【技术实现步骤摘要】
基于改进ABC算法的脉搏波曲线拟合方法
[0001]本专利技术涉及一种基于改进ABC算法的脉搏波曲线拟合方法。
技术介绍
[0002]脉搏波是由心脏的搏动沿动脉血管和血流向外周传播而形成,可以反映心血管系统和血液流体动力学的状态,而精确获取脉搏波中的脉搏特征成为依据脉搏波对人体生理信息进行精确分析的关键环节。
[0003]由于可穿戴设备采集到的脉搏波信号中存有较多噪声,导致脉搏波中诸如主波、潮波以及重博波等很难彼此区分开;并且多条脉搏波重叠会造成脉搏波中部分采样点消失,这些都造成获取的脉搏波信号不够精确,导致无法从实测脉搏波中提取特征参数从而影响后面机器学习分类器利用精确脉搏波进行疾病预测模型的建立。
[0004]针对上述问题,有人提出了通过曲线拟合的方法对脉搏波进行建模来描述脉搏波的信号趋势。其中,高斯模型可以较好地表征与脉搏分解相关的心血管功能相关参数。然而,受限于曲线的固有形状和函数的数量,高斯混合函数很难同时很好地拟合出脉搏波的峰值以及细节,还存在高数函数少、待优化参数多以及迭代次数多等问题。除了高斯模型,群体算法也适用于曲线拟合,如遗传算法、粒子群算法、蚁群算法、蜂群算法(ABC算法)。其中,ABC算法因其相对概念简单、变量少以及容易修改而被关注,传统的ABC算法存在搜索策略差、收敛速度慢以及精度低等问题,无法拟合出较好脉搏波曲线从而无法精确地提取脉搏波特征进行进一步地分类。
技术实现思路
[0005]为解决上述问题,本专利技术提供了一种能够根据由多个高斯函数叠加而成的仿真曲 ...
【技术保护点】
【技术特征摘要】
1.一种基于改进ABC算法的脉搏波曲线拟合方法,用于根据多个高斯函数叠加而成的仿真曲线与实测脉搏波进行拟合从而提取原始实测脉搏波中的特征参数,其特征在于,包含如下步骤:步骤S1,将所述仿真曲线中的每一个待优化参数当作可行解的向量元素并设定为蜜源,对所述蜜源进行初始化得到初始蜜源并给每个所述初始蜜源分配一只雇佣蜂;步骤S2,对所述初始蜜源进行适应值计算并在最优的适应值对应的所述初始蜜源附近进行随机正态分布得到随机蜜源;步骤S3,所述雇佣蜂在所述随机蜜源周围根据预定的蜜蜂搜索方法搜索并得到雇佣蜂蜜源;步骤S4,所述雇佣蜂招募跟随蜂,所述跟随蜂在所述雇佣蜂蜜源以及所述随机蜜源中进行选定操作;步骤S5,根据混沌阵列映射生成侦查蜂,该侦查蜂根据映射算法得到侦查蜂蜜源;步骤S6,将所有所述雇佣蜂蜜源以及所述侦查蜂蜜源中最好的蜜源记录为最优蜜源;步骤S7,重复所述步骤S2至所述步骤S6直到重复次数达到预定的最大循环次数,得到唯一的所述最优蜜源,并根据所述最优蜜源绘制出最优仿真曲线。2.根据权利要求1所述的基于改进ABC算法的脉搏波曲线拟合方法,其特征在于:其中,所述步骤S2包括如下子步骤:步骤S2-1,将所述初始蜜源平均分为第一初始蜜源集X
k
以及第二初始蜜源集O
k
两部分,对所述第一初始蜜源集X
k
以及所述第二初始蜜源集O
k
进行随机分布,得到所述第一初始蜜源集中第i个初始蜜源X
i,k
位置以及所述第二初始蜜源集中第S
n-i个初始蜜源位置,如公式(1)所示:式中,k∈{1,2,
…
,K},K是所述仿真曲线的待优化参数的最大数量,S
n
是所述雇佣蜂的数量,所述第一初始蜜源集X
k
为包含所述仿真曲线的待优化参数个数的向量,所述第二初始蜜源集O
k
是所述第一初始蜜源集X
k
在边界内进行半分割而获得的对立解;步骤S2-2,评价所述第一初始蜜源集X
k
中的各个初始蜜源以及所述第二初始蜜源集O
k
中的各个初始蜜源,得到代表每个所述初始蜜源好坏的适应值;步骤S2-3,根据所述适应值从所有所述初始蜜源中选出多个相对良好的所述初始蜜源并作为良好蜜源;步骤S2-4,在所述良好蜜源周围进行随机正态分布得到随机蜜源。3.根据权利要求2所述的基于改进ABC算法的脉搏波曲线拟合方法,其特征在于:其中,当所述步骤S2-3中选出4个相对良好的所述初始蜜源作为所述良好蜜源时,分别
将4个所述良好蜜源标记为X
b
和O
b
,X
s
和O
s
,围绕X
b
和O
b
,X
s
和O
s
进行随机正态分布得到所述随机蜜源Y:式中,D
1,2,3,4
是指随机正态分布生成的四个子集合,D
min
与D
max
为固定参数,D为上述四个子集合的组合。...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。