北京生物医学工程
北京生物醫學工程
북경생물의학공정
BEIJING BIOMEDICAL ENGINEERING
2014年
4期
355-364
,共10页
心率预测%运动量%神经网络
心率預測%運動量%神經網絡
심솔예측%운동량%신경망락
heart rate prediction%physical activity%neural network
目的 利用神经网络建立有效的基于运动量的心率预测模型,分析运动量与心率变化之间的关系.方法 通过对运动量信号进行不同分析(预处理),并采用不同的神经网络的结构及学习算法,单步或多步预测方式建立了6个预测模型,然后利用采集到的真实数据进行测试,并对各模型结构框架及预测结果进行了对比.结果 建立的模型平均预测误差均保持在一个很小的范围内.结论 利用神经网络建立心率预测模型可有效地反映运动量如何影响心率变化.对比结果表明,在单步预测中,利用神经网络拓扑增强技术(neuro-evolution of augmenting topologies,NEAT)建立的心率预测模型可达到最佳的预测效果,而多步预测利用Adams-Bashforth技术得到的预测结果是最好的.
目的 利用神經網絡建立有效的基于運動量的心率預測模型,分析運動量與心率變化之間的關繫.方法 通過對運動量信號進行不同分析(預處理),併採用不同的神經網絡的結構及學習算法,單步或多步預測方式建立瞭6箇預測模型,然後利用採集到的真實數據進行測試,併對各模型結構框架及預測結果進行瞭對比.結果 建立的模型平均預測誤差均保持在一箇很小的範圍內.結論 利用神經網絡建立心率預測模型可有效地反映運動量如何影響心率變化.對比結果錶明,在單步預測中,利用神經網絡拓撲增彊技術(neuro-evolution of augmenting topologies,NEAT)建立的心率預測模型可達到最佳的預測效果,而多步預測利用Adams-Bashforth技術得到的預測結果是最好的.
목적 이용신경망락건립유효적기우운동량적심솔예측모형,분석운동량여심솔변화지간적관계.방법 통과대운동량신호진행불동분석(예처리),병채용불동적신경망락적결구급학습산법,단보혹다보예측방식건립료6개예측모형,연후이용채집도적진실수거진행측시,병대각모형결구광가급예측결과진행료대비.결과 건립적모형평균예측오차균보지재일개흔소적범위내.결론 이용신경망락건립심솔예측모형가유효지반영운동량여하영향심솔변화.대비결과표명,재단보예측중,이용신경망락탁복증강기술(neuro-evolution of augmenting topologies,NEAT)건립적심솔예측모형가체도최가적예측효과,이다보예측이용Adams-Bashforth기술득도적예측결과시최호적.
