的基于小波分析和回声状态网络的血压预测的方法流程图；图2是本实施例中的原始血压时间序列图；图3是本实施例中的回声状态网络模型；图4是本实施例中本专利技术方法与传统ESN的预测方法的血压单步预测结果与真实值比较图；图5(a)～图5(d)是实施例中本专利技术方法与传统ESN的预测方法的血压多步预测结果与真实值比较图；图5(a)、图5(b)、图5(c)、图5(d)分别是步长为3、5、9、15时的预测数据对比图。具体实施方式为了使本专利技术的目的、技术方本文档来自技高网...

【技术保护点】
1.一种基于小波分析和回声状态网络的血压预测方法，其特征在于，包括下述步骤：S1、对原始血压时间序列数据利用小波变换的时间‑频率局域分析方法进行小波分解，将原始血压时间序列分解为低频序列部分和高频序列部分；S2、确定回声状态网络模型的储备池参数；S3、分别对低频序列部分和高频序列部分的训练样本进行回声状态网络模型的训练，得出储备池输出预测的状态方程；S4、利用训练得到的低频序列部分的回声状态网络模型和高频序列部分的回声状态网络模型分别对低频序列部分和高频序列部分的测试样本进行单步预测和多步预测；S5、将低频序列部分的单步预测数据和多步预测预测数据与高频序列部分的单步预测数据和多步预测预测数据分别进行小波重构，得到单步预测血压数据和多步预测血压数据。

【技术特征摘要】
1.一种基于小波分析和回声状态网络的血压预测方法，其特征在于，包括下述步骤：S1、对原始血压时间序列数据利用小波变换的时间-频率局域分析方法进行小波分解，将原始血压时间序列分解为低频序列部分和高频序列部分；S2、确定回声状态网络模型的储备池参数；S3、分别对低频序列部分和高频序列部分的训练样本进行回声状态网络模型的训练，得出储备池输出预测的状态方程；S4、利用训练得到的低频序列部分的回声状态网络模型和高频序列部分的回声状态网络模型分别对低频序列部分和高频序列部分的测试样本进行单步预测和多步预测；S5、将低频序列部分的单步预测数据和多步预测预测数据与高频序列部分的单步预测数据和多步预测预测数据分别进行小波重构，得到单步预测血压数据和多步预测血压数据。2.根据权利要求1所述的基于小波分析和回声状态网络的血压预测方法，其特征在于，步骤S1具体包括下述步骤：S11、采集原始血压时间序列，并将其分为训练样本和测试样本；S12、对所述原始血压时间序列进行小波分解，获得原始血压时间序列的低频序列部分和高频序列部分；小波分解过程的连续小波变换公式为：式中信号u(t)∈L2(R)，L2(R)表示定义在实轴上、可测的平方可积函数空间；表示由小波母函数Ψ(t)生成的连续小波，a表示伸缩因子，b表示平移因子；伸缩因子a和平移因子b离散化对应的离散小波函数为：其中，a＝2-s，b＝2-sk，s和k属于整数集Z；运用正交小波变换的Mallet快速算法，将信号u(t)正交投影到空间Vj和Wj上，对应得到分辨率2j下信号u(t)的逼近信号aj(t)和离散信号dj(t)，所述逼近信号aj(t)为分解的低频信号，所述离散信号dj(t)为分解的高频信号，信号u(t)经多分辨率分解后得到高频序列部分的信号和低频序列部分的信号，表示为：n为正整数，表示小波分解层数；i为正整数；t为时刻。3.根据权利要求1所述的基于小波分析和回声状态网络的血压预测方法，其特征在于，步骤S2中，所述回声状态网络模型的性能由储备池的参数决定，所述储备池的参数包括：储备池内部连接权谱半径SR、储备池规模N、储备池输入单元尺度IS和储备池稀疏程度SD。4.根据权利要求1所述的基于小波分析和回声状态网络的血压预测方法，其特征在于，步骤S3具体包括下述步骤：S3...

【专利技术属性】
技术研发人员：姜涛，蓝晓峰，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：广东,44