一种基于LSTM模型的时序心跳信号预测方法

本发明属于心跳信号预测领域，涉及循环神经网络技术，具体涉及一种基于lstm模型的时序心跳预测方法。

背景技术：

1、当今社会，我国国民的生活水平有了很大的提高，越来越多的国民在追求高质量的生活。随着健康生活的发展，睡眠质量也被人们重视。人体的健康情况在很大程度上而言是由睡眠质量决定的，拥有高质量的睡眠对人们恢复精力、调节身心健康具有举足轻重的意义。因此，对人体心跳、呼吸等特征的数据来分析对评估睡眠质量有重要价值。人体的心跳信号具有非线性特点且不是随机信号，也不是简单的周期信号，而循环神经网络技术对于心跳信号的预测具有明显的优势。例如，文献“song yt.physiological signalanalysis based on big data and deep learning[d].[master thesis].nanjinguniversity of posts and telecommunications,2018.”说明了利用大数据技术和人工智能技术，分析心跳信号的可行性。文献“yamaguchi，mitsumoto m，sengoku m,etal.synthetic aperture fm-cwradar applied to the detection of objects buriedin snowpack[j].ieeetrans gcoscience and remote sensing，1994，32(1):11一18.”通过不同微波，利用雷达双通道微波鉴相等技术，采用滤波和fft技术进行信号提取，得到心跳信号。文献“javaid a q,noble c m,rosenberg r,et al.towards sleep apneascreening with an under-the-mattress ir-uwb radar using machine learning[c].2015ieee 14th international conference on machine learning andapplications(icmla).ieee,2015.”采用机器学习的方法研究了雷达进行阻塞式睡眠呼吸暂停检测的有效性。该方法使用了不同的方法对受试者的数据进行特征提取，利用ld分类器进行分类学习。证明了机器学习在生命体征检测中的有效性。文献“faust o,hagiwara y,hong t j,etal.deep learning for healthcare applications based on physiological signals[j].computer methods&programs in biomedicine,2018,161:1-13”利用神经网络对获取到的数据进行特征提取，在分析生物信号数据具有较高的准确率。

2、但是由于传统时序预测模型具有长期依赖的局限性，如果数据集较长会发生梯度消失，最后导致信息丢失，对预测的准确率产生影响。因此，需要找到一个解决长期依赖、梯度消失等问题的方法。

技术实现思路

1、发明目的：为了解决传统时序心跳预测模型在计算过程中，因数据集较长梯度消失导致信息损失大、预测准确度低的问题，本发明提出一种基于lstm模型的时序心跳预测方法，基于lstm中记忆单元通过循环递归的方式来发掘数据间的依赖性来解决长期依赖、梯度消失的问题，从而降低信息损失，同时提高预测的准确度。

2、技术方案：为实现上述目的，本发明提出一种基于lstm模型的时序心跳信号的预测方法，包括如下步骤：

3、s1：通过毫米波雷达采集人体心跳信号；

4、s2：对采集的人体心跳信号进行归一化处理；

5、s3：构建包括输入门(input gate)、遗忘门(forget gate)、输出门(output gate)的lstm模型；

6、s4：利用步骤s2所处理的人体心跳信号数据，对所构建的lstm模型进行训练；

7、s5：利用训练好的lstm模型对测试信号进行预测，输出预测结果。

8、进一步地，所述步骤s1中人体心跳信号的采集方式为：

9、提取人体心跳信号相位差，按时域结构进行处理，并按标签分类构建共60000帧心跳数据集。

10、进一步地，所述步骤s2中归一化处理的方法为：

11、通过归一化算法，对采集的人体心跳信号进行处理，具体公式如下：

12、

13、其中，xsca为存放归一化处理后数据的列表，xsca为均值，xmax为最大值，为了不损失值负数的信号数据，采用的归一化的范围为[-1，1]。

14、进一步地，所述步骤s3中遗忘门(forget gate)的构建方法为：

15、遗忘门的功能是决定应保留或丢弃哪些信息。来自前一个隐藏状态的信息和当前输入的信息同时传递到sigmoid函数中。通过查看ht-1和xt信息来输出一个0-1之间的向量，该向量中数值表示细胞状态ct-1中信息保留或丢失，1表示完全保留，0表示完全舍弃，其中公式如下：

16、ft＝σ(wf·[ht-1,xt]+bf)

17、其中，ft表示遗忘门控制信号，ht-1表示上一时刻隐藏状态，xt表示当前时刻的输入，σ表示sigmoid激活函数，且权值wf是不共享的。

18、利用激活函数sigmoid把值压缩到0-1之间。这样设置有助于更新或忘记信息，因为任何数乘以0都得0，即为丢失，任何数乘以1都得它本身，即为保留。

19、进一步地，所述步骤s3中输入门(input gate)的构建方法为：

20、输入门用于更新细胞状态。首先将前一层隐藏的信息和当前输入的信息传递到sigmoid函数中。将数值调整到0-1之间来决定需要更新的信息。0表示不重要，1表示重要。其次，将前一层的隐藏状态的信息和当前输入的信息传递到tanh函数中去，构造一个新的候选值向量。最后将sigmoid的输出值与tanh的输出值相乘，sigmoid的输出值将决定tanh的输出值中哪些信息是需要保留的。

21、输入门将确定当前信息是否存放在记忆单元中，其中包含两部分。

22、(1)sigmoid层同样输出[0,1]的数值，决定候选状态有多少信息需要存储；

23、(2)tanh层会创建候选状态

24、其公式如下：

25、it＝σ(wi·[ht-1,xt]+bi)

26、

27、其中，tanh表示tanh激活函数，表示信息候选状态，it表示输入门控制信号。

28、激活函数tanh用于调节流经网络的值。tanh函数将数值始终限制在-1和1之间，从而调节神经网络的输出。

29、以下是将旧的细胞信息ct-1更新为新的细胞信息ct。更新规则为通过遗忘门(forget)选择遗忘一部分旧的细胞信息，通过输入门选择添加一部分候选细胞信息得到新的细胞信息ct，公式如下：

30、

31、其中，ct表示新的细胞信息，ct-1表示旧细胞信息。

32、进一步地，所述步骤s3中输出门(output gate)的构建方法为：

33、输出门用来确定下一个隐藏状态的值，隐藏状态包含了之前输入的信息。前一个隐藏状态和当前输入传递到sigmoid函数中，然后将得到新的细胞状态并传递给tanh函数。最后将tanh的输出和sigmoid的输出相乘，确定隐藏状态所携带的信息。再将隐藏状态作为当前细胞的输出，把新的细胞状态和新的隐藏状态传递到下一个时间步长中去。其公式如下：

34、ot＝σ(wo·[ht-1,xt]+bo)

35、ht＝ot*tanh(ct)

36、其中，ot表示输出们控制信号，ht表示当前时刻隐藏状态。

37、通过lstm循环单元，整个网络建立较长的时序依赖关系，可描述为：

38、

39、进一步地，所述步骤s4中对lstm模型进行训练的方式为：

40、通过adamw优化算法，以及mseloss(均方误差)，不断更新学习率，保存每10次迭代的模型，并进行测试；

41、具体过程包括如下步骤：

42、a1：选取66.67％的数据集(约40000个)作为训练集，并以40000*1的矩阵存储下来，其余的数据作为测试集以同样的形式存储下来；

43、a2：将训练集不断放入模型训练，并设定epoch(迭代周期)为100，batch_size(批次大小)为100。

44、a3：保存每迭代10个周期的训练模型，以及其均方误差(mseloss)。

45、进一步地，所述步骤s5具体为：

46、b1：提取测试集数据，将其分别输入步骤s4中保存的10个训练模型中，进行预测测试；

47、b2：分别输出其预测波形以及其均方误差(mseloss)；

48、b3：比较均方误差以及预测图，得出最好的预测结果。

49、有益效果：本发明与现有技术相比，其构建的用于预测心跳信号的lstm模型是通过深度神经网络构建而成的，通过毫米波雷达测得心跳数据，将归一化后的数据用激活函数进行处理，接着放入lstm模型中进行训练，最后保存所训练的网络模型，向模型中输入数据即可达到预测人体心跳信号的目的；本发明实现了一种基于lstm模型的时序心跳信号的预测模型，避免了传统rnn中由于梯度消失导致信息损失，预测准确度差的问题，从而有效提高了预测准确度，具备更好的预测效果。