一种呼吸运动预测方法技术

本发明专利技术提供了一种呼吸运动预测方法，包括如下步骤：构建BP神经网络，并融合模拟退火遗传算法对BP神经网络进行优化；优化BP神经网络的加权误差；获取呼吸运动数据并对呼吸运动数据进行处理；利用处理后的呼吸运动数据对优化加权误差后的BP神经网络进行训练以获取强回归器；利用强回归器对人体的呼吸运动状态进行预测。本发明专利技术可以对病人的呼吸运动状态进行高精度预测，避免实际的肿瘤超出靶区，以更好地对病人进行放射性治疗。

【技术实现步骤摘要】
一种呼吸运动预测方法
本专利技术涉及医疗
，具体而言，涉及一种呼吸运动预测方法。
技术介绍
在对肿瘤进行放射治疗的过程中，呼吸运动的影响会导致胸部和腹部组织和器官的位置和形状发生变化。为避免实际的肿瘤超出靶区，通常采用的方法有:1)扩大放射治疗范围法，此方法由于扩大了靶区范围，故而会加大对病人的辐射量；2)屏气技术，此技术需要病人屏住呼吸，但许多病人不能长时间屏住呼吸；3)图像采集方法，此方法会在采集的图像中造成伪影，限制了其实际效用；4)呼吸门控技术，此方法仅涉及基于简单的呼吸信号在有限的窗口(例如呼气末)期间获取/使用成像数据，其增加了获取和干预时间。5)运动跟踪法，此方法通常将标记物植入感兴趣的区域并使用诸如X射线的成像设备进行跟踪，其是侵入式的，会对人体造成创伤。上述几种现有技术各有其局限性，均无法对病人的呼吸运动状态进行预测。
技术实现思路
基于此，为了解决现有技术无法对病人的呼吸运动状态进行预测的问题，本专利技术提供了一种呼吸运动预测方法，其具体技术方案如下：一种呼吸运动预测方法，包括如下步骤：构建BP神经网络，并融合模拟退火遗传算法对所述BP神经网络进行优化；优化所述BP神经网络的加权误差；获取呼吸运动数据，并对所述呼吸运动数据进行处理；利用处理后的所述呼吸运动数据对优化所述加权误差后的BP神经网络进行训练以获取强回归器；利用所述强回归器对人体的呼吸运动状态进行预测。BP神经网络具有良好的非线性拟合能力，模拟退火遗传算法具有较强的全局寻优能力以及较快的收敛速度，通过融合模拟退火遗传算法对所述BP神经网络进行优化，可以在保证所述BP神经网络良好非线性拟合能力的基础上，减少BP神经网络陷入局部最优解的风险。而通过优化所述BP神经网络的加权误差，利用处理后的所述呼吸运动数据对优化所述加权误差后的BP神经网络进行训练以获取强回归器，可以提高所述BP神经网络的预测精度。即是说，通过所述呼吸运动预测方法，可以对病人的呼吸运动状态进行高精度预测，避免实际的肿瘤超出靶区，以更好地对病人进行放射性治疗。进一步地，融合模拟退火遗传算法对所述BP神经网络进行优化的具体方法包括如下步骤：步骤1a，初始化种群并确定初温；步骤1b，以BP神经网络的预测误差作为个体初始化时的适应度值；步骤1c，判断当前种群中各个体是否满足收敛准则，若是，则跳到步骤1h，若否，则执行步骤1d至步骤1g；步骤1d，执行选择、交叉以及变异操作；步骤1e，对群体中的个体进行退火搜索以产生新个体；步骤1f，以概率接受新个体；步骤1g，进行退温操作；步骤1h，更新全局最优个体，获取BP神经网络最优权值与阈值，完成所述BP神经网络的优化。进一步地，优化所述BP神经网络的加权误差的具体方法包括如下步骤：步骤2a，计算优化后的所述BP神经网络的加权误差；步骤2b，判断所述加权误差是否小于预设误差，若否，则设定比例系数并根据所述比例系数更新所述BP神经网络最优权值与阈值直至所述加权误差是否小于预设误差，若是，则完成所述BP神经网络的加权误差的优化。进一步地，对所述呼吸运动数据进行处理的具体方法包括如下步骤：步骤3a，对所述呼吸运动数据进行归一化处理；步骤3b，将归一化处理后的所述呼吸运动数据划分为训练数据以及测试数据。进一步地，利用处理后的所述呼吸运动数据对优化所述加权误差后的BP神经网络进行训练的具体方法包括如下步骤：步骤4a，利用所述训练数据的输入部分对优化所述加权误差后的BP神经网络进行训练；步骤4b，将训练好的BP神经网络的阈值以及权值传递给拟合函数；步骤4c，将测试数据的数据输入输入至所述拟合函数并计算所述拟合函数的输出结果；步骤4d，计算所述输出结果与所述测试数据的输出部分之间的拟合度；步骤4e，若所述拟合度小于预设阈值，则重新优化所述BP神经网络的加权误差并对优化后的BP神经网络进行重新训练，直至所述拟合度大于等于所述预设阈值；其中，所述训练数据以及测试数据均包括输入部分以及输出部分，所述输出部分为人体的呼吸运动状态。进一步地，获取强回归器采用的是对所有加权的弱学习器取权重中位数所对应的弱学习器作为强学习器的方法。进一步地，所述输入部分包括呼吸机运行参数、身体参数以及环境参数，所述输出部分包括异常状态、正常状态和临界状态。进一步地，所述呼吸机运行参数包括呼吸机工作管路压力、供气温度和供气湿度，所述身体参数包括呼吸比、心率、血氧饱和度、呼吸频率、鼾声、血压、心脏功能状态和体位，所述环境参数包括环境温度、空气湿度、大气压力值和环境噪声值。进一步地，所述BP神经网络为3层神经网络。相应地，本专利技术提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，当所述计算机程序被处理器执行时实现如上述所述的呼吸运动预测方法。附图说明从以下结合附图的描述可以进一步理解本专利技术。图中的部件不一定按比例绘制，而是将重点放在示出实施例的原理上。在不同的视图中，相同的附图标记指定对应的部分。图1是本专利技术一实施例中一种呼吸运动预测方法的整体流程示意图；图2是本专利技术一实施例中一种呼吸运动预测方法的融合模拟退火遗传算法对所述BP神经网络进行优化的流程示意图。具体实施方式为了使得本专利技术的目的、技术方案及优点更加清楚明白，以下结合其实施例，对本专利技术进行进一步详细说明。应当理解的是，此处所描述的具体实施方式仅用以解释本专利技术，并不限定本专利技术的保护范围。需要说明的是，当元件被称为“固定于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的，并不表示是唯一的实施方式。除非另有定义，本文所使用的所有的技术和科学术语与属于本专利技术的
的技术人员通常理解的含义相同。本文中在本专利技术的说明书中所使用的术语只是为了描述具体的实施方式的目的，不是旨在于限制本专利技术。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。本专利技术中所述“第一”、“第二”不代表具体的数量及顺序，仅仅是用于名称的区分。如图1所示，本专利技术一实施例中的一种呼吸运动预测方法，包括如下步骤：构建BP神经网络，并融合模拟退火遗传算法对所述BP神经网络进行优化；优化所述BP神经网络的加权误差；获取呼吸运动数据，并对所述呼吸运动数据进行处理；利用处理后的所述呼吸运动数据对优化所述加权误差后的BP神经网络进行训练以获取强回归器；利用所述强回归器对人体的呼吸运动状态进行预测。BP神经网络具有良好的非线性拟合能力，模拟退火遗传算本文档来自技高网...

【技术保护点】
1.一种呼吸运动预测方法，其特征在于，包括如下步骤：/n构建BP神经网络，并融合模拟退火遗传算法对所述BP神经网络进行优化；/n优化所述BP神经网络的加权误差；/n获取呼吸运动数据，并对所述呼吸运动数据进行处理；/n利用处理后的所述呼吸运动数据对优化所述加权误差后的BP神经网络进行训练以获取强回归器；/n利用所述强回归器对人体的呼吸运动状态进行预测。/n

【技术特征摘要】
1.一种呼吸运动预测方法，其特征在于，包括如下步骤：
构建BP神经网络，并融合模拟退火遗传算法对所述BP神经网络进行优化；
优化所述BP神经网络的加权误差；
获取呼吸运动数据，并对所述呼吸运动数据进行处理；
利用处理后的所述呼吸运动数据对优化所述加权误差后的BP神经网络进行训练以获取强回归器；
利用所述强回归器对人体的呼吸运动状态进行预测。


2.如权利要求1所述的一种呼吸运动预测方法，其特征在于，融合模拟退火遗传算法对所述BP神经网络进行优化的具体方法包括如下步骤：
步骤1a，初始化种群并确定初温；
步骤1b，以BP神经网络的预测误差作为个体初始化时的适应度值；
步骤1c，判断当前种群中各个体是否满足收敛准则，若是，则跳到步骤1h，若否，则执行步骤1d至步骤1g；
步骤1d，执行选择、交叉以及变异操作；
步骤1e，对群体中的个体进行退火搜索以产生新个体；
步骤1f，以概率接受新个体；
步骤1g，进行退温操作；
步骤1h，更新全局最优个体，获取BP神经网络最优权值与阈值，完成所述BP神经网络的优化。


3.如权利要求2所述的一种呼吸运动预测方法，其特征在于，优化所述BP神经网络的加权误差的具体方法包括如下步骤：
步骤2a，计算优化后的所述BP神经网络的加权误差；
步骤2b，判断所述加权误差是否小于预设误差，若否，则设定比例系数并根据所述比例系数更新所述BP神经网络最优权值与阈值直至所述加权误差是否小于预设误差，若是，则完成所述BP神经网络的加权误差的优化。


4.如权利要求3所述的一种呼吸运动预测方法，其特征在于，对所述呼吸运动数据进行处理的具体方法包括如下步骤：
步骤3a，对所述呼吸运动数据进行归一化处理；
步骤3b，将归一化处理后的所述呼吸运动数据划分为训练数据以及测试数据。
...

【专利技术属性】
技术研发人员：刘军，彭慧娴，
申请(专利权)人：佛山科学技术学院，
类型：发明
国别省市：广东;44