CN115944293A - 一种基于神经网络的肾脏透析用血红蛋白水平预测系统 - Google Patents

Abstract

本发明涉及医疗保健信息学技术领域，具体涉及一种基于神经网络的肾脏透析用血红蛋白水平预测系统。该系统采集人体指端血红蛋白水平信号集；对血红蛋白水平信号进行分解获得IMF分量曲线，对IMF分量曲线进行分割，获得分割曲线；根据分割曲线之间的第一相似度，获取模式序列；将不同模式下的模式序列进行组合，构建多模式矩阵，根据多模式矩阵之间特征向量的第二相似度筛选出目标特征向量；获取IMF分量曲线的频率，调整目标特征向量之间的向量相似度，获得趋势相近度，根据趋势相近度获得血红蛋白水平信号组；分时间段将不同血红蛋白水平信号组输入到神经网络中进行训练，完成对神经网络训练。提高神经网络的预测准确性。

Description

一种基于神经网络的肾脏透析用血红蛋白水平预测系统

技术领域

本发明涉及医疗保健信息学技术领域，具体涉及一种基于神经网络的肾脏透析用血红蛋白水平预测系统。

背景技术

现有方法一般采用神经网络对血红蛋白水平信号进行预测，在使用神经网络之前需要对神经网络进行训练，才能确保神经网络预测数据的准确性。由于不同人的血红蛋白水平信号的变化波动不同，通过神经网络的训练结果也会不稳定，若采集大量不同人的血红蛋白水平信号，会使得操作不方便，同时依然存在训练结果不稳定的状况，进而导致神经网络的训练效果不好，使得实际的预测效果不准确。

发明内容

为了解决血红蛋白水平信号的变化波动不同，导致神经网络的预测结果不准确的技术问题，本发明的目的在于提供一种基于神经网络的肾脏透析用血红蛋白水平预测系统，所采用的技术方案具体如下：

本发明实施例中提供了一种基于神经网络的肾脏透析用血红蛋白水平预测系统，该系统包括以下：

数据采集模块，用于采集人体指端血红蛋白水平信号集；

模式序列获取模块，用于对每条血红蛋白水平信号进行分解获得不同模式下的IMF分量曲线，根据每条所述IMF分量曲线的周期对每条所述IMF分量曲线进行分割，获得至少两条分割曲线；根据每条所述IMF分量曲线对应的所述分割曲线之间的第一相似度，获取每个模式下的模式序列；

目标特征向量获取模块，用于将目标模式与其他模式的所述模式序列组合成所述目标模式的多模式矩阵，根据所述多模式矩阵之间特征向量的第二相似度筛选出所述目标模式下的目标特征向量；获得每条所述血红蛋白水平信号中每个模式下的所述目标特征向量；

血红蛋白水平信号组获取模块，用于以每个模式对应的所述IMF分量曲线的频率作为权重，调整任意两条所述血红蛋白水平信号内不同模式之间所述目标特征向量的向量相似度，获得趋势相近度，根据所述趋势相近度对不同所述血红蛋白水平信号进行分组，获得血红蛋白水平信号组；

神经网络训练模块，分时间段将不同所述血红蛋白水平信号组输入到神经网络中进行训练，完成对神经网络训练；

神经网络应用模块，将实际血红蛋白水平信号输入到训练好的神经网络中，获得预测序列。

进一步地，所述模式序列的获取方法，包括：

任意选取一条IMF分量曲线作为目标IMF分量曲线，计算目标IMF分量曲线内的每条分割曲线与目标IMF分量曲线内的其他所有分割曲线之间的第一相似度，将每条分割曲线对应的第一相似度相加的结果作为每条分割曲线的整体相似度，将最大的整体相似度对应的分割曲线作为所述目标IMF分量曲线对应模式下的所述模式序列。

进一步地，所述多模式矩阵的获取方法，包括：

将至少两个不同模式下的模式序列分别作为矩阵的每一行，将元素最多的模式序列中的元素数量作为基础数量，通过插值法将每个模式序列中的元素数量与基础数量保持一致，组合成为一个多模式矩阵。

进一步地，所述目标特征向量的获取方法，包括：

设置第二相似度阈值，计算每个所述多模式矩阵中每个特征向量与其他多模式矩阵中的所有特征向量之间的所述第二相似度，将所述第二相似度大于第二相似度阈值的两个所述特征向量构成特征向量匹配组；若所述特征向量匹配组之间存在公共特征向量，则将对应所述特征向量匹配组合并，获得所有合并特征向量匹配组；

以包含所述特征向量最多的所述合并特征向量匹配组中的平均特征向量作为对应模式下的所述目标特征向量。

进一步地，所述向量相似度的获取方法，包括：

将任意两条血红蛋白水平信号内不同模式的所述目标特征向量进行一对一匹配获得匹配对，获取任意一个匹配对中的两个目标特征向量对应的频率的均值作为匹配对的权重，获取匹配对之间的余弦相似度作为第三相似度，将权重与第三相似度的乘积作为对应匹配对的向量相似度。

进一步地，所述趋势相近度的获取方法，包括：

获取任意两条血红蛋白水平信号中的所有匹配对的向量相似度的和作为两条血红蛋白水平信号之间的趋势相近度。

进一步地，所述根据所述趋势相近度对不同所述血红蛋白水平信号进行分组的方法，包括：

将趋势相近度进行归一化处理，获得归一化后的趋势相近度，设置趋势相近度阈值，当归一化后的趋势相近度大于趋势相近度阈值时，将对应的两条血红蛋白水平信号划分为同一个血红蛋白水平信号组。

进一步地，所述多模式矩阵的特征向量的获取方法，包括：

通过奇异值分解SVD算法对每个多模式矩阵进行分解获得每个多模式矩阵的特征向量。

本发明具有如下有益效果：

对每条血红蛋白水平信号进行分解获得不同模式下的IMF分量曲线，便于对血红蛋白水平信号进行详细的分析，容易获取任意两条血红蛋白水平信号之间的趋势相近度；进而根据每条IMF分量曲线的周期对每条IMF分量曲线进行分割，使得获得的分割曲线能充分反映每条IMF分量曲线的特征；根据分割曲线之间的第一相似度，获取每个模式下的模式序列，根据模式序列获取对应的目标特征向量；因为每个模式下的IMF分量曲线的频率能部分反映血红蛋白水平信号的变化波动，因此以每个模式对应的IMF分量曲线的频率作为权重，调整任意两条血红蛋白水平信号内不同模式之间目标特征向量的向量相似度，获得趋势相近度，更能充分反映出血红蛋白水平信号之间的相似程度，进而对血红蛋白水平信号进行分组，获得血红蛋白水平信号组，分时间段将不同血红蛋白水平信号组输入到神经网络中进行训练，提高神经网络对不同血红蛋白水平信号的预测能力，同时减少神经网络的训练时长，使得神经网络更快的收敛，当实际血红蛋白水平信号输入到训练好的神经网络时，有助于提高预测精度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。

图1为本发明一个实施例所提供的一种基于神经网络的肾脏透析用血红蛋白水平预测系统的结构框图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于神经网络的肾脏透析用血红蛋白水平预测系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种基于神经网络的肾脏透析用血红蛋白水平预测系统的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种基于神经网络的肾脏透析用血红蛋白水平预测系统的结构框图，该系统包括：数据采集模块10、模式序列获取模块20、目标特征向量获取模块30、血红蛋白水平信号组获取模块40、神经网络训练模块50、神经网络应用模块60。

数据采集模块10，用于采集人体指端血红蛋白水平信号集。

采集多个人体的指端血红蛋白水平信号，构成血红蛋白水平信号集，作为初始的神经网络训练集。

模式序列获取模块20，用于对每条血红蛋白水平信号进行分解获得不同模式下的IMF分量曲线，根据每条IMF分量曲线的周期对每条IMF分量曲线进行分割，获得至少两条分割曲线；根据每条IMF分量曲线对应的分割曲线之间的第一相似度，获取每个模式下的模式序列。

具体的，考虑到神经网络训练前需要要对训练数据进行进一步增广，本发明实施例通过对每条初始血红蛋白水平信号进行分段，使得在采集的初始血红蛋白水平信号较少的情况下，也能获得较多的训练集数据，进而对神经网络的训练更充分，提高神经网络的预测精度。其中，对初始血红蛋白水平信号进行分段的具体方法如下：

作为一个示例，设置血红蛋白水平信号的长度为50，将血红蛋白水平信号相邻的后一位数据作为预测数据，例如，一条含有100个数据的初始血红蛋白水平信号，选取1到50的前50个数据作为血红蛋白水平信号即初始血红蛋白水平信号分段出的第一条血红蛋白水平信号，第51个数据作为第一条血红蛋白水平信号的预测数据；选取2到51的50个数据作为血红蛋白水平信号即初始血红蛋白水平信号分段出的第二条血红蛋白水平信号，第52个数据作为第二条血红蛋白水平信号的预测数据；不断迭代直至初始血红蛋白水平信号的第100个数据，至此，完成对该条初始血红蛋白水平信号的分段，获得该条初始血红蛋白水平信号分段得到的血红蛋白水平信号，进而获取每条初始血红蛋白水平信号分段出的血红蛋白水平信号。其中，血红蛋白水平信号的长度为神经网络的输入大小，实施者可以根据神经网络的实际输入数据的大小对血红蛋白水平信号的长度进行自适应设置，本发明实施例使用的神经网络是BP神经网络。在后续实施方式的描述中，将分段后的血红蛋白水平信号统称为血红蛋白水平信号。

由于血红蛋白水平信号是一种规律性较强的数据，为了便于获取血红蛋白水平信号之间的趋势相近度，本发明实施例首先通过经验模态分解EMD对血红蛋白水平信号进行分解获得不同模式下的IMF分量曲线，然后对IMF分量曲线进行分析，进一步获取每条血红蛋白水平信号的趋势变化。其中，经验模态分解EMD是公知技术，这里不再进行过多赘述。

优选地，对IMF分量曲线进行分析的过程为：任意选取一条IMF分量曲线作为目标IMF分量曲线，计算目标IMF分量曲线内的每条分割曲线与目标IMF分量曲线内的其他所有分割曲线之间的第一相似度，将每条分割曲线对应的第一相似度相加的结果作为每条分割曲线的整体相似度，将最大的整体相似度对应的分割曲线作为目标IMF分量曲线对应模式下的模式序列。

作为一个示例，每条血红蛋白水平信号通过EMD分解得到多条不同模式下的IMF分量曲线，任意选取一条IMF分量曲线作为目标IMF分量曲线，将目标IMF分量曲线通过傅里叶变换转换到频域空间，将最大幅值对应频率的倒数作为周期，通过周期的长度对目标IMF分量曲线进行分割，得到至少两条分割曲线。其中，将目标IMF分量曲线的最大幅值对应频率的倒数作为一个周期，可使得通过周期分割得到的分割曲线中一定存在一条能完全表示目标IMF分量曲线特征的分割曲线。计算每条分割曲线与其它所有分割曲线之间的余弦相似度作为第一相似度，将每条分割曲线对应的第一相似度相加的结果作为每条分割曲线的整体相似度，例如，目标IMF分量曲线经过分割后得到n条分割曲线，其中

，获取每条分割曲线与其它所有分割曲线之间的第一相似度，因此，每条分割曲线对应

个第一相似度，将

个第一相似度进行累加，所得结果作为对应分割曲线的整体相似度。选取最大的整体相似度对应的分割曲线作为目标IMF分量曲线对应模式下的模式曲线，若最大的整体相似度对应的分割曲线至少存在两条，则选择最大的整体相似度对应的任意一条分割曲线作为目标IMF分量曲线对应模式下的模式曲线。因为模式曲线是由一个一个的数值构成的，因此模式曲线的实质为一个模式序列。

其中，傅里叶变换为公知技术，这里不再进行过多赘述。

根据获取目标IMF分量曲线对应模式下的模式序列的方法，获取每条IMF分量曲线对应模式下的模式序列。一条IMF分量曲线对应模式下有一个模式序列，一条血红蛋白水平信号可分解为多条IMF分量曲线，因此一条血红蛋白水平信号有多个不同模式下的模式序列。

目标特征向量获取模块30，用于将目标模式与其他模式的模式序列组合成目标模式的多模式矩阵，根据多模式矩阵之间特征向量的第二相似度筛选出目标模式下的目标特征向量；获得每条血红蛋白水平信号中每个模式下的目标特征向量。

具体的，为了可以得到不同模式下的IMF分量曲线的目标特征向量，现有技术中可通过奇异值分解SVD算法来获取不同模式下的IMF分量曲线对应的目标特征向量，但奇异值分解SVD算法只能对矩阵进行分析，因此，本发明实施例通过不同模式下的模式序列来构建矩阵。以一条血红蛋白水平信号为例，如果将该条血红蛋白水平信号内的所有不同模式下的模式序列组成一个矩阵，该矩阵分解得到的特征向量是所有不同模式下的模式序列的多个特征向量，因此只能通过每个模式序列分别与其它任意模式序列进行组合，构成一个多模式矩阵，进而通过计算分析获得每个模式序列的目标特征向量。其中，奇异值分解SVD算法为公知技术，这里不再进行过多赘述。

每条IMF分量曲线的频率不同、周期不同，因此，每条IMF分量曲线对应模式下的模式序列不同，将同一条血红蛋白水平信号中的不同模式下的模式序列组合成多模式矩阵，要将组合成同一个多模式矩阵的多个模式序列中的元素数量保持一致，即使得多个模式序列的长度相同。

优选地，将至少两个不同模式下的模式序列分别作为矩阵的每一行，将元素最多的模式序列中的元素数量作为基础数量，通过插值法将每个模式序列中的元素数量与基础数量保持一致，组合成为一个多模式矩阵。其中，插值法为公知技术，这里不再进行过多赘述。

作为一个示例，本发明实施例获取一条血红蛋白水平信号中的任意两个不同模式下的模式序列，将两个不同模式下的模式序列分别作为矩阵的每一行，因不同模式下的模式序列的长度不同，所以构成的双模式矩阵中存在空元素，为了避免双模式矩阵中出现空元素，本发明实施例通过插值法对较短的模式序列进行插值操作，使得构成双模式矩阵的两个不同模式下的模式序列中的元素数量保持相同。选取任意一个模式作为目标模式，当计算目标模式下的模式序列的目标特征向量时，将目标模式下的模式序列与同一条血红蛋白水平信号内的其它不同模式下的模式序列组合成一个双模式矩阵，因此，目标模式的双模式矩阵有多个，形成的目标模式的双模式矩阵中存在的共同点是都含有目标模式下的模式序列，因此，目标模式的双模式矩阵通过分解，得到的共同的特征向量可以表示目标模式下的模式序列的特征。通过奇异值分解SVD算法对每个目标模式的双模式矩阵分解获得每个目标模式的双模式矩阵的特征向量，计算每个目标模式的双模式矩阵中的每个特征向量与其他的目标模式的双模式矩阵中的每个特征向量之间的余弦相似度作为第二相似度，进而根据第二相似度获取不同模式下的目标特征向量。

优选地，根据第二相似度获取不同模式下的目标特征向量的方法为：设置第二相似度阈值，计算每个多模式矩阵中每个特征向量与其他多模式矩阵中的所有特征向量之间的第二相似度，将第二相似度大于第二相似度阈值的两个特征向量构成特征向量匹配组；若特征向量匹配组之间存在公共特征向量，则将对应特征向量匹配组合并，获得所有合并特征向量匹配组；以包含特征向量最多的合并特征向量匹配组中的平均特征向量作为对应模式下的目标特征向量。

作为一个示例，本发明实施例设置第二相似度阈值为0.9，当第二相似度大于第二相似度阈值时，将第二相似度对应的两个特征向量构成特征向量匹配组，若特征向量匹配组之间存在公共特征向量，则将对应特征向量匹配组合并，获得所有合并特征向量匹配组，将第二相似度均值最大且合并特征向量匹配组中元素最多的合并特征向量匹配组作为保留组，获取保留组中的平均特征向量作为对应模式下的目标特征向量。其中合并特征向量匹配组中的元素数量作为第一保留原则，若最多元素数量对应至少两组合并特征向量匹配组，则将第二相似度均值最大的合并特征向量匹配组作为保留组。例如，a双模式矩阵对应a1、a2两个特征向量，b双模式矩阵对应b1、b2两个特征向量，c双模式矩阵对应c1、c2两个特征向量，其中a对应A、B两个模式序列，b对应A、C两个模式序列，c对应A、D两个模式序列，通过计算特征向量之间的第二相似度，根据第二相似度获得（a1、b1）合并特征向量匹配组与（a2、b2、c1）合并特征向量匹配组，则将（a2、b2、c1）合并特征向量匹配组作为保留组，将保留组中的三个特征向量的平均特征向量作为A模式序列的目标特征向量。根据获取A模式序列的目标特征向量的方法，获取每个模式下的模式序列的目标特征向量。不同模式下的IMF分量曲线只对应一个模式序列，因此，模式序列的目标特征向量即是对应不同模式下的目标特征向量。

血红蛋白水平信号组获取模块40，用于以每个模式对应的IMF分量曲线的频率作为权重，调整任意两条血红蛋白水平信号内不同模式之间目标特征向量的向量相似度，获得趋势相近度，根据趋势相近度对不同血红蛋白水平信号进行分组，获得血红蛋白水平信号组。

具体的，每条血红蛋白水平信号对应多个模式序列，每个模式序列有一个目标特征向量，即每条血红蛋白水平信号有多个目标特征向量。由于每两条血红蛋白水平信号之间没有明确的对应关系，无法直接获取两条血红蛋白水平信号之间的趋势相近度。为了增强血红蛋白水平信号之间的联系，本发明实施例将任意两条血红蛋白水平信号中的不同模式下的目标特征向量进行匹配，进而获取两条血红蛋白水平信号之间的趋势相近度。趋势相近度的具体获取方法如下：

（1）获取不同模式下的目标特征向量之间的向量相似度。

优选地，将任意两条血红蛋白水平信号内不同模式的目标特征向量进行一对一匹配获得匹配对，获取任意一个匹配对中的两个目标特征向量对应的频率的均值作为匹配对的权重，获取匹配对之间的余弦相似度作为第三相似度，将权重与第三相似度的乘积作为对应匹配对的向量相似度。

作为一个示例，本发明实施例通过KM算法，将任意两条血红蛋白水平信号中的不同模式下的目标特征向量分别进行一对一匹配获得匹配对，获取每个匹配对之间的余弦相似度作为第三相似度。当IMF分量曲线的频率越大时，说明IMF分量曲线对应的目标特征向量上变化趋势越大，因此，IMF分量曲线的频率对获取血红蛋白水平信号之间的趋势相近度具有很大的影响，本发明实施例在模式序列获取模块20中的频域空间中获得不同模式下的IMF分量曲线的频率，将一个匹配对中的两个目标特征向量对应的两条IMF分量曲线的频率的均值作为该匹配对的权重。将权重与同一个匹配对的第三相似度的乘积作为匹配对所对应的向量相似度。以血红蛋白水平信号X、Y为例，将血红蛋白水平信号X的目标特征向量作为左侧节点，将血红蛋白水平信号Y的目标特征向量作为右侧节点，每个左侧节点与每个右侧节点之间有边，边值为两个目标特征向量的向量相似度，根据KM算法的最大原则进行匹配，将血红蛋白水平信号X中的每个目标特征向量与血红蛋白水平信号Y中的每个目标特征向量进行一对一匹配获得匹配对，获取匹配对之间的余弦相似度作为第三相似度，同时获取每个匹配对所对应的频率的均值作为对应匹配对的权重，将同一个匹配对的权重与第三相似度的乘积作为匹配对的向量相似度，确定最终每个匹配对之间的向量相似度。

其中，KM算法为公知技术，这里不在进行过多赘述。

（2）根据向量相似度获取趋势相近度。

优选地，趋势相近度的获取方法为：获取任意两条血红蛋白水平信号中的所有匹配对的向量相似度的和作为两条血红蛋白水平信号之间的趋势相近度。其中，向量相似度可以更全面的反映匹配对之间的相似度；趋势相近度能直观表现出两条血红蛋白水平信号之间的相似程度。

根据趋势相近度对血红蛋白水平信号进行分组，具体操作如下：

将趋势相近度进行归一化处理，获得归一化后的趋势相近度，设置趋势相近度阈值，当归一化后的趋势相近度大于趋势相近度阈值时，将对应的两条血红蛋白水平信号划分为同一个血红蛋白水平信号组。

本发明实施例设置趋势相近度阈值为0.9，当归一化后的趋势相近度大于趋势相近度阈值时，将归一化后的趋势相近度对应的两条血红蛋白水平信号划分到同一个血红蛋白水平信号组中，根据趋势相近度对任意两条血红蛋白水平信号进行分组，获得血红蛋白水平信号组。

神经网络训练模块50，分时间段将不同所述血红蛋白水平信号组输入到神经网络中进行训练，完成对神经网络训练。

预测，就是通过之前的数据对未来的数据进行预测，神经网络训练过程中的预测就是通过之前的一段数据直接对未来的一段数据进行预测，其中，若某个数据的预测失误则会直接导致后面数据预测误差的增大。例如：对于一段数据123456来说，当血红蛋白水平信号为123时，4为对应的预测数据；当血红蛋白水平信号为234时，5为对应的预测数据；当血红蛋白水平信号为345时，6为对应的预测数据；基于此，本发明实施例提出了一种通过对血红蛋白水平信号按照趋势相近度进行分组，将趋势相近度相近的血红蛋白水平信号划分为同一个血红蛋白水平信号组进行训练，提高神经网络对不同的血红蛋白水平信号的预测能力，当实际血红蛋白水平信号输入到神经网络时，能准确的预测出血红蛋白水平信号的后续序列。为了提高神经网络的准确率，本发明实施例提出了一种输入为序列，输出为单个数据的神经网络，通过逐个血红蛋白水平信号的预测，将上一次输入的血红蛋白水平信号的第一个数据去掉、将对应的预测数据增加为最后一个数据，构建为当前输入的血红蛋白水平信号，得到输出数据，作为当前输入的血红蛋白水平信号的预测数据；通过多次的循环，可以计算得到输入的血红蛋白水平信号的一段预测数据。

在进行神经网络的训练过程中，实施者根据实际情况划分时间段，将同一个血红蛋白水平信号组在同一个时间段内进行训练，提高了神经网络对不同血红蛋白水平信号的预测能力，提高预测结果的准确性。

神经网络应用模块60，将实际血红蛋白水平信号输入到训练好的神经网络中，获得预测序列。

将实际血红蛋白水平信号输入到训练好的神经网络中，得到一个输出值，然后掐头换尾，即将实际血红蛋白水平信号的第一个数据值去掉，将输出值添加到实际血红蛋白水平信号的最后，将更新后的血红蛋白水平信号再次作为神经网络的输入，得到第二个输出值，通过多次形同的操作，可以得到实际血红蛋白水平信号的一个预测序列，实现预测目的。

至此，本发明完成。

综上所述，本发明实施例采集人体指端血红蛋白水平信号集；对血红蛋白水平信号进行分解获得IMF分量曲线，对IMF分量曲线进行分割，获得分割曲线；根据分割曲线之间的第一相似度，获取模式序列；将不同模式下的模式序列进行组合，构建多模式矩阵，根据多模式矩阵之间特征向量的第二相似度筛选出目标特征向量；获取IMF分量曲线的频率，调整目标特征向量之间的向量相似度，获得趋势相近度，根据趋势相近度获得血红蛋白水平信号组；分时间段将不同血红蛋白水平信号组输入到神经网络中进行训练，完成对神经网络训练。提高神经网络的预测准确性。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

Claims (8)

1.一种基于神经网络的肾脏透析用血红蛋白水平预测系统，其特征在于，所述系统包括：

数据采集模块，用于采集人体指端血红蛋白水平信号集；

模式序列获取模块，用于对每条血红蛋白水平信号进行分解获得不同模式下的IMF分量曲线，根据每条所述IMF分量曲线的周期对每条所述IMF分量曲线进行分割，获得至少两条分割曲线；根据每条所述IMF分量曲线对应的所述分割曲线之间的第一相似度，获取每个模式下的模式序列；

目标特征向量获取模块，用于将目标模式与其他模式的所述模式序列组合成所述目标模式的多模式矩阵，根据所述多模式矩阵之间特征向量的第二相似度筛选出所述目标模式下的目标特征向量；获得每条所述血红蛋白水平信号中每个模式下的所述目标特征向量；

血红蛋白水平信号组获取模块，用于以每个模式对应的所述IMF分量曲线的频率作为权重，调整任意两条所述血红蛋白水平信号内不同模式之间所述目标特征向量的向量相似度，获得趋势相近度，根据所述趋势相近度对不同所述血红蛋白水平信号进行分组，获得血红蛋白水平信号组；

神经网络训练模块，分时间段将不同所述血红蛋白水平信号组输入到神经网络中进行训练，完成对神经网络训练；

神经网络应用模块，将实际血红蛋白水平信号输入到训练好的神经网络中，获得预测序列。

2.如权利要求1所述的一种基于神经网络的肾脏透析用血红蛋白水平预测系统，其特征在于，所述模式序列的获取方法，包括：

任意选取一条IMF分量曲线作为目标IMF分量曲线，计算目标IMF分量曲线内的每条分割曲线与目标IMF分量曲线内的其他所有分割曲线之间的第一相似度，将每条分割曲线对应的第一相似度相加的结果作为每条分割曲线的整体相似度，将最大的整体相似度对应的分割曲线作为所述目标IMF分量曲线对应模式下的所述模式序列。

3.如权利要求1所述的一种基于神经网络的肾脏透析用血红蛋白水平预测系统，其特征在于，所述多模式矩阵的获取方法，包括：

将至少两个不同模式下的模式序列分别作为矩阵的每一行，将元素最多的模式序列中的元素数量作为基础数量，通过插值法将每个模式序列中的元素数量与基础数量保持一致，组合成为一个多模式矩阵。

4.如权利要求1所述的一种基于神经网络的肾脏透析用血红蛋白水平预测系统，其特征在于，所述目标特征向量的获取方法，包括：

设置第二相似度阈值，计算每个所述多模式矩阵中每个特征向量与其他多模式矩阵中的所有特征向量之间的所述第二相似度，将所述第二相似度大于第二相似度阈值的两个所述特征向量构成特征向量匹配组；若所述特征向量匹配组之间存在公共特征向量，则将对应所述特征向量匹配组合并，获得所有合并特征向量匹配组；

以包含所述特征向量最多的所述合并特征向量匹配组中的平均特征向量作为对应模式下的所述目标特征向量。

5.如权利要求1所述的一种基于神经网络的肾脏透析用血红蛋白水平预测系统，其特征在于，所述向量相似度的获取方法，包括：

将任意两条血红蛋白水平信号内不同模式的所述目标特征向量进行一对一匹配获得匹配对，获取任意一个匹配对中的两个目标特征向量对应的频率的均值作为匹配对的权重，获取匹配对之间的余弦相似度作为第三相似度，将权重与第三相似度的乘积作为对应匹配对的向量相似度。

6.如权利要求5所述的一种基于神经网络的肾脏透析用血红蛋白水平预测系统，其特征在于，所述趋势相近度的获取方法，包括：

获取任意两条血红蛋白水平信号中的所有匹配对的向量相似度的和作为两条血红蛋白水平信号之间的趋势相近度。

7.如权利要求1所述的一种基于神经网络的肾脏透析用血红蛋白水平预测系统，其特征在于，所述根据所述趋势相近度对不同所述血红蛋白水平信号进行分组的方法，包括：

将趋势相近度进行归一化处理，获得归一化后的趋势相近度，设置趋势相近度阈值，当归一化后的趋势相近度大于趋势相近度阈值时，将对应的两条血红蛋白水平信号划分为同一个血红蛋白水平信号组。

8.如权利要求1所述的一种基于神经网络的肾脏透析用血红蛋白水平预测系统，其特征在于，所述多模式矩阵的特征向量的获取方法，包括：

通过奇异值分解SVD算法对每个多模式矩阵进行分解获得每个多模式矩阵的特征向量。

Images