一种基于多因素线索网络的血压预测方法技术

本发明专利技术公开一种基于多因素线索网络的血压预测方法，用户的个人基本信息以及与血压相关联的时序测量数据作为辅助因素作用于血压预测。利用现有的双通道预测的LSTM模型形成血压预测通道和时序预测通道，双通道工作原理相同。运用的多任务学习通过血压预测通道利用近期血压观测值预测血压预测值y1；时序预测通道通过与血压关联的时序测量数据预测时序数据预测值y2，本发明专利技术所提供的预测血压的方法，用户通过预测值，就可以改变生活习惯，采取一定的措施和手段改善血压状况，达到身体健康的目的。

【技术实现步骤摘要】
一种基于多因素线索网络的血压预测方法
本专利技术涉及一种基于多因素线索网络的血压预测方法。
技术介绍
血压检测中，研究者们多用光电容积脉搏波(PPG)[12]、脉搏传导时间(PTT)[13]、心电图(ECG)[14]、血压仪示波[15]等这些人体生理信号来估测实时的血压值。对于这类血压估测经常用到的模型有线性回归模型[16]，支持向量机(SVM)[17]，支持向量回归(SVR)[18]，递归神经网络[19]，改进的高斯混合回归(IGMR)方法[20]，多模型混合[21，22]等等。文献[12]仅使用光电容积脉搏波(PPG)，基于递归神经网络(LSTM)开发出了一种高精度，估测连续动脉血压的模型，文献[13]采用了新的数据处理方式Two-stageZero-orderHolding(TZH)处理脉搏传导时间(PTT)，也是基于LSTM模型建模，并与传统线性回归方法对比，提高了血压估测的精度，文献[16]使用了线性回归模型，该模型结合了静态和动态PTT特征来更准确地估测用户血压值，文献[23]将深度信念网络(DeepBeliefNetwork)引入血压值的估测，文献[24]提出模拟特征回归模型学习从示波信号获得的模拟特征向量与目标血压之间的复杂非线性关系，文献[25]提出一种小波神经网络算法，根据PPG信号重建完整的血压波形以提取收缩压和舒张压。以上血压检测研究利用示波信号来实现对血压数据的估测，使用估测结果对用户的血压状况进行评价，当用户血压处于非正常状态时，对用户进行提醒预警，这类方法需要设备来测量，无法提前预测血压变化情况，要实现及时有效的血压预警非常困难。
技术实现思路
本专利技术的目的在于提供一种基于多因素线索网络的血压预测方法。本专利技术采用的技术方案是：一种基于多因素线索网络的血压预测方法，其包括以下步骤：步骤1，输入近期血压观测值X1＝[x11，x12，...，xln]，采用现有的双通道预测的LSTM模型获取血压预测通道隐藏层输出h3；步骤2，输入与血压关联的时序数据X2＝[x21，x22，…，x2n]，采用现有的双通道预测的LSTM模型获取时序数据预测通道隐藏层输出h4；步骤3，从原始用户信息数据提取与血压预测相关性高的N个因素数据融合得到用户基本信息线索b，N为大于2的整数：步骤4，血压预测通道隐藏层输出h3、时序数据预测通道隐藏层输出h4、基本信息线索b的数据联合并采用Relu函数进行非线性激活得到隐藏层输出h5，计算公式如下：h5＝Relu(h3W3+h4T+bQ)(3.3)其中，W3表示血压预测通道隐藏层输出的权重，T表示时序数据预测通道隐藏层输出的权重，Q表示基本信息线索的权重；步骤5，应用线性回归得到血压预测值和时序数据预测值，计算公式如下：y1*＝h5V1+b1(3.4)y2*＝h4V2+b2(3.5)其中，V1是血压预测的线性回归参数，V2是时序数据预测的线性回归参数，b1是血压预测的偏差，b2是时序数据预测的偏差；y1表示血压预测值，y2表示预测时序数据预测值。进一步地，步骤2中具体选取用户的心率数据作为时序数据。进一步地，步骤3中基本信息线索包括用户基本信息及环境温度，用户基本信息包括年龄、性别、BMI、身高、体重、服药情况、饮酒情况、吸烟情况。进一步地，步骤3的具体步骤如下：步骤3.1，获取包括各个关联因素数据的原始用户信息数据；步骤3.2，采用皮尔森相关系数去计算原始用户信息数据中各关联因素数据与血压数值的相关性大小，步骤3.3，从各关联因素数据中选取相关系数排列的前N个因素融合得到用户基本信息线索b，融合公式如下：其中，datan代表第n个因素值，pearn代表第n个因素对应的相关系数大小在所有系数中所占比例。进一步地，步骤3中N的取值为7。本专利技术采用以上技术方案，将用户的个人基本信息以及与血压相关联的时序测量数据(心率)作为辅助因素作用于血压预测，添加的相关时序测量数据的预测结果，将模型中添加的所有因素看作用户未来一天所有线索数据，在预测其未来血压时提前将用户的状态输送给血压预测。利用现有的双通道预测的LSTM模型形成血压预测通道和时序预测通道，双通道工作原理相同。血压预测通道利用近期血压观测值X1＝[x11，x12，...，x1n]预测血压预测值y1；时序预测通道通过与血压关联的时序测量数据X2＝[x21，x22，...，x2n]预测时序数据预测值y2，运用的多任务学习。用户通过预测值，就可以改变生活习惯，采取一定的措施和手段改善血压状况，达到身体健康的目的。附图说明以下结合附图和具体实施方式对本专利技术做进一步详细说明；图1为本专利技术采用的网络模型结构示意图；图2为本专利技术的多任务训练示意图；图3为血压与心率相关对比示意图。具体实施方式如图1-3之一所示，本专利技术提出一种多因素线索-LSTM网络，将用户的个人基本信息以及与血压相关联的时序测量数据(心率)作为辅助因素作用于血压预测，此模型添加时序因素时，不是添加的相关时序测量数据本身，而是添加的相关时序测量数据的预测结果，可以将模型中添加的所有因素看作用户未来一天所有线索数据，在预测其未来血压时提前将用户的状态输送给血压预测，故将模型定义为本专利技术Cues-LSTM网络。如图1所示，本专利技术采用现有的LSTM双通道预测模型结构，该模型包括双通道预测：血压预测通道和时序预测通道。血压预测通道利用近期血压观测值X1＝[X11，x12，...，x1n]预测血压预测值y1；时序预测通道通过与血压关联的时序测量数据X2＝[x21，x22，...，x2n]预测时序数据预测值y2，二者取相同的n个时间长度的数据。本专利技术同时对血压和时序数据预测结果进行输出采用的是多任务训练的思想如图2所示。其中，用户的个人信息包括几个与血压值息息相关的几个因素直播如下表1所示：表1与血压有关的用户基本信息本专利技术方法的具体工作流程：(1)时序数据X＝[X1，X2]通过双层LSTM网络，对输出结果进行拆分，分别得到血压和时序预测通道上隐藏层的输出h1和h2，对二者选用Relu(x)＝max(0，x)来进行非线性激活。Relu会使部分神经元的输出为0，缓解了过拟合问题的发生，使用Relu在进行反向传播时计算量会节省很多，相比较的，对于深层网络，sigmoid和tanh在反向传播时，很容易会出现梯度消失的情况。(2)对于用户基本信息线索b的处理，原始数据中包含多个与血压数据相关联的因素数据，首先采用皮尔森相关系数去计算各关联因素数据与血压数值的相关性大小，计算方法见式(3.1)，其中对于用户的基本信息线索，采用用户个人所有血压数据记录的平均值来计算与其相关系数大小，从中选取相关系数排列的前7个因素按公式(3.2)融合得到模型中的基本信息线索b。同时，此处在进行因素选取时，要考虑因素之间共线性的影响，如，在计算时，臀围和腰臀比与血压相关性大小差不多，我们只选取腰臀比作为一个因素，避免腰围与腰臀比这种本身关联性比较的因素都被选取进来，对模型训练造成干扰。其中，cov(X，Y)代表X和Y的协方差，σX，σY分别代表各自的标准差。其中，datan代表第n个因素值，pearn代表第n个因素对应的相关系数大小在所有系数中所占比例。(3)为血压预测通道隐藏层输出h3、时序数据本文档来自技高网...

【技术保护点】
1.一种基于多因素线索网络的血压预测方法，其特征在于：其包括以下步骤：步骤1，输入近期血压观测值X1＝[x11，x12,…,x1n]，采用现有的双通道预测的LSTM模型获取血压预测通道隐藏层输出h3；步骤2，输入与血压关联的时序数据X2＝[x21，x22,…,x2n]，采用现有的双通道预测的LSTM模型获取时序数据预测通道隐藏层输出h4；步骤3，从原始用户信息数据提取与血压预测相关性高的N个因素数据融合得到用户基本信息线索b，N为大于2的整数：步骤4，血压预测通道隐藏层输出h3、时序数据预测通道隐藏层输出h4、基本信息线索b的数据联合并采用Relu函数进行非线性激活得到隐藏层输出h5，计算公式如下：h5＝Relu(h3W3+h4T+bQ)   (3.3)其中，W3表示血压预测通道隐藏层输出的权重，T表示时序数据预测通道隐藏层输出的权重，Q表示基本信息线索的权重；步骤5，应用线性回归得到血压预测值和时序数据预测值，计算公式如下：y1*＝h5V1+b1   (3.4)y2*＝h4V2+b2       (3.5)其中,V1是血压预测的线性回归参数，V2是时序数据预测的线性回归参数，b1是血压预测的偏差，b2是时序数据预测的偏差；y1表示血压预测值，y2表示预测时序数据预测值。...

【技术特征摘要】
1.一种基于多因素线索网络的血压预测方法，其特征在于：其包括以下步骤：步骤1，输入近期血压观测值X1＝[x11，x12,…,x1n]，采用现有的双通道预测的LSTM模型获取血压预测通道隐藏层输出h3；步骤2，输入与血压关联的时序数据X2＝[x21，x22,…,x2n]，采用现有的双通道预测的LSTM模型获取时序数据预测通道隐藏层输出h4；步骤3，从原始用户信息数据提取与血压预测相关性高的N个因素数据融合得到用户基本信息线索b，N为大于2的整数：步骤4，血压预测通道隐藏层输出h3、时序数据预测通道隐藏层输出h4、基本信息线索b的数据联合并采用Relu函数进行非线性激活得到隐藏层输出h5，计算公式如下：h5＝Relu(h3W3+h4T+bQ)(3.3)其中，W3表示血压预测通道隐藏层输出的权重，T表示时序数据预测通道隐藏层输出的权重，Q表示基本信息线索的权重；步骤5，应用线性回归得到血压预测值和时序数据预测值，计算公式如下：y1*＝h5V1+b1(3.4)y2*＝h4V2+b2(3.5)其中,V1是血压预测的线性回归参数，V2是时序数据预测的线性回...

【专利技术属性】
技术研发人员：刘宁，
申请(专利权)人：泉州师范学院，
类型：发明
国别省市：福建,35