一种基于人脸的神经网络血压预测方法及手机技术

本发明专利技术公开了一种基于人脸的神经网络血压预测方法，其特征在于包括步骤；采集人脸图像；构造人脸图像特征向量；利用BP神经网络预测模型和集成神经网络预测模型预测该人脸图像的血压值。本发明专利技术还公开了一种基于人脸的神经网络血压预测手机，包括手机摄像头控制模块，人脸图像采集模块，人脸图像特征向量构造模块，血压预测模块，异常血压预警模块，血压档案管理模块，血压预测模型学习模块。本发明专利技术有益效果在于血压预测效果好，手机简单易用，能让使用者随时了解其血压预警情况，能为医师提供诊断参考。

【技术实现步骤摘要】

本方法涉及一种基于人脸的神经网络血压预测方法及手机，属于医疗健康、机器 学习和移动互联网

技术介绍
随着人们生活水平的提高和社会的老年化，高血压患者的人数在逐年增加，特别 是快节奏的工作常常使人们顾此失彼，忽视了高血压的危害，甚至根本就不知道自己什么 时候已变成了高血压患者，为此通过长期及时地对血压进行监测，有助于高血压疾病早期 诊断和预防，大幅度降低发病比例，大大降低病患的医疗成本。但是现有血压测量设备携带 不方便，例如出差期间携带血压计就不太方便，而且也经常忘记测量。同时这些血压计测量 的结果没有建立血压档案，最多只是将测量结果输入到计算机进行管理，需要人工输入，不 方便。目前已有将血压测量同智能终端联系起来的方法，例如平板电脑血压计，把血压计的 袖带缠到人的胳膊上，平板电脑能控制手臂上的袖带收紧压缩，很快屏上显示出准确的血 压的相关指标，但是这类方法只是解决了数据的无线自动上传问题，血压测量方法还是需 要特殊的设备，如测量血压的袖带，携带同样不方便，也很容易忘记。 专利CN101491435提出了一种血压的预测方法，其方法以历史的血压量测纪录为 基础，采用血压平均值法预测血压。CN101744613A公开了一种血压预测的方法，其同样以历 史血压数据为基础，采用线性预测方法预测血压。两者均以历史数据为基础，采用时间序列 方法预测，对长时预测准确性不高。本专利技术虽然也需要训练样本学习，但与时间无关，其以 人脸图像为输入，采用神经网络来实现血压预测，预测准确性高，本专利技术的手机能很方便地 采集人脸图像，携带方便，简单易用。【专利
技术实现思路
】 针对上述问题，本专利技术提供一种基于人脸的神经网络血压预测方法及手机，血压 预测准确，携带方便，测量自觉进行，能够让使用者容易并快速了解其血压趋势的变化，有 助于使用者自行调整生活习性，医师诊断辅助参考。 血压能从人脸的变化中反映出来，例如大部分高血压患者都出现面红升火的表 现，并常伴有情绪不稳，容易激动等症状。目前已有通过人脸图像来预测情感的方法，本发 明则采用人脸图像来预测血压，作为高血压的预警机制，提醒用户及时调整生活习性或到 医院就诊。 本专利技术为一种基于人脸的神经网络血压预测方法，其特征在于该方法包括以下步 骤： 1) 采集人脸图像； 2) 构造人脸图像的人脸特征向量； 3) 利用血压预测模型预测该人脸特征向量对应的收缩压、舒张压和脉搏次数。 所述的步骤3)的血压预测模型的获取包括以下步骤： 1) 采集N个人脸图像及对应的收缩压、舒张压和脉搏次数； 2) 构造每个人脸图像的人脸特征向量； 3) 构造训练数据，以人脸特征向量为输入，其对应的收缩压、舒张压和脉搏次数为输 出，构成训练样本集合； 4) 采用训练样本集合，训练血压预测模型； 5) 以M倍交叉验证方式选择血压预测模型的最佳参数，进而获得对应参数的血压预测 模型。 所述的步骤3)中的血压预测模型包括BP (Back Propagation)神经网络血压预 测模型和集成BP神经网络血压预测模型。 神经网络血压预测模型 BP神经网络是至今为止应用最广泛的人工神经网络，具有速度快、容错性好、自学习、 自组织和自适应性等优点，其结构具有输人层、输出层以及处于输入输出层之间的中间层。 学习算法采用误差反向传播算法，由数据流的正向传播和误差信号的反向传播两个过程构 成。正向传播时，传播方向从输入层到中间层到输出层，计算每个单元的实际输出值，每层 神经元的状态只影响下一层神经元。若在输出层得不到期望的输出，则转向误差信号的反 向传播过程，逐层递归计算实际输出与期望输出之差值，以便根据此差值调整权值。通过这 两个过程的交替进行，在权向量空间执行误差函数梯度下降策略，动态迭代搜索一组权向 量，使网络误差减少到可接受的程度或进行到预先设定的学习次数为止。 BP神经网络血压预测模型的训练过程如下： 1)准备训练样本，每个样本的输入是人脸特征向量，输出是对应的收缩压、舒张压和脉 搏次数。 2)确定BP网络结构，即确定中间层的层数和各中间层的神经元个数，输入层的神 经元个数为人脸特征向量的维数，输出层神经元个数为预测输出的数字(收缩压，舒张压， 脉搏次数）个数，即输出层神经元个数为3。 3)输入训练样本，训练BP网络结构，具体步骤如下： 初始化BP网络的参数，包括结构参数的设置、学习参数的设置等 输入准备的训练样本，计算各层神经元的输出，包括输出层神经元的输出值 根据输出层神经元的输出值和训练样本的正确输出，计算网络的输出误差 转向误差信号的反向传播过程，逐层递归计算每个层的误差 根据误差函数梯度下降策略，调整每个层的权值 检查网络总误差是否达到精度要求，若达到转4)，否则转到步骤。 4)输出训练好的BP神经网络血压预测模型。 BP神经网络血压预测模型的预测过程如下： 1) 输入测试样本：人脸特征向量； 2) 采用训练好的BP神经网络血压预测模型预测输入测试样本的收缩压、舒张压和脉 搏次数。 集成神经网络预测模型 集成分类器AdaBoost是数据挖掘中十大分类算法之一，速度快、简单，参数少，不需要 弱分类器的先验知识。只要给定足够的训练数据以及一个中等精度的弱分类器，它就能够 把该弱分类器提升为强分类器，提高分类的准确性。 集成神经网络血压预测模型借鉴AdaBoost思想构造血压预测模型，其以BP神经 网络为弱血压预测模型。每个BP神经网络采用不同的局部训练集训练，获得一个弱血压预 测模型，局部训练集是从给定的训练集中有回放地抽样产生的。最后把所有的弱血压预测 模型按一定的权重加权平均，就得到最终的强血压预测模型。 集成神经网络血压预测模型的训练过程包括步骤： 1)准备训练样本集合，每个样本的输入是人脸特征向量，输出是对应的收缩压，舒张 压，和脉搏次数。 2)初始化每个训练样本有相等的选择概率。 3)循环执行下列步骤指定次数： 根据每个样本的选择概率，从给定的训练集中进行有回放地抽样产生局部训练 集； 在局部训练集上训练BP神经网络血压预测模型，获得BP神经网络血压预测模型； 用BP神经网络血压预测模型对给定的训练集中的所有样本预测其收缩压，舒张 压，和脉搏次数； 计算预测误差； 根据误差计算BP神经网络血压预测模型的权重，预测误差越小，权重越大； 更新每个样本的选择概率，预测误差大的样本，其对应的选择概率也越大； 保存此次BP神经网络血压预测模型。 4)输出训练的所有BP神经网络血压预测模型及其对应的权重。 集成神经网络血压预测模型的预测过程包括步骤： 1) 输入测试样本：人脸特征向量； 2) 利用训练的每个BP神经网络血压预测模型预测输入的测试样本的收缩压，舒张压， 和脉搏次数； 3) 加权平均所有BP神经网络血压预测模型预测的输出，获得最终的收缩压，舒张压， 和脉搏次数。 本专利技术还涉及一种基于人脸的神经网络血压预测手机，其特征在于，所述的手机 包括：一个血压标准数据库；一个训练样本数据库；一个血压档案数据库。手机还包含：手 机摄像头控制模块，人脸图像采集模块，人脸图像特征向量构造模块，血压预测模块，异常 血压预警模块，血压档案管理模块，血压预测模型训练模块。其中手机摄像头控制模块的输 出与人脸本文档来自技高网...

【技术保护点】
一种基于人脸的神经网络血压预测方法，其特征在于该方法包括以下步骤：[1]采集人脸图像；[2]构造人脸图像的人脸特征向量；[3]利用血压预测模型预测该人脸特征向量对应的收缩压、舒张压和脉搏次数。

【技术特征摘要】

【专利技术属性】
技术研发人员：不公告发明人，
申请(专利权)人：广州华久信息科技有限公司，
类型：发明
国别省市：广东;44