【技术实现步骤摘要】
本专利技术涉及一种脉搏波的分类识别方法，特别涉及一种基于pnn-lvq的特征权重自适应脉搏波分类方法，属于脉冲信号处理和健康信息数据处理。
技术介绍
1、中医通过诊断寸、关、尺等位置，诊断患者的身体状况，随着现代科学技术的发展，针对脉搏检查客观性的研究取得了很大的进展。脉搏诊断仪器基于中医理论，收集桡动脉的脉动信息，用于患者整体生理和病理信息分析。这些设备在脉冲采集中，将脉压和节拍转换为数字信号，记录了大量的脉搏波数据，这为利用机器学习技术进行特征信息分类识别提供了数据基础。而脉搏波的标注费力耗时，现有公开有标注脉搏波数据库的样本量不足以训练出一个高准确率、泛化性高的分类模型。脉搏波数据集的小样本特性导致监督学习训练出的分类模型特征表达能力不足，过拟合风险高。
2、由于脉搏波数据信号是心脏的搏动（振动）沿动脉血管和血流向外周传播而形成的，较为微弱，容易受运动、情绪以及其他信号干扰，因此需要对脉搏波数据进行预处理，而对脉搏波数据信号的采集与噪声滤波是较为困难的问题。另外脉搏波数据采集还存在定位困难的问题，若采用单个压力传感器采集脉搏波信号，会存在难以定位的问题；采用矩阵传感器可以规避脉搏点定位问题，但是也带来了除脉搏点以外其他传感器带来的信号干扰，因为脉搏波信号频率较低，细小的干扰信号很难从被干扰的脉搏波信号中滤波出来。
技术实现思路
1、本专利技术的目的是克服上述不足而提供一种基于pnn-lvq的特征权重自适应脉搏波分类方法，一方面避免了由于脉搏波小样本导致分类准确率低
2、本专利技术采取的技术方案为：
3、基于pnn-lvq的特征权重自适应脉搏波分类方法，包括步骤如下：
4、s1. 通过有矩阵传感器的脉诊器获取被检测者原始矩阵脉搏波信号；
5、s2. 对采集的矩阵脉搏波信号进行去除背景噪声和基线漂移预处理；
6、s3. 对预处理后的脉搏波信息采用主成分分析法pca进行降维处理；
7、s4. 搭建pnn概率神经网络结构，采用降维后的特征信息作为输入信号进行学习；
8、s5. 采用lvq网络（学习矢量量化网络）学习算法对pnn概率神经网络输出层进行有监督训练调整最接近输入信号的两个神经元之间的权重实现分类优化；
9、s6. 采用改进的鲸鱼优化算法对pnn-lvq网络的输入特征信号进行自适应调整特征值的权重，重新输入pnn-lvq网络实现训练；
10、s7. 用训练好的网络对待测脉搏波信号分类。
11、上述方法中，步骤s2所述的预处理为采用零相位滤波器去除背景噪声，以及采用小波级联自适应滤波器去除基线漂移。
12、步骤s3中降维处理过程是先计算样本的协方差矩阵的特征向量和特征值，取协方差矩阵的前n个特征值计算贡献度，取贡献度≥0.9的前p个特征值，然后根据特征值从上到下排列特征向量，形成一个矩阵 p，特征提取后的p维向量表示为 u= px变换， x表示输入信号，输出信号 u。
13、步骤s4所述的pnn概率神经网络结构包括输入层、隐含层、输出层，网络中间的两层为隐含层，模式层为第一隐含层，通过连接权重与输入层连接，求和层为第二隐含层，对第一隐含层的输出进行有选择地求和，最后一层为输出层；将输入向量传递给输入层，根据连接权重设置模式层神经元分配数，求和层有选择地对模式层的输出进行求和，输出层通过竞争完成输入数据的分类。
14、步骤s5采用lvq网络包括输入层、竞争层、输出层，pnn概率神经网络求和层的输出为lvq网络的输入，输入层与竞争层之间通过权重值全连接，输出层与竞争层之间是部分连接，且权重固定为1，lvq网络的学习算法包括两个阶段：
15、第一个阶段采用pnn概率神经网络求和层的输出数据为输入进行网络训练，训练结束之后每个神经元都形成一个聚类区，并有相应标号，输出标号和训练得到lvq网络的输入层与竞争层之间权重（即pnn概率神经网络求和层与输出层的网络权重，因为输出层与竞争层之间的连接权重恒为1）矢量；
16、第二阶段采用pnn概率神经网络的求和层输出数据以及第一阶段的聚类区标号为输入信号，初始权重是第一阶段得到的学习结果，并按照时序进行网络训练，最后输出训练出的lvq网络的输入层与竞争层之间权重，从而通过监督学习调整最接近输入信号的2个神经元之间的权重，完成对pnn概率神经网络输出层的优化。
17、步骤s6中用改进的鲸鱼优化算法对pnn-lvq网络的输入特征信号进行自适应调整特征值的权重的过程为：鲸鱼种群初始化，随机生成输入特征信号的权重，计算个体自适应度，并记录全局最优解获取最优鲸鱼位置，计算鲸鱼算法的惯性权重 z和概率阈值 q（为了防止算法陷入局部最优解，在随机阶段根据 q来选取随机搜索的更新方式），根据全局最优原则，先自适应调整权重螺旋更新，然后自适应调整权重收缩包围，再随机搜索，更新当前鲸鱼位置直到迭代次数达到迭代值或分类结果准确率达到满意度，将所得到的最优解作为输入信号中特征参数的系数组成网络新的输入信号， 再通过pnn-lvq网络实现训练。
18、基于pnn-lvq的特征权重自适应脉搏波分类装置，包括带矩阵压力传感器的脉搏数据采集模块，用于获取原始矩阵脉搏波信息；数据预处理模块，用于对采集的矩阵脉搏波信号进行去除背景噪声和基线漂移预处理；降维处理模块，用于对预处理后的脉搏波信息进行降维处理；模型数据处理模块，用于对降维后的数据基于pnn-lvq网络进行训练和权重优化，用于通过改进的鲸鱼算法进行自适应调整特征值的权重和训练；数据分类模块，用于实现脉搏波信号分类。
19、本专利技术的有益效果是：
20、（1）本专利技术采用矩阵脉搏波信号，避免了单传感脉搏信号定位不准确的问题；通过预处理去除采集过程中由于外界和自身呼吸等因素导致的噪声和基线漂移；对于矩阵中外围传感器的信号干扰，采用pca方法降维，提取出包含脉搏波信号较多的传感器数据，从而滤除最外周的干扰信号；
21、（2）通过pnn-lvq网络训练，实现对脉搏波信号的分类，利用lvq通过监督学习调整最接近输入信号的2个神经元之间的权重，完成对pnn网络竞争层的优化，弥补pnn的无监督学习输出的缺陷；
22、（3）采用先进鲸鱼算法优化pnn-lvq网络的输入信号，对特征信号进行权重自适应调整，从而避免因前面的降维，导致的过度筛选，只是去除最外周信号保留下来的特征信号依然不是最优的问题；
23、（4）本专利技术方法一方面避免了由于脉搏波小样本导致分类准确率低的问题，另一方面自适应调本文档来自技高网...
【技术保护点】
1.基于PNN-LVQ的特征权重自适应脉搏波分类方法，其特征是，包括步骤如下：
2.根据权利要求1所述的基于PNN-LVQ的特征权重自适应脉搏波分类方法，其特征是，步骤S2所述的预处理为采用零相位滤波器去除背景噪声，以及采用小波级联自适应滤波器去除基线漂移。
3.根据权利要求1所述的基于PNN-LVQ的特征权重自适应脉搏波分类方法，其特征是，步骤S3中降维处理过程是先计算样本的协方差矩阵的特征向量和特征值，取协方差矩阵的前n个特征值计算贡献度，取贡献度≥0.9的前p个特征值，然后根据特征值从上到下排列特征向量，形成一个矩阵P，特征提取后的p维向量表示为U=PX变换，X表示输入信号，输出信号U。
4.根据权利要求1所述的基于PNN-LVQ的特征权重自适应脉搏波分类方法，其特征是，步骤S4所述的PNN概率神经网络结构包括输入层、隐含层、输出层，网络中间的两层为隐含层，模式层为第一隐含层，通过连接权重与输入层连接，求和层为第二隐含层，对第一隐含层的输出进行有选择地求和，最后一层为输出层；将输入向量传递给输入层，根据连接权重设置模式层神经元分配数，求和
5.根据权利要求1所述的基于PNN-LVQ的特征权重自适应脉搏波分类方法，其特征是，步骤S5采用LVQ网络包括输入层、竞争层、输出层，PNN概率神经网络求和层的输出为LVQ网络的输入，输入层与竞争层之间通过权重值全连接，输出层与竞争层之间是部分连接，且权重固定为1，LVQ网络的学习算法包括两个阶段：
6.根据权利要求1所述的基于PNN-LVQ的特征权重自适应脉搏波分类方法，其特征是，步骤S6中用改进的鲸鱼优化算法对PNN-LVQ网络的输入特征信号进行自适应调整特征值的权重的过程为：鲸鱼种群初始化，随机生成输入特征信号的权重，计算个体自适应度，并记录全局最优解获取最优鲸鱼位置，计算鲸鱼算法的惯性权重z和概率阈值Q，根据全局最优原则，先自适应调整权重螺旋更新，然后自适应调整权重收缩包围，再随机搜索，更新当前鲸鱼位置直到迭代次数达到迭代值或分类结果准确率达到满意度，将所得到的最优解作为输入信号中特征参数的系数组成网络新的输入信号，再通过PNN-LVQ网络实现训练。
7.基于PNN-LVQ的特征权重自适应脉搏波分类装置，其特征是，包括带矩阵压力传感器的脉搏数据采集模块，用于获取原始矩阵脉搏波信息；数据预处理模块，用于对采集的矩阵脉搏波信号进行去除背景噪声和基线漂移预处理；降维处理模块，用于对预处理后的脉搏波信息进行降维处理；模型数据处理模块，用于对降维后的数据基于PNN-LVQ网络进行训练和权重优化，用于通过改进的鲸鱼算法进行自适应调整特征值的权重和训练；数据分类模块，用于实现脉搏波信号分类。
...【技术特征摘要】
1.基于pnn-lvq的特征权重自适应脉搏波分类方法，其特征是，包括步骤如下：
2.根据权利要求1所述的基于pnn-lvq的特征权重自适应脉搏波分类方法，其特征是，步骤s2所述的预处理为采用零相位滤波器去除背景噪声，以及采用小波级联自适应滤波器去除基线漂移。
3.根据权利要求1所述的基于pnn-lvq的特征权重自适应脉搏波分类方法，其特征是，步骤s3中降维处理过程是先计算样本的协方差矩阵的特征向量和特征值，取协方差矩阵的前n个特征值计算贡献度，取贡献度≥0.9的前p个特征值，然后根据特征值从上到下排列特征向量，形成一个矩阵p，特征提取后的p维向量表示为u=px变换，x表示输入信号，输出信号u。
4.根据权利要求1所述的基于pnn-lvq的特征权重自适应脉搏波分类方法，其特征是，步骤s4所述的pnn概率神经网络结构包括输入层、隐含层、输出层，网络中间的两层为隐含层，模式层为第一隐含层，通过连接权重与输入层连接，求和层为第二隐含层，对第一隐含层的输出进行有选择地求和，最后一层为输出层；将输入向量传递给输入层，根据连接权重设置模式层神经元分配数，求和层有选择地的对模式层的输出进行求和，输出层通过竞争完成输入数据的分类。
5.根据权利要求1所述的基于pnn-lvq的特征权重自适应脉搏波分类方法，其特征是，步骤s5采用lvq网络包括输入层、竞争层、...
【专利技术属性】
技术研发人员：孙启玉，王停停，高亚欣，刘肖，刘晓芳，崔苗苗，
申请(专利权)人：山东锋士信息技术有限公司，
类型：发明
国别省市：
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。