论文部分内容阅读
血压作为人体重要生理体征,可靠有效的血压预测在医疗决策中具有重要意义。近年来高血压急症和脑溢血等心血管相关的疾病严重威胁人类的身体健康。在临床上,血压是一项重要检查的指标,经常用来诊断高血压、急性低血压、评价心血管功能是否正常,因此对动脉血压进行有效的预测,能为医护人员提供有效的医疗决策信息,同时使医护人员可以快速定位病因并采取相应的救治措施,从而有效的控制患者的病情。同时,互联网、物联网和云计算等技术快速发展为人体血压预测提供技术支持。本文将人体动脉血压作为研究对象,以时间序列模型来对其进行预测。首先,以人工神经网络为理论基础,分析并选择在预测领域广泛使用的三种人工神经网络方法:BP神经网络预测方法、Elman神经网络预测方法以及基于遗传算法优化的BP神经网络预测方法,以这三种方法来建立血压时间序列预测模型,并对这三种方法建立的预测模型进行实验分析并探讨改进方案。然后提出基于小波分析的BP神经网络血压预测模型,即先将血压时间序列进行小波三层分解与单支重构还原,分别对分解后的信号进行分析,从而对小波重构后的每层信号分别建立BP神经网络预测模型进行预测,通过对每层血压分量预测的结果叠加即可得到最终血压预测值。最后,结合小波分解与重构后信号的特点进行分析,发现小波分解与重构后的高频信号为平稳信号、低频信号仍然为非平稳信号,针对这一特点提出了基于小波分析的BP神经网络和自回归滑动平均(Auto Regression Moving Average,ARMA)组合血压预测模型,对高频信号重新建立预测模型,即用平稳时间序列方法自回归滑动平均模型来进行高频分量预测,低频趋势分量仍然使用BP神经网络模型进行预测。实验表明,改进后的组合预测模型对于血压预测能取得更好的预测效果。论文中以时间序列预测法建立的三种人工神经网络模型在人体血压预测中取得一定的效果,但并不理想。通过引入小波多分辨率分析,用Mallat快速算法将血压时间序列分解成不同频率成分分量,使得每层分量信息更加单一,预测模型能够极佳逼近人体血压的变化,达到可靠预测要求。结合小波分解与重构后信号的特点,对高频信号建立自回归滑动平均预测模型、低频信号依旧使用BP神经网络预测模型,该组合预测模型在人体血压预测精度上得到了进一步提高。本文提出的组合预测模型为人体血压预测提供了一种可靠有效的方法。但本文也有不足,预测模型中未对影响血压变化因素进行考虑,此外,样本数据中可能存在异常数据对模型的预测效果造成干扰,需要使用更加完善的数据处理方法。