[发明专利]基于双向GRU网络的肿瘤呼吸运动预测方法

权利要求书

1.一种基于双向GRU网络的肿瘤呼吸运动预测方法，其特征在于，包括以下步骤：

步骤一、获取肿瘤呼吸运动的历史数据，对所述历史数据进行平滑化处理和归一化处理，并对所述平滑化处理和归一化处理后的数据进行时相划分，获得预处理数据集；

步骤二、从所述预处理数据集中选定用于神经网络训练的训练集，并根据时相划分在训练集上打上呼气标签和吸气标签；

步骤三、构建双向GRU预测网络，将训练集代入预测网络以更新网络的参数，获得训练后的预测网络，具体包括：

S31、利用Keras库设定GRU网络层数、每层单元数、训练轮次、训练优化器和每次训练的数据长度，获得预测网络；

S32、将训练集数据输入S31的预测网络，并利用梯度下降法将误差反向传播回网络，对预测网络的参数进行修正，直至网络输出误差最小；

步骤四、采集实时数据，将实时数据输入至训练后的预测网络，获得呼吸运动预测值的输出；

步骤五、定期获取实际的肿瘤呼吸运动数据，将实际的肿瘤呼吸运动数据与预测值进行比对，获得误差值；设定误差阈值，若误差值高于误差阈值，则将实际的肿瘤呼吸运动数据进行预测网络模型在线更新；

其中，所述“对所述平滑化处理和归一化处理后的数据进行时相划分”具体包括：采用的是findpeak方法寻找吸气与呼气过程对应的分割点。

2.如权利要求1所述的基于双向GRU网络的肿瘤呼吸运动预测方法，其特征在于，所述步骤一中，获取的肿瘤呼吸运动的历史数据为体外标记点运动数据。

3.如权利要求1所述的基于双向GRU网络的肿瘤呼吸运动预测方法，其特征在于，所述步骤一中,“平滑化处理”采用滑动平均值方法。

4.如权利要求1所述的基于双向GRU网络的肿瘤呼吸运动预测方法，其特征在于，所述步骤一中,“归一化处理”采用Max-Min归一化方法。

5.如权利要求1所述的基于双向GRU网络的肿瘤呼吸运动预测方法，其特征在于，所述步骤二中，训练集被重构为（samples，timesteps，input dim）的三维张量，samples维度是指所有输入网络的样本，timesteps是指采样步长，input dim是指数据的输入维度。

6.如权利要求1所述的基于双向GRU网络的肿瘤呼吸运动预测方法，其特征在于，所述步骤五中，所述误差阈值为均方根误差。

7.如权利要求6所述的基于双向GRU网络的肿瘤呼吸运动预测方法，其特征在于，所述均方根误差为0.5mm。