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 ...
【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 ...
【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....
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。