[发明专利]基于RBF和LSTM模型的多因素网络的血压预测方法

权利要求书

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,…,x_1n]，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,…,x_2n]，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。

2.根据权利要求1所述的基于RBF和LSTM模型的多因素网络的血压预测方法，其特征在于：

步骤2中具体选取用户的心率数据作为时序数据。

3.根据权利要求1所述的基于RBF和LSTM模型的多因素网络的血压预测方法，其特征在于：

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。

4.根据权利要求1所述的基于RBF和LSTM模型的多因素网络的血压预测方法，其特征在于：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,…,b_m]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。

5.根据权利要求1所述的基于RBF和LSTM模型的多因素网络的血压预测方法，其特征在于：步骤3中采用K-means聚类方法进行归类处理。

6.根据权利要求1所述的基于RBF和LSTM模型的多因素网络的血压预测方法，其特征在于：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。

7.根据权利要求1所述的基于RBF和LSTM模型的多因素网络的血压预测方法，其特征在于：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。