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...

【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