[发明专利]基于RBF和LSTM模型的多因素网络的血压预测方法

说明书

本发明公开基于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。

技术领域

本发明涉及医疗技术领域，尤其涉及基于RBF和LSTM模型的多因素网络的血压预测方法。

背景技术

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。

发明内容

本发明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。

本发明采用的技术方案是：

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,…,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，