科研之友
微信
新浪微博
Facebook
分享链接
摘要
将FMCW雷达检测到的人体生命体征信号，用于预测未来一段时间内人体生命体征信号是否异常，具有明显的应用价值。该方向当前研究主要针对如何进一步降低重构误差、提升生命体征信号的预测精度。为此，本文提出一种自适应变分模态分解-长短期记忆神经网络的生命体征信号预测方法。针对静止状态下的人体，通过雷达采集到的生命体征信号，采用粒子群算法优化变分模态分解VMD的模态分量个数K和惩罚系数α的值，实现自适应选取后用于VMD分解，再将分解后的模态分量进行叠加重构。采用粒子群算法优化长短期记忆网络模型中的网络层数、学习率、正则化系数等3个参数，自适应选取合适的参数组合，将重构后的信号通过优化后的LSTM网络进行预测。实验结果显示本文所提预测方法在10位志愿者的预测结果与原始数据的均方根误差平均值为0.0171889，平均绝对误差的平均值为0.007158，相较于当前其他研究，预测精度上有明显提升。
-
单位重庆邮电大学; 通信与信息工程学院
