基于RBF和LSTM模型的多因素网络的血压预测方法技术

本发明专利技术公开基于RBF和LSTM模型的多因素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利用现有的双通道预测的LSTM模型获取血压预测输出h3；步骤2，输入时序测量数据利用现有的双通道预测的LSTM模型获取时序数据预测输出h4；步骤3，采用RBF神经网络对用户基本信息归类且线性求和获取输出h6并作为基本信息线索b，步骤4，将h3、h4、h6数据联合后采用Relu非线性激活得到输出h5，步骤5，应用线性回归分别得到血压的预测值和时序线索的预测值。本发明专利技术引入RBF网络对输入的用户信息进行特征提取，将预测血压预测值和时序数据预测值与用户信息相关联，以适应不同人群特点，具有更好预测效果，适用于血压长期预测。

Blood Pressure Prediction Method Based on RBF and LSTM Model and Multi-factor Network

The present invention discloses a multi-factor network blood pressure prediction method based on RBF and LSTM models, which includes the following steps: step 1, input the recent blood pressure observation value and use the existing two-channel prediction LSTM model to obtain the blood pressure prediction output h3; step 2, input the time series measurement data and use the existing two-channel prediction LSTM model to obtain the time series data to predict the output h4; step 3, use RBF neural network to predict the output h4; The network categorizes the basic information of users and extracts the output H6 linearly as the basic information clue B. Step 4 combines the h3, H4 and H6 data and uses Relu non-linear activation to get the output h5. Step 5 applies linear regression to get the predicted value of blood pressure and the predicted value of timing clue, respectively. The invention introduces RBF network to extract features of input user information, and correlates predicted blood pressure values and time series data predicted values with user information, so as to adapt to the characteristics of different populations, have better predictive effect and be suitable for long-term blood pressure prediction.

【技术实现步骤摘要】
基于RBF和LSTM模型的多因素网络的血压预测方法
本专利技术涉及医疗
，尤其涉及基于RBF和LSTM模型的多因素网络的血压预测方法。
技术介绍
血压是一个人健康状况的重要指标，血压过高容易发生心肌梗死、心力衰竭、脑出血等突发状况。为了预防血压的不良变化带来严重后果，提前对血压进行预测以监控血压变化非常重要。血压监测包括测量和预测两种方法，绝大部分血压计采用听诊法和示波法等换算测量得到某一时刻的血压值。随着健康管理的普及，从连续的历史血压数据来提前预测近期可能的血压变化成为可能。然而，仅仅采用用户连续时段的血压数据预测其下一时段的血压是不全面的。事实上，血压的变化与很多因素相关，将这些因素作为辅助因素用于血压预测，将会提高血压预测的准确度。目前使用历史血压测量数据对血压值进行预测的研究还是比较少，该方面研究多采用机器学习算法和神经网络算法。文献[26]采用多模糊函数模型来预测平均动态血压，该方法改善了在进行连续多个时间段的血压预测的误差累积状况，但没有能够充分利用血压数据时间状态上的关联性和其他与血压关联的因素对其的影响，文献[27]采用回声状态网络来进行血压预测，回声状态网络是为解决传统递归神经网络(RNN)出现梯度消失与梯度爆炸问题而提出，其在RNN中添加了储备池来对简单时序数据进行记忆，但该网络只能进行短期的记忆，不能很好处理复杂动态问题，文献[28]分别采用BP神经网络和径向基神经网络使用用户个人信息预测用户的舒张压情况，对高于舒张压正常范围的用户进行提醒，对用户信息与舒张压情况建立关系，但该方法仅有单次预测能力，不具有实时预测，实时监控的能力，不能及时为用户提供血压预警，文献[29]基于递归神经网络，提出了一种带有用户辅助信息层的递归模型(LSTM-CL)来预测用户的血压值，但模型没有考虑基本信息与血压的相关性大小差异和时序测量数据与血压变化关系，以上方法单从血压本身或一些简单的相关数据出发，没有能够充分利用与血压相关联的数据变化对血压的影响。
技术实现思路
本专利技术的目的在于提供基于RBF和LSTM模型的多因素网络的血压预测方法。本专利技术采用的技术方案是：基于RBF和LSTM模型的多因素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,…,x1n]，利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测量数据X2＝[x21，x22,…,x2n]，利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，获取用户基本信息，采用RBF神经网络对用户基本信息归类且线性求和得到隐藏层输出h6并作为基本信息线索b，步骤4，将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、用户基本信息线索h6数据联合后采用Relu来进行非线性激活得到隐藏层输出h5，见公式(4)，h5＝Relu(h3W3+h4T+h6Q)MERGEFORMAT(4)；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，应用线性回归来分别得到血压的预测值和时序线索的预测值，计算公式如下：y1*h5V1+b1MERGEFORMAT(5)y2*h5V2+b2MERGEFORMAT(6)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中用户信息包括：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的具体步骤为：步骤3.1，将用户基本信息整理成M维向量B，B＝[b1,b2,…,bm]输入给RBF神经网络；步骤3.2，RBF神经网络的神经元采用聚类的方法对输入的用户信息聚类中心点将用户信息进行归类处理，步骤3.3，线性求和得到RBF神经网络的隐藏层输出h6作为基本信息线索b。进一步地，步骤3中采用K-means聚类方法进行归类处理。进一步地，步骤3中使用采用高斯函数作为RBF神经网络隐藏层单元的传递函数。进一步地，步骤3中由RBF神经网络的每个神经元的核函数处理聚类中心点及附近的类或者对象，聚类中心点即为各个神经元中核函数的中心点。本专利技术采用以上技术方案，基于现有的LSTM的双通道模型，分别通过LSTM的血压预测通道利用近期血压观测值预测血压预测值；通过LSTM的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，运用的多任务学习的思想；关键是引入RBF网络对输入的用户信息来进行特征提取，将预测的血压预测值和时序数据预测值能够与用户信息相关联，以适应不同人群特点，且具有更好预测效果，适用于血压长期预测。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为本专利技术基于RBF和LSTM模型的多因素网络的血压预测方法的框架示意图。具体实施方式如图1所示，本专利技术公开了基于RBF和LSTM模型的多因素网络的血压预测方法。现有技术中通过将用户的个人信息与环境因素信息添加进血压预测，与血压相关的不同类型因素采用不同的方法进行处理，采用传统统计学方法将用户的个人信息按不同比重进行组合得到模型中的b值，个人信息包括：年龄、性别、BMI、身高、体重、服药情况、饮酒情况、吸烟情况等。为了克服在对用户进行分类后预测效果比较时，不同分类结果之间差异很大，用户血压预测的个性化时面对不同人群模型的适应能力差的状况。本专利技术采用RBF网络来克服原先按照相关性及因素重要程度进行赋不同权重的组合方法，减少人为干涉，更加智能化进行特征提取。本专利技术的基于RBF和LSTM模型的多因素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,…,x1n]，利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测量数据X2＝[x21，x22,…,x2n]，利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，获取用户基本信息，采用RBF神经网络对用户基本信息归类且线性求和得到隐藏层输出h6并作为基本信息线索b，步骤4，将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、用户基本信息线索h6数据联合后采用Relu来进行非线性激活得到隐藏层输出h5，见公式(4)，h5＝Relu(h3W3+h4T+h6Q)MERGEFORMAT(4)；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，应用线性回归来分别得到血压的预测值和时序线索的预测值，计算公式如下：y1*h5V1+b1MERGEFORMAT(5)y2*h5V2+b2MERGEFORMAT(6)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中用户信息包括：年龄、性别、BMI、身高、本文档来自技高网...

【技术保护点】
1.基于RBF和LSTM模型的多因素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]，利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测量数据X2＝[x21，x22,…,x2n]，利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，获取用户基本信息，采用RBF神经网络使用径向函数对用户基本信息归类且线性求和得到隐藏层输出h6并作为基本信息线索b，步骤4，将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、用户基本信息线索h6数据联合后采用Relu来进行非线性激活得到隐藏层输出h5，见公式(4)，h5＝Relu(h3W3+h1T+h6Q)         MERGEFORMAT(4)；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，应用线性回归来分别得到血压的预测值和时序线索的预测值，计算公式如下：y1*h5V1+b1              MERGEFORMAT(5)y2*h5V2+b2              MERGEFORMAT(6)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.基于RBF和LSTM模型的多因素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]，利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测量数据X2＝[x21，x22,…,x2n]，利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，获取用户基本信息，采用RBF神经网络使用径向函数对用户基本信息归类且线性求和得到隐藏层输出h6并作为基本信息线索b，步骤4，将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、用户基本信息线索h6数据联合后采用Relu来进行非线性激活得到隐藏层输出h5，见公式(4)，h5＝Relu(h3W3+h1T+h6Q)MERGEFORMAT(4)；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，应用线性回归来分别得到血压的预测值和时序线索的预测值，计算公式如下：y1*h5V1+b1MERGEFORMAT(5)y2*h5V2+b2MERGEFORMAT(6)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。2....

【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