CN106777874A - 基于循环神经网络构建预测模型的方法 - Google Patents
基于循环神经网络构建预测模型的方法 Download PDFInfo
- Publication number
- CN106777874A CN106777874A CN201611027689.2A CN201611027689A CN106777874A CN 106777874 A CN106777874 A CN 106777874A CN 201611027689 A CN201611027689 A CN 201611027689A CN 106777874 A CN106777874 A CN 106777874A
- Authority
- CN
- China
- Prior art keywords
- recognition
- neural network
- blood pressure
- recurrent neural
- network model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000000306 recurrent effect Effects 0.000 title claims abstract description 45
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 22
- 238000000034 method Methods 0.000 title claims abstract description 17
- 230000036772 blood pressure Effects 0.000 claims abstract description 44
- 238000003062 neural network model Methods 0.000 claims abstract description 28
- 238000004140 cleaning Methods 0.000 claims description 2
- 210000004218 nerve net Anatomy 0.000 claims description 2
- 241000208340 Araliaceae Species 0.000 claims 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 1
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 1
- 230000000740 bleeding effect Effects 0.000 claims 1
- 235000008434 ginseng Nutrition 0.000 claims 1
- 230000006870 function Effects 0.000 description 15
- 238000005259 measurement Methods 0.000 description 12
- 238000012549 training Methods 0.000 description 10
- 230000036541 health Effects 0.000 description 8
- 238000013473 artificial intelligence Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 239000008280 blood Substances 0.000 description 4
- 230000007935 neutral effect Effects 0.000 description 4
- 210000004369 blood Anatomy 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000012417 linear regression Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000009530 blood pressure measurement Methods 0.000 description 2
- 230000037396 body weight Effects 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 208000001953 Hypotension Diseases 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003466 anti-cipated effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明公开了一种基于循环神经网络构建血压序列预测模型的方法，该预测模型能够根据用户历史的血压序列预测用户未来的血压趋势。包括：获取多组特征数据，所述特征数据包括血压特征、月份特征、月份间隔特征以及用户个人信息特征；将所述多组特征数据依次输入到循环神经网络模型中进行训练，其中：根据输入每组特征数据得到的输出血压预测结果更新所述循环神经网络模型的参数；以及用下一组特征数据训练更新后的循环神经网络模型，直到所述循环神经网络模型的参数收敛。本发明基于循环神经网络模型来解决序列预测问题，将时序信息充分利用，通过将其输入到同一隐含层来获得更高维度的表达，以此提高模型预测的准确度。
Description
技术领域
本发明涉及人工智能和深度学习领域，特别涉及一种基于循环神经网络构建预测模型的方法。
背景技术
随着计算机技术的发展，其中人工智能作为一项核心技术已经被广泛应用到了很多具体问题中去，人工智能技术的出现使得机器能够胜任一些通常需要人类智能才能完成的复杂工作，为人们提供了更高效的生活。人工神经网络作为人工智能领域兴起的研究热点，它从信息处理的角度对人脑的神经元网络进行抽象，建立了某种简单模型，按不同的连接方式组成了不同的网络。人工神经网络是一种运算模型，由大量节点(或者称神经元)之间的相互联接构成。每个节点都代表了一种特定输出的函数，称为激励函数。每两个节点之间的连接都代表一个对于通过此连接信号的加权值，称为权重，这相当于神经网络中的记忆。网络输出则根据网络连接的方式，权重值与激励函数之间的不同而不同。网络自身通常都是对自然界某种算法或函数的逼近，也可能是对一种对逻辑策略的表达。深度学习的概念源于人工神经网络的研究，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据。
近年来，互联网的飞速发展促使医疗行业也想着该领域推进，移动医疗是近年来全球的一个市场热点，涉及到利用人工智能和大数据等一系列计算机领域技术对健康数据分析和预测。基于上述共识，本发明开发并建立有关用户血压数据序列的预测算法和模型，将深度学习中的循环神经网络模型(Recurrent Neural Network,RNN)运用到数据挖掘的工作中。力争为个性化用户提供最优化策略和直观量化引导，协助实现最大效果的干预措施，为用户提供个性化的血压健康监测服务，改善其高血压的健康状况。
发明内容
(一)要解决的技术问题
针对背景技术中的问题，本发明提出了一种基于循环神经网络构建预测模型的方法，以实现上述为用户提供个性化血压健康监测服务的目的。
(二)技术方案
本发明的一个方面提供了一种基于循环神经网络构建血压序列预测模型的方法，包括：
获取多组特征数据，所述特征数据包括血压特征、月份特征、月份间隔特征以及用户个人信息特征；
将所述多组特征数据依次输入到循环神经网络模型中进行训练，其中：
根据输入每组特征数据得到的输出血压预测结果更新所述循环神经网络模型的参数；以及
用下一组特征数据训练更新后的循环神经网络模型，直到所述循环神经网络模型的参数收敛。
上述方案中，所述获取多组特征数据包括：
获取多组用户数据；
清洗所述多组用户数据；
选取多组特征数据。
上述方案中，所述用户数据包括用户个人信息数据和血压观测数据。
上述方案中，所述清洗所述多组用户数据包括删去异常值点。
上述方案中，所述将所述多组特征数据依次输入到循环神经网络模型中进行训练包括将所述多组特征数据根据时间先后依次输入到循环神经网络模型中进行训练。
上述方案中，所述根据所述输出血压预测结果更新所述循环神经网络模型的参数包括：
根据输出血压预测结果与用户血压真实值构建损失函数；
根据损失函数更新所述循环神经网络模型的参数。
上述方案中，所述循环神经网络的初始参数是随机设置的。
(三)有益效果
本发明涉及基于循环神经网络的血压序列预测模型，将大数据和深度循环神经网络建模序列信息，应用于血压健康信息的预测中。同时将干预情境进行建模，得到用户血压序列更准确的预测效果。
附图说明
图1是根据本发明实施例的基于循环神经网络构建预测模型的方法流程图。
图2是根据本发明实施例的循环神经网络模型图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明作进一步的详细说明。
根据本发明实施例，基于循环神经网络模型来解决序列预测问题，将时序信息充分利用，通过将其输入到同一隐含层来获得更高维度的表达，以此提高模型预测的准确度。该神经网络模型能对健康数据(血压数据)信息进行建模，并利用时间序列信息更好地预测未来健康趋势。在本发明实施例中，基于循环神经网络的血压序列预测模型，将大数据和深度循环神经网络建模序列信息，应用于血压健康信息的预测中。
图1是根据本发明实施例的基于循环神经网络构建预测模型的方法流程图。
如图1所示，在步骤S1，获取用户数据。根据本发明实施例，用户数据包括用户信息数据和血压观测数据，将用户数据导入数据库,构建用户-血压信息数据库。例如，训练和测试样本抽取的规则为2016年3月有测量并且2015年1月到2016年2月至少有3个月有测量的用户(有测量是指一个月至少有5次测量)。
在步骤S2，清洗数据。根据本发明实施例，异常值点包含异常的用户信息数据和/或血压观测数据。根据先验知识检查用户信息数据和血压观测数据，删去异常值点，将数据集变为可以用于深度学习模型训练的目标数据。在本发明实施例中，用户信息数据的筛选规则可以包括以下任意一项或多项：去除用户信息数据中年龄大于110岁和小于10岁的用户；去除身高小于120厘米或者大于200厘米的数据；去除体重小于20kg或者大于130kg的数据。在本发明实施例中，血压观测数据的筛选规则可以包括以下任意一项或多项：去除低压小于和大于该用户历史血压测量平均值40的观测数据；去除高压小于和大于该用户历史血压测量平均值40的观测数据；去除心率为0的观测数据。
在步骤S3，选取特征。根据本发明实施例，选取的特征例如包括用户信息数据和该用户的血压观测数据。用户信息数据可以包括：年龄、性别、身体质量指数(BMI，BMI是用用户体重公斤数除以身高米数平方得出的数字，是目前国际上常用的衡量人体胖瘦程度以及是否健康的一个标准)。血压观测数据可以包括用户每个月的血压特征、月份特征和月份间隔特征。其中，血压特征指有测量月份的用户低压、高压、心率的该月平均值(有测量月份是指该用户在该月份中至少有5次及以上次数测量)；月份特征为12维度，one-hot(0-1)编码的向量，通过1在序列中的位置来表达月份信息；月份间隔特征为当月与下个有测量月份的时间差。选取在所有数据月份期间中至少有3个月份有测量的用户数据。
在步骤S4，训练模型。根据本发明实施例，将该用户每个月的血压特征、月份特征月份间隔特征以及用户信息数据拼接为输入特征，根据时间前后依次输入到循环神经网络的输入向量中，通过将其输入到同一隐层来获得更高维度的表达，以此来提高拟合的准确度。在本发明实施例中，RNN模型输入维度包含：用户的BMI、年龄、性别(2维向量)，当月的平均低压、高压、心率和服药，所述服药包括用户在该次测量血压前是否服用过降压药，例如在测量前填写是/否，该月月份(12维向量)，与下个有测量点月份的时间间隔。将一组数据顺序输入模型，该组数据的前n条作为模型输入值输入到模型中进行训练，得到预测值，该组数据的第n+1条作为预测目标值，预测目标值可以为低压值或高压值，从而可以计算预测目标值与预测值的差值，借助此差值即可用梯度下降算法对模型参数进行修改。
如图2所示，本发明所用循环神经网络模型为三层展开的循环神经网络(Recurrent Neural Network,RNN)模型，RNN模型可以通过时序展开，变成一个基础的深层神经网络，该深层神经网络的权值是共享的。模型通过时序反向传播算法来学习。反向传播算法本质上是一种梯度下降，它通过将神经网络的输出与标签值进行对比得到残差，然后利用链式求导法则将残差沿着梯度方向一步步向前传。以下为模型具体学习公式。
向前传导过程如下，其中x(t)为模型输入，为横向量；h(t)为模型隐层表达，U、W均为转移矩阵；t为时间；V为线性回归参数，为竖向量；y为计算出的预测结果：
x(t-2)*U+h(t-3)*W＝h(t-2) (1)
x(t-1)*U+h(t-2)*W＝h(t-1) (2)
x(t)*U+h(t-1)*W＝h(t) (3)
y＝h(t)*V (4)
在步骤S5，构建损失函数并更新模型参数。根据本发明实施例，根据步骤S4中的预测结果与真实值构建损失函数，并根据损失函数更新该预测模型的参数。如图2所示，例如：我们将预测值与真实值得差值用error表示，j为真实值，
error＝y-j (5)
损失函数公式表示为，V为线性回归参数，为竖向量；λ为惩罚项系数，可用来减少模型的过拟合，
分别求出当前时刻t时Loss对V的偏导和当前时刻t时损失函数对隐层的偏导，
与公式(8)相乘可分别求出损失函数对U的偏导，对W的偏导和当前隐层对t-1时刻隐层的偏导：
将公式(8)的结果作为中间变量，利用公式(8)和公式(12)的传播梯度结果修改模型参数U和模型参数W：
利用公式(11)求Loss对上一时间戳隐层的偏导
利用反向传播的梯度修改t-1时刻的参数，修改第二层：
利用反向传播的梯度修改t-2时刻的参数，修改第三层：
将最后一层线性回归得到的预测值与真实值相减，得到了一个差值error。模型损失函数设置为最小平方差，通过最小化损失函数来修改模型。对模型里的参数求偏导，先修改输出层的转移矩阵，再求输出层对隐层的偏导，借此继续做反向求导，直到修改到t-2时刻的模型参数。
在步骤S6，判断参数是否收敛，如果参数收敛则进行步骤S7，进行步骤S4。根据本发明实施例，如果模型的参数收敛则认为模型训练完成，如果模型的参数不收敛则需要选取新的用于重新训练模型，即重复上述步骤S4-S5，直至模型参数收敛。根据本发明实施例，所述收敛为模型的参数在一定的范围内震荡。
在步骤S7，完成预测模型构建。根据本发明实施例，如果模型参数已经收敛，则认为得到的参数使得模型相对于训练数据达到最优化，完成模型训练。
根据本发明的实施例，将80％的用户作为训练集，训练方法如上所示；将20％的用户作为测试集，测试目标为每个用户最后一个月的低压值或高压值，通过将用户最后一个月之前的数据输入模型，可得到预测值，再将预测值与测试目标相减，利用相减得到的差值的绝对值，可以评估模型预测的准确度。拟合数值基础(baseline)为直接用用户上一个月的低压数据拟合下一个月的数值，得到baseline为4.33。实验结果如表1(表1是利用本发明模型预测用户在2016年3月的平均低压)和表2(表2是利用本发明模型预测用户在2016年3月的平均高压)所示。用上一个月的结果直接拟合baseline与RNN的预测结果进行对比，在真实血压数据集上的实验结果有显著提高。用循环神经网络模型预测一个后的目标月份血压低压值与高压值，分别提高了25.4％和26.2％，预测两个月后的目标月份血压低压值与高压值，分别提高了22.2％和23.4％。表3(表3是利用本发明模型预测用户在长周期后的血压低压值)表示循环神经网络模型预测用户长周期后的低压值，在3至6个月的长周期时间内，本模型均能得到较好的预测结果。
表1
表2
表3 循环神经网络模型预测用户在长周期后的低压值
| 预测周期(月) | 平均误差 | 训练样本 |
| 3 | 4.02 | 352 |
| 4 | 3.98 | 237 |
| 5 | 4.12 | 175 |
| >＝6 | 4.32 | 310 |
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于循环神经网络构建血压序列预测模型的方法，包括：
获取多组特征数据，所述特征数据包括血压特征、月份特征、月份间隔特征以及用户个人信息特征；
将所述多组特征数据依次输入到循环神经网络模型中进行训练，其中：
根据输入每组特征数据得到的输出血压预测结果更新所述循环神经网络模型的参数；以及
用下一组特征数据训练更新后的循环神经网络模型，直到所述循环神经网络模型的参数收敛。
2.根据权利要求1所述的构建血压序列预测模型的方法，其特征在于，所述获取多组特征数据包括：
获取多组用户数据；
清洗所述多组用户数据；
选取多组特征数据。
3.根据权利要求2所述的构建血压序列预测模型的方法，其特征在于，所述用户数据包括用户个人信息数据和血压观测数据。
4.根据权利要求2所述的构建血压序列预测模型的方法，其特征在于，所述清洗所述多组用户数据包括删去异常值点。
5.根据权利要求1所述的构建血压序列预测模型的方法，其特征在于，所述将所述多组特征数据依次输入到循环神经网络模型中进行训练包括将所述多组特征数据根据时间先后依次输入到循环神经网络模型中进行训练。
6.根据权利要求1所述的构建血压序列预测模型的方法，其特征在于，所述根据所述输出血压预测结果更新所述循环神经网络模型的参数包括：
根据输出血压预测结果与用户血压真实值构建损失函数；
根据损失函数更新所述循环神经网络模型的参数。
7.根据权利要求1所述的构建血压序列预测模型的方法，其特征在于，所述循环神经网络的初始参数是随机设置的。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611027689.2A CN106777874A (zh) | 2016-11-18 | 2016-11-18 | 基于循环神经网络构建预测模型的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611027689.2A CN106777874A (zh) | 2016-11-18 | 2016-11-18 | 基于循环神经网络构建预测模型的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN106777874A true CN106777874A (zh) | 2017-05-31 |
Family
ID=58971290
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201611027689.2A Pending CN106777874A (zh) | 2016-11-18 | 2016-11-18 | 基于循环神经网络构建预测模型的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106777874A (zh) |
Cited By (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107203700A (zh) * | 2017-07-14 | 2017-09-26 | 清华-伯克利深圳学院筹备办公室 | 一种基于连续血糖监测的方法及装置 |
| CN107833633A (zh) * | 2017-10-30 | 2018-03-23 | 银江股份有限公司 | 一种高血压病人随访推荐的方法 |
| CN107909427A (zh) * | 2017-10-25 | 2018-04-13 | 浙江大学 | 一种提升推荐模型时序数据挖掘能力的循环神经网络方法 |
| CN108378835A (zh) * | 2018-02-11 | 2018-08-10 | 中国联合网络通信集团有限公司 | 血压预测方法及装置 |
| CN108447557A (zh) * | 2018-02-08 | 2018-08-24 | 国政通科技股份有限公司 | 一种基于深度学习的医疗分析方法及装置 |
| CN108957418A (zh) * | 2018-05-30 | 2018-12-07 | 西安电子科技大学 | 一种基于循环神经网络模型的雷达目标识别方法 |
| CN109350027A (zh) * | 2018-10-26 | 2019-02-19 | 广州华见智能科技有限公司 | 一种基于人脸图像的血压预测系统 |
| WO2019037260A1 (zh) * | 2017-08-20 | 2019-02-28 | 平安科技（深圳）有限公司 | 预测模型建立装置、方法及计算机可读存储介质 |
| CN109508580A (zh) * | 2017-09-15 | 2019-03-22 | 百度在线网络技术（北京）有限公司 | 交通信号灯识别方法和装置 |
| CN109872817A (zh) * | 2019-02-28 | 2019-06-11 | 泉州师范学院 | 一种基于多因素线索网络的血压预测方法 |
| CN110111885A (zh) * | 2019-05-09 | 2019-08-09 | 腾讯科技（深圳）有限公司 | 属性预测方法、装置、计算机设备及计算机可读存储介质 |
| CN110152087A (zh) * | 2019-04-19 | 2019-08-23 | 暨南大学 | 一种血液透析过程的监测方法 |
| CN110558960A (zh) * | 2019-09-10 | 2019-12-13 | 重庆大学 | 一种基于ptt和miv-ga-svr的连续血压无创监测方法 |
| WO2020024718A1 (zh) * | 2018-08-03 | 2020-02-06 | 阿里巴巴集团控股有限公司 | 外汇交易量预测方法和装置 |
| CN110874642A (zh) * | 2018-08-30 | 2020-03-10 | 本田技研工业株式会社 | 学习装置、学习方法及存储介质 |
| CN111312349A (zh) * | 2018-12-11 | 2020-06-19 | 深圳先进技术研究院 | 病历数据预测方法、装置及电子设备 |
| CN111685748A (zh) * | 2020-06-15 | 2020-09-22 | 广州视源电子科技股份有限公司 | 一种基于分位数的血压预警方法、装置、设备及存储介质 |
| CN112639829A (zh) * | 2018-05-25 | 2021-04-09 | 约翰内斯堡大学 | 用于实时预测水坝水位和危险等级的系统和方法 |
| CN112823395A (zh) * | 2018-10-10 | 2021-05-18 | 皇家飞利浦有限公司 | 识别显示单元的用户 |
| CN113539517A (zh) * | 2021-08-05 | 2021-10-22 | 浙江大学 | 时序干预效果的预测方法 |
| CN113628710A (zh) * | 2021-07-22 | 2021-11-09 | 海信集团控股股份有限公司 | 家用健康设备的数据处理方法、终端设备和服务器 |
| CN113779859A (zh) * | 2021-02-02 | 2021-12-10 | 北京瑞莱智慧科技有限公司 | 可解释的时序预测模型的训练方法、装置和计算设备 |
| CN115607129A (zh) * | 2022-11-14 | 2023-01-17 | 北京康康盛世信息技术有限公司 | 一种基于时序的血压标定方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110190643A1 (en) * | 2010-02-04 | 2011-08-04 | Siemens Medical Solutions Usa, Inc. | System for Cardiac Status Determination |
| CN102429649A (zh) * | 2011-12-14 | 2012-05-02 | 中国航天员科研训练中心 | 连续血压测量装置 |
| CN104504297A (zh) * | 2015-01-21 | 2015-04-08 | 甘肃百合物联科技信息有限公司 | 一种利用神经网络的高血压预测方法 |
| CN104699931A (zh) * | 2013-12-09 | 2015-06-10 | 广州华久信息科技有限公司 | 一种基于人脸的神经网络血压预测方法及手机 |
-
2016
- 2016-11-18 CN CN201611027689.2A patent/CN106777874A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110190643A1 (en) * | 2010-02-04 | 2011-08-04 | Siemens Medical Solutions Usa, Inc. | System for Cardiac Status Determination |
| CN102429649A (zh) * | 2011-12-14 | 2012-05-02 | 中国航天员科研训练中心 | 连续血压测量装置 |
| CN104699931A (zh) * | 2013-12-09 | 2015-06-10 | 广州华久信息科技有限公司 | 一种基于人脸的神经网络血压预测方法及手机 |
| CN104504297A (zh) * | 2015-01-21 | 2015-04-08 | 甘肃百合物联科技信息有限公司 | 一种利用神经网络的高血压预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 陈少吉: "基于神经网络血压预测研究与系统实现", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 * |
Cited By (31)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107203700A (zh) * | 2017-07-14 | 2017-09-26 | 清华-伯克利深圳学院筹备办公室 | 一种基于连续血糖监测的方法及装置 |
| CN107203700B (zh) * | 2017-07-14 | 2020-05-05 | 清华-伯克利深圳学院筹备办公室 | 一种基于连续血糖监测的方法及装置 |
| WO2019037260A1 (zh) * | 2017-08-20 | 2019-02-28 | 平安科技（深圳）有限公司 | 预测模型建立装置、方法及计算机可读存储介质 |
| US11037005B2 (en) | 2017-09-15 | 2021-06-15 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and apparatus for identifying traffic light |
| CN109508580B (zh) * | 2017-09-15 | 2022-02-25 | 阿波罗智能技术(北京)有限公司 | 交通信号灯识别方法和装置 |
| CN109508580A (zh) * | 2017-09-15 | 2019-03-22 | 百度在线网络技术（北京）有限公司 | 交通信号灯识别方法和装置 |
| CN107909427A (zh) * | 2017-10-25 | 2018-04-13 | 浙江大学 | 一种提升推荐模型时序数据挖掘能力的循环神经网络方法 |
| CN107833633A (zh) * | 2017-10-30 | 2018-03-23 | 银江股份有限公司 | 一种高血压病人随访推荐的方法 |
| CN108447557A (zh) * | 2018-02-08 | 2018-08-24 | 国政通科技股份有限公司 | 一种基于深度学习的医疗分析方法及装置 |
| CN108378835A (zh) * | 2018-02-11 | 2018-08-10 | 中国联合网络通信集团有限公司 | 血压预测方法及装置 |
| CN112639829A (zh) * | 2018-05-25 | 2021-04-09 | 约翰内斯堡大学 | 用于实时预测水坝水位和危险等级的系统和方法 |
| CN108957418A (zh) * | 2018-05-30 | 2018-12-07 | 西安电子科技大学 | 一种基于循环神经网络模型的雷达目标识别方法 |
| WO2020024718A1 (zh) * | 2018-08-03 | 2020-02-06 | 阿里巴巴集团控股有限公司 | 外汇交易量预测方法和装置 |
| CN110874642A (zh) * | 2018-08-30 | 2020-03-10 | 本田技研工业株式会社 | 学习装置、学习方法及存储介质 |
| CN110874642B (zh) * | 2018-08-30 | 2023-09-19 | 本田技研工业株式会社 | 学习装置、学习方法及存储介质 |
| CN112823395A (zh) * | 2018-10-10 | 2021-05-18 | 皇家飞利浦有限公司 | 识别显示单元的用户 |
| CN109350027A (zh) * | 2018-10-26 | 2019-02-19 | 广州华见智能科技有限公司 | 一种基于人脸图像的血压预测系统 |
| CN111312349A (zh) * | 2018-12-11 | 2020-06-19 | 深圳先进技术研究院 | 病历数据预测方法、装置及电子设备 |
| CN109872817A (zh) * | 2019-02-28 | 2019-06-11 | 泉州师范学院 | 一种基于多因素线索网络的血压预测方法 |
| CN110152087A (zh) * | 2019-04-19 | 2019-08-23 | 暨南大学 | 一种血液透析过程的监测方法 |
| CN110111885B (zh) * | 2019-05-09 | 2023-09-19 | 腾讯科技（深圳）有限公司 | 属性预测方法、装置、计算机设备及计算机可读存储介质 |
| CN110111885A (zh) * | 2019-05-09 | 2019-08-09 | 腾讯科技（深圳）有限公司 | 属性预测方法、装置、计算机设备及计算机可读存储介质 |
| CN110558960A (zh) * | 2019-09-10 | 2019-12-13 | 重庆大学 | 一种基于ptt和miv-ga-svr的连续血压无创监测方法 |
| CN111685748A (zh) * | 2020-06-15 | 2020-09-22 | 广州视源电子科技股份有限公司 | 一种基于分位数的血压预警方法、装置、设备及存储介质 |
| CN113779859A (zh) * | 2021-02-02 | 2021-12-10 | 北京瑞莱智慧科技有限公司 | 可解释的时序预测模型的训练方法、装置和计算设备 |
| CN113779859B (zh) * | 2021-02-02 | 2022-04-05 | 北京瑞莱智慧科技有限公司 | 可解释的时序预测模型的训练方法、装置和计算设备 |
| CN113628710A (zh) * | 2021-07-22 | 2021-11-09 | 海信集团控股股份有限公司 | 家用健康设备的数据处理方法、终端设备和服务器 |
| CN113539517A (zh) * | 2021-08-05 | 2021-10-22 | 浙江大学 | 时序干预效果的预测方法 |
| CN113539517B (zh) * | 2021-08-05 | 2024-04-16 | 浙江大学 | 时序干预效果的预测方法 |
| CN115607129A (zh) * | 2022-11-14 | 2023-01-17 | 北京康康盛世信息技术有限公司 | 一种基于时序的血压标定方法 |
| CN115607129B (zh) * | 2022-11-14 | 2024-08-23 | 北京康康盛世信息技术有限公司 | 一种基于时序的血压标定方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106777874A (zh) | 基于循环神经网络构建预测模型的方法 | |
| CN106778014B (zh) | 一种基于循环神经网络的患病风险预测建模方法 | |
| Dangare et al. | A data mining approach for prediction of heart disease using neural networks | |
| EP0813127A2 (en) | Inference rule determining method and inference device | |
| CN109002917A (zh) | 基于lstm神经网络的粮食总产量多维时间序列预测方法 | |
| CN106472332B (zh) | 基于动态智能算法的宠物喂养方法及系统 | |
| CN100520817C (zh) | 存在仪器噪声和测量误差时人工神经网络模型改进的性能 | |
| CN106614273B (zh) | 基于物联网大数据分析的宠物喂养方法及系统 | |
| CN111312401B (zh) | 一种基于多标签学习的体检后慢性疾病预后系统 | |
| CN107369108A (zh) | 多层人造神经网络及其控制方法 | |
| CN112201361A (zh) | 一种基于lstm模型的covid-19疫情预测方法 | |
| Li | Neural network models for intelligent support of mark‐up estimation | |
| CN113836783B (zh) | 斜拉桥主梁温致挠度监测基准值的数字回归模型建模方法 | |
| Galić et al. | Application of Neural Networks and Machine Learning in Image Recognition | |
| CN103637800B (zh) | 基于八段阻抗模型的人体成分分析的方法 | |
| Xie et al. | Physics-constrained deep learning for robust inverse ecg modeling | |
| CN110349668A (zh) | 一种基于bp神经网络的治疗方案辅助决策方法及其系统 | |
| CN106447117A (zh) | 基于宠物日常数据分析的宠物喂养方法及系统 | |
| CN115527673A (zh) | 一种基于大数据的心理健康风险筛查系统及其方法 | |
| CN115393632A (zh) | 一种基于进化多目标神经网络架构构造的图像分类方法 | |
| CN112329921B (zh) | 基于深度表征学习和强化学习的利尿剂剂量推理设备 | |
| CN114266387A (zh) | 一种输变电工程工期预测方法、系统、设备及存储介质 | |
| CN112397202B (zh) | 一种青少年儿童身高生长曲线的预测方法 | |
| Fatemidokht et al. | Development of a hybrid neuro-fuzzy system as a diagnostic tool for Type 2 Diabetes Mellitus | |
| CN115147768A (zh) | 一种跌倒风险评估方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170531 |
|
| WD01 | Invention patent application deemed withdrawn after publication |