一种呼吸运动预测方法及系统

本发明涉及深度学习，具体涉及呼吸运动预测。

背景技术：

1、目前，呼吸运动预测技术正在不断发展，并且机器学习方法在该领域得到了广泛应用。传统的机器学习方法包括非参数回归预测、基于小波分解和神经网络分解、自适应卡尔曼滤波器以及支持向量机回归预测等。近年来，随着深度学习的发展，为呼吸预测方法提供了新的思路。深度学习方法主要包括多层感知机、卷积神经网络和长短期记忆网络等。这些方法在呼吸运动的短时时序预测方面取得了显著进展。

2、然而，目前现有预测方法在对呼吸信号长时时序预测中仍然存在较大误差。首先，长时时序预测受到呼吸信号的复杂性和非线性的影响，呼吸信号具有多种频率成分和非线性特征，这使得预测方法难以准确地捕捉到呼吸信号的动态变化，此外，呼吸信号还受到多种因素的影响，如心率、体位和情绪等，这增加了较长时序信号预测的难度；其次，目前现有预测方法对呼吸信号不规则峰值处预测也存在预测误差较大的问题，呼吸信号中的峰值通常表示呼吸运动的高峰期，然而，由于呼吸信号的不规则性和噪声的存在，目前的预测方法在捕捉和预测不规则峰值信号的性能方面存在一定的局限性，可能导致预测结果的不准确性和不稳定性。这两个问题是目前利用深度学习技术进行呼吸运动预测亟须解决的。

3、因此，采用改进的深度学习呼吸运动混合预测模型方法对提升呼吸信号不规则峰值处和长时时序预测的精度尤为重要。

技术实现思路

1、本发明提供一种呼吸运动预测方法，所述方法包括如下步骤：

2、s1、获取呼吸运动轨迹数据，所述呼吸运动轨迹数据为对采集的人体呼吸运动轨迹数据进行模态分解后，得到的不同频率本征模态函数分量；

3、s2、对呼吸运动轨迹数据进行预处理，获得预处理后的样本集；

4、s3、对所述样本集进行数据集划分，划分为训练集、验证集以及测试集；

5、s4、构建呼吸运动预测模型，所述模型依次包括二维多通道卷积神经网络模块、轻量级注意力机制模块、最大池化层、拼接聚合层、展平层、时序卷积神经网络模块以及展平层；

6、s5、使用所述训练集对呼吸运动预测模型进行训练；使用所述验证集调整模型参数；使用所述测试集对呼吸运动预测模型进行评估，同时得出呼吸运动预测结果。

7、本发明还进一步提供一种呼吸运动预测系统，所述系统包括：

8、数据获取模块：获取呼吸运动轨迹数据，所述呼吸运动轨迹数据为对采集的人体呼吸运动轨迹数据进行模态分解后，得到的不同频率本征模态函数分量；

9、数据预处理模块：对呼吸运动轨迹数据进行预处理，获得预处理后的样本集；

10、数据划分模块：对所述样本集进行数据集划分，划分为训练集、验证集以及测试集；

11、模型构建模块：构建呼吸运动预测模型，所述模型依次包括二维多通道卷积神经网络模块、轻量级注意力机制模块、最大池化层、拼接聚合层、展平层、时序卷积神经网络模块以及展平层；

12、呼吸运动预测模块：使用所述训练集对呼吸运动预测模型进行训练；使用所述验证集调整模型参数；使用所述测试集对呼吸运动预测模型进行评估，同时得出呼吸运动预测结果。

13、本发明的有益效果为：

14、首先，本发明构建的呼吸运动预测模型首先设计一系列二维卷积层对通过模态分解的呼吸信号进行多种频率特征提取；这些卷积层采用不同大小的卷积核，例如（3*1）、（3*5）等，而不是以往传统的（1*1）、（3*3）规则卷积核大小，通过设计不同卷积核大小以捕获呼吸信号的不同时间尺度的局部特征，并根据特征种类以及大小等设计合适的卷积通道数来充分提取呼吸信号的特征信息，并使其在垂直方向上滑动，以更好地捕捉时间相关性，有效学习到不同时间尺度下的呼吸信号特征。

15、其次，本发明构建的呼吸运动预测模型在每一个二维神经网络卷积通道后加入轻量级注意力机制对模型进行优化。在进行轻量级注意力机制构建时，没有采用传统的全连接层，而是采用一维卷积层进行改进；通过一维卷积有效地实现不降维的局部跨信道交互策略，考虑每一个通道及其近邻来捕获跨通道交互，实现对每个卷积通道的权重系数的高效学习，捕获呼吸信号从局部到全局重要特征，相较于其他注意力机制，其拥有更少的参数和模型复杂度，可以帮助呼吸运动预测模型提高长时时序预测和不规则的峰值处的预测性能；

16、为了与构建的轻量级注意力机制相配合，本发明构建的模型在初始输入时就采用多通道的输入，在每一个通道注意力机制后添加2*2最大池化层，再通过拼接聚合层加权聚合得到更丰富的特征，实现并行的多尺度特征融合。

17、最后，采用时序卷积神经网络模块（temporal convolutional network）对呼吸信号进行预测，利用时序卷积神经网络中的因果卷积识别出不同频率特征间的因果关系，利用膨胀卷积层和残差连接捕捉序列的长期依赖关系，从而得出呼吸信号未来信息。

18、本发明构建的呼吸运动预测模型可以缓解呼吸信号预测中存在特征捕捉不足的问题，进而缓解长期预测窗口出现梯度爆炸问题，显著提高了呼吸预测模型在长时时序预测和呼吸信号不规则的峰值处的预测能力，为提升呼吸预测的精度和稳定性提供了新的方法。

技术特征：

1.一种呼吸运动预测方法，其特征在于，所述方法包括如下步骤：

2.根据权利要求1所述的呼吸运动预测方法，其特征在于，所述呼吸运动轨迹数据为对采集的人体呼吸运动轨迹数据进行模态分解后，得到的不同频率本征模态函数分量。

3.根据权利要求2所述的呼吸运动预测方法，其特征在于，所述预处理包括数据筛选、去除异常值、平滑降噪和归一化。

4.根据权利要求3所述的呼吸运动预测方法，其特征在于，所述二维多通道卷积神经网络模块中，通道数由输入数据的特征种类及大小决定，每个二维卷积神经网络中采用不同大小的卷积核；所述二维多通道卷积神经网络模块对输入的数据进行特征提取。

5.根据权利要求4所述的呼吸运动预测方法，其特征在于，轻量级注意力机制模块的构建步骤为：

6.根据权利要求5所述的呼吸运动预测方法，其特征在于，所述最大池化层对加权后的特征图进行特征降维处理，提取重要特征丢弃无关特征；轻量级注意力机制模块中的每个轻量级注意力机制都对应一个最大池化层，最大池化层中窗口大小设置为2*2。

7.根据权利要求6所述的呼吸运动预测方法，其特征在于，所述拼接聚合层对最大池化层的输出进行拼接聚合处理后输出。

8.根据权利要求7所述的呼吸运动预测方法，其特征在于，所述展平层将输入的数据进行展平处理，将数据转化为一维后输出。

9.根据权利要求8所述的呼吸运动预测方法，其特征在于，所述时序卷积神经网络模块由依次连接的残差块构成，其中残差块的数量根据实际需要人为设置，残差块包括因果卷积、膨胀卷积和残差连接；时序卷积神经网络模块根据输入的数据对呼吸运动轨迹进行预测后输出。

10.一种呼吸运动预测系统，其特征在于，所述系统包括：

技术总结一种呼吸运动预测方法及系统，涉及深度学习技术领域，具体涉及呼吸运动预测技术领域。所述方法包括如下步骤：获取呼吸运动轨迹数据；对呼吸运动轨迹数据进行预处理，获得预处理后的样本集；对所述样本集进行数据集划分，划分为训练集、验证集以及测试集；构建呼吸运动预测模型，所述模型依次包括二维多通道卷积神经网络模块、轻量级注意力机制模块、最大池化层、拼接聚合层、展平层、时序卷积神经网络模块以及展平层；使用所述训练集对呼吸运动预测模型进行训练；使用所述验证集调整模型参数；使用所述测试集对呼吸运动预测模型进行评估，同时得出呼吸运动预测结果。技术研发人员：史丽娟,刘远,赵剑,安天博,王海燕,匡哲君,孙向阳,刘明亮,张静受保护的技术使用者：长春大学技术研发日：技术公布日：2024/7/29