CN109872817A - 一种基于多因素线索网络的血压预测方法 - Google Patents
一种基于多因素线索网络的血压预测方法 Download PDFInfo
- Publication number
- CN109872817A CN109872817A CN201910150800.4A CN201910150800A CN109872817A CN 109872817 A CN109872817 A CN 109872817A CN 201910150800 A CN201910150800 A CN 201910150800A CN 109872817 A CN109872817 A CN 109872817A
- Authority
- CN
- China
- Prior art keywords
- blood pressure
- prediction
- data
- time series
- clue
- 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
- 230000036772 blood pressure Effects 0.000 title claims abstract description 113
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000012417 linear regression Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 230000035622 drinking Effects 0.000 claims description 3
- 239000003814 drug Substances 0.000 claims description 3
- 235000002637 Nicotiana tabacum Nutrition 0.000 claims description 2
- 230000004927 fusion Effects 0.000 claims description 2
- 230000000391 smoking effect Effects 0.000 claims description 2
- 241000208125 Nicotiana Species 0.000 claims 1
- 238000005259 measurement Methods 0.000 abstract description 15
- 239000008280 blood Substances 0.000 abstract description 9
- 210000004369 blood Anatomy 0.000 abstract description 9
- 238000000714 time series forecasting Methods 0.000 abstract description 9
- 230000008859 change Effects 0.000 abstract description 3
- 230000036541 health Effects 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 5
- 241001269238 Data Species 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000035488 systolic blood pressure Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000035487 diastolic blood pressure Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 208000017667 Chronic Disease Diseases 0.000 description 1
- 244000061176 Nicotiana tabacum Species 0.000 description 1
- 244000131316 Panax pseudoginseng Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004872 arterial blood pressure Effects 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 235000019504 cigarettes Nutrition 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明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。
Description
技术领域
本发明涉及一种基于多因素线索网络的血压预测方法。
背景技术
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-stage Zero-order Holding(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(Deep Belief Network)引入血压值的估测，文献[24]提出模拟特征回归模型学习从示波信号获得的模拟特征向量与目标血压之间的复杂非线性关系，文献[25]提出一种小波神经网络算法，根据PPG信号重建完整的血压波形以提取收缩压和舒张压。以上血压检测研究利用示波信号来实现对血压数据的估测，使用估测结果对用户的血压状况进行评价，当用户血压处于非正常状态时，对用户进行提醒预警，这类方法需要设备来测量，无法提前预测血压变化情况，要实现及时有效的血压预警非常困难。
发明内容
本发明的目的在于提供一种基于多因素线索网络的血压预测方法。
本发明采用的技术方案是：
一种基于多因素线索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，...，xln]，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＝Re lu(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。
进一步地，步骤2中具体选取用户的心率数据作为时序数据。
进一步地，步骤3中基本信息线索包括用户基本信息及环境温度，用户基本信息包括年龄、性别、BMI、身高、体重、服药情况、饮酒情况、吸烟情况。
进一步地，步骤3的具体步骤如下：
步骤3.1，获取包括各个关联因素数据的原始用户信息数据；
步骤3.2，采用皮尔森相关系数去计算原始用户信息数据中各关联因素数据与血压数值的相关性大小，
步骤3.3，从各关联因素数据中选取相关系数排列的前N个因素融合得到用户基本信息线索b，融合公式如下：
其中，datan代表第n个因素值，pearn代表第n个因素对应的相关系数大小在所有系数中所占比例。
进一步地，步骤3中N的取值为7。
本发明采用以上技术方案，将用户的个人基本信息以及与血压相关联的时序测量数据(心率)作为辅助因素作用于血压预测，添加的相关时序测量数据的预测结果，将模型中添加的所有因素看作用户未来一天所有线索数据，在预测其未来血压时提前将用户的状态输送给血压预测。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。血压预测通道利用近期血压观测值X1＝[x11，x12，...，x1n]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X2＝[x21，x22，...，x2n]预测时序数据预测值y2，运用的多任务学习。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。
附图说明
以下结合附图和具体实施方式对本发明做进一步详细说明；
图1为本发明采用的网络模型结构示意图；
图2为本发明的多任务训练示意图；
图3为血压与心率相关对比示意图。
具体实施方式
如图1-3之一所示，本发明提出一种多因素线索-LSTM网络，将用户的个人基本信息以及与血压相关联的时序测量数据(心率)作为辅助因素作用于血压预测，此模型添加时序因素时，不是添加的相关时序测量数据本身，而是添加的相关时序测量数据的预测结果，可以将模型中添加的所有因素看作用户未来一天所有线索数据，在预测其未来血压时提前将用户的状态输送给血压预测，故将模型定义为本发明Cues-LSTM网络。
如图1所示，本发明采用现有的LSTM双通道预测模型结构，该模型包括双通道预测：血压预测通道和时序预测通道。血压预测通道利用近期血压观测值X1＝[X11，x12，...，x1n]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X2＝[x21，x22，...，x2n]预测时序数据预测值y2，二者取相同的n个时间长度的数据。本发明同时对血压和时序数据预测结果进行输出采用的是多任务训练的思想如图2所示。
其中，用户的个人信息包括几个与血压值息息相关的几个因素直播如下表1所示：
表1与血压有关的用户基本信息
本发明方法的具体工作流程：
(1)时序数据X＝[X1，X2]通过双层LSTM网络，对输出结果进行拆分，分别得到血压和时序预测通道上隐藏层的输出h1和h2，对二者选用Relu(x)＝max(0，x)来进行非线性激活。Relu会使部分神经元的输出为0，缓解了过拟合问题的发生，使用Relu在进行反向传播时计算量会节省很多，相比较的，对于深层网络，sigmoid和tanh在反向传播时，很容易会出现梯度消失的情况。
(2)对于用户基本信息线索b的处理，原始数据中包含多个与血压数据相关联的因素数据，首先采用皮尔森相关系数去计算各关联因素数据与血压数值的相关性大小，计算方法见式(3.1)，其中对于用户的基本信息线索，采用用户个人所有血压数据记录的平均值来计算与其相关系数大小，从中选取相关系数排列的前7个因素按公式(3.2)融合得到模型中的基本信息线索b。同时，此处在进行因素选取时，要考虑因素之间共线性的影响，如，在计算时，臀围和腰臀比与血压相关性大小差不多，我们只选取腰臀比作为一个因素，避免腰围与腰臀比这种本身关联性比较的因素都被选取进来，对模型训练造成干扰。
其中，cov(X，Y)代表X和Y的协方差，σX，σY分别代表各自的标准差。
其中，datan代表第n个因素值，pearn代表第n个因素对应的相关系数大小在所有系数中所占比例。
(3)为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的联合添加额外的隐藏层，将隐藏层添加在此处，使得模型能够将循环结构与固定信息进行联合。数据联合后依然采用Relu来进行非线性激活得到隐藏层输出h5，见公式(3.3)，多数据的联合使得血压预测不光从血压数据中提取特征，同时从与血压关联的数据中提取特征。最后应用线性回归来得到血压和时序线索的预测值，见公式(3.4)(3.5)。
h5＝Relu(h3W3+h4T+bQ) (3.3)
y1*＝h5V1+b1 (3.4)
y2*＝h4V2+b2 (3.5)
其中，V1，V2分别是血压和时序线索数据线性回归的参数，b1，b2分别是它们的偏差。
下面将本发明具体工作原理做详细说明：
本发明的本发明Cues-LSTM网络中时序数据的选择部分，时序数据包括心率和环境温度，对于心率，多项研究已经表明心率变化与血压变化息息相关，如文献[50]通过研究夜间收缩压变化与心率变化之间的关系证明血压变化与心率变化有很大关联性。图3所示，为本发明实验数据中某用户心率和血压的变化趋势图，图3中变化趋势可以看出心率和血压变化趋势有很大的相似性。对于温度数据，实验温度数据采用每天气温的平均值，这导致短期温度数据的变化趋势不明显，不适合做时序数据线索。所以采用心率作为时序线索。
本发明模型中基本信息线索b的组成包含用户基本信息及环境温度，用户基本信息即数据介绍中用户基本信息包含的属性，同时加入了会影响人体血压变化的温度因素，选用该序列长度n天的平均气温作为温度线索。
实验验证：
实验数据包括三部分，其中目标数据包括舒张压、收缩压；时序线索数据包括心率、温度；用户基本信息线索数据包括年龄、性别、BMI、身高、体重、服药情况、饮酒情况、吸烟情况、是否能正常运动。实验数据采自某养老院中190个用户在2017年的全部血压数据，共20774条血压数据，其中个人基本信息完整的有131人，本部分实验选用信息记录完整的用户进行血压预测，共15162条血压数据。
实验结果评价方法：预测结果的评价选用平均绝对误差(MAE)和均方根误差(RMSE)，公式见(3.8)(3.9)，MAE能很好的反应预测值误差的实际情况，RMSE用来衡量预测值与真实值之间的偏差。
其中，yi代表血压的真实值，y1*代表血压的预测值。
不同方法实验对比：
参见表2，本发明的发明相较于其他网络误差更小，效果更好。分析表2实验结果，LSTM-cl网络模型较传统LSTM模型血压预测准确率更高，证明用户个人基本信息的添加确实会提高血压预测的准确度。Multi-LSTM模型较传统模型血压预测准确度也有提高，证明与血压相关联的时序测量数据的引入会提高血压预测的准确度，同时Multi-LSTM模型比LSTM-cl模型效果也要稍好，个人分析认为有两方面原因，一是Multi-LSTM模型采用多任务训练的方式，将心率与血压数据之间隐藏的关联关系用于血压预测，在两个输入反馈时，心率数据也会影响处理血压部分神经元的调参，另一方面，虽然Multi-LSTM模型中只有心率数据作为辅助因素，不如LSTM-cl网络辅助因素个数多，但由于心率因素为时序测量数据，使得每组血压数据都添加了不同的心率因素值，所以Multi-LSTM模型效果更好。本发明Cues-LSTM网络血压预测准确度要高于其他模型，分析认为本发明Cues-LSTM网络包含了个人基本信息以及关联时序测量数据，血压预测不仅提取血压数据本身特征，更充分利用了其他相关联的因素影响特征，更综合了其他模型的优点。将用户基本信息与时序关联因素共同作用于血压预测。模型中时序因素选择的是心率，由Multi-LSTM网络模型相较传统LSTM网络有更好的效果，也证明本发明Cues-LSTM中时序数据的确可以选用心率数据。
表2不同方法预测结果
本发明采用以上技术方案，将用户的个人基本信息以及与血压相关联的时序测量数据(心率)作为辅助因素作用于血压预测，添加的相关时序测量数据的预测结果，将模型中添加的所有因素看作用户未来一天所有线索数据，在预测其未来血压时提前将用户的状态输送给血压预测。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。血压预测通道利用近期血压观测值X1＝[x11，x12，...，x1n]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X2＝[x21，x22，...，x2n]预测时序数据预测值y2，运用的多任务学习。本发明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。
参考文献
[1]顾景范.《中国居民营养与慢性病状况报告(2015)》解读[J]营养学报，2016，38(6)：525-529.
[2]Sparrow D，Garvey A J，Rosner B，et al.Factors in predicting bloodpressure change[J]Circulation，1982，65(4)：789-94.
[3]Reckelhoff J F.Gender differences in the regulation of bloodpressure[J].Hypertension，2001，37(5)：1199-1208.
[4]Golino HF，Amaral L S，Duarte SF，et al.Predicting increased bloodpressure using machine learning[J].JObes，2014，2014(5)：637635.
[5]Criqui M H，Wallace R B，Mishkel M，et al.Alcohol consumption andblood pressure.The lipid researchclinics prevalence study[J]Hypertension，1981，3(5)：557-565.
[6]Hartung G H，Kohl H W，Blair S N，et al. Exercise tolerance andalcohol intake.Blood pressure relation[J].Hypertension，1990，16(5)：501.
[7]李帅.基于大规模快递数据的时序分析研究与实现[D].北京邮电大学，2018.
[8]Povinelli R J.Time series data mining：identifying temporalpatterns for characterization and prediction of time series events[M].Marquette University，1999.
[9]王志堂，蔡淋波.隐马尔可夫模型(HMM)及其应用[J]湖南科技学院学报，2009，30(4)：42-44.
[10]Chobanian A V，Bakris G L，Black H R，et al.The Seventh Report ofthe Joint National Committee on Prevention，Detection，Evaluation，and Treatmentof High Blood Pressure：the JNC 7report[J].Acc Current Journal Review，2003，12(4)：31-32.
[11]Niiranen T J，Havulinna A S，Langén V L，et al.Prediction of BloodPressure and Blood Pressure Change With a Genetic Risk Score[J].Journal ofClinical Hypertension，2016，18(3)：181-186.
[12]Yoon Y Z，Yoon G W.Nonconstrained Blood Pressure Measurement byPhotoplethysmography[J]Journal of the Optical Society of Korea，2006，10(2)：91-95.
[13]Lo F P，Li C X，Wang J，et al.Continuous systolic and diastolicblood pressure estimation utilizing long short-term memory network[J].ConfProc IEEE Eng Med Biol Soc，2017：1853-1856.
[14]Ghosh S，Banerjee A，Ray N，et al.Continuous blood pressureprediction from pulse transit time using ECG and PPG signals[C].HealthcareInnovation Point-Of-Care Technologies Conference.IEEE，2016：188-191.
[15]Forouzanfar M，Dajani H R，Groza V Z，et al.Feature-Based NeuralNetwork Approach for Oscillometric Blood Pressure Estimation[J].IEEETransactiohs on Instrumentation&Measurement，2011，60(8)：2786-2796.
[16]Hsieh YY，Wu CD，Lu SS，et al.Alinear regression model with dynamicpulsetrannsit time featuresfor noninvasive blood pressure prediction[C].Biomedical Circuits and Systems Conference.IEEE，2017：604-607.
[17]Liang B，Duan K，Xie Q，et al.Live demonstration：A support vectormachine based hardware platform for b1ood pressure prediction[C].BiomedicalCircuits and Systems Conference.IEEE，2017∶130-130.
[18]贵明俊，张新峰，张钊，刘晓民，王新宴.基于SVR的桡动脉血压预测[J]北京生物医学工程，2016，35(3)：267-271
[19]Sideris C，Kalantarian H，Nemati E，et al.Building ContinuousArterial Blood Pressure Prediction Models Using Recurrent Networks[C].IEEEInternational Conference on Smart Computing.IEEE Computer Society，2016∶1-5.
[20]Lee S，Park C H，Chang J H.Improved Gaussian Mixture RegressionBased on Pseudo Feature Generation using Bootstrap in Blood PressureEstimation[J].IEEE Transactiohs on Industrial Informatics，2015(99)：1-1.
[21]Sadrawi M，Shieh J S，Fan S Z，et al.Intermittent blood pressureprediction via multiscale ehtropy and ensemble artificial neural networks[C].Biomedical Engineering and Sciences.IEEE，2017：356-359.
[22]Kaur G，Arora A S，Jain V K.Using hybrid models to predict bloodpressure teactivity to unsupported back based on anthropometriccharacteristics[J].Frontiers of Information Technology&ElectronicEngineering，2015，16(6)：474-485.
[23]Lee S，Chang J H.Deep Belief Networks Ensemble for Blood PressureEstimation[J].IEEE Access，2017，5：9962-9972.
[24]Lee S，Chang J H.Deep Boltzmann Regression with Mimic Features forOscillometric Blood Pressure Estimation[J].IEEE Sensors Journal，2017，PP(99)：1-1.
[25]LiP，Liu M，Zhang X，et al. Novel wavelet neural network algorithmfor continuous and noninvasive dynamic estimation of blood pressure fromphotoplethysmography[J]Science China Information Sciences，2016，59(4)：1-10.
[26]Abbasi R，Moradi M H，Molaeezadeh S F. Long-term prediction ofblood pressure time series using multiple fuzzy functions[C].BiomedicalEngineering.IEEE，2015：124-127.
[27]Box G E，Jenkins G M.Time series analysis：forecasting and contro1rev.ed.[J]Journal of Time，1 976，31(4)：238-242.
[28]Wu T H，Pang K H，Kwong W Y Predicting Systolic Blood PressureUsing Machine Learning[C].International Conference on Information andAutomation for Sustainability.IEEE，2015∶1-6.
[29]Li X，Wu S，Wang L.Blood Pressure Prediction via Recurrent Modelswith Contextual Layer[C].International Conference on World WideWeb.International Wotld Wide Web Conferences Steering Committee，2017：685-693.
[30]Sparrow D，Garvey A J，Rosner B，et al. Factors in predicting bloodpressure change[J].Circulation，1982，65(4)：789-94.
[31]GolinoHF，Amaral L S，Duarte SF，et al. Predicting increased bloodpressure using machine learning[J].JObes，2014，2014(5)：637635.
[32]Cook NR.Use and misuse of the receiver operating characteristiccurve in risk prediction[J].Circulation，2007，115(7)：928-35.
[33]Lydick E，Epstein RS，Himmelberger D，et al. Area under the curve：ametric for patient subjective responses in episodic diseases.[J].QualityofLife Research，1995，4(1)：41-45.
[34]Gevins A S，Morgan N H.Applications of neural-network (NN)signalprocessing in brain research[J].IEEETransactions onAcoustics Speech&SignalProcessing，1988，36(7)：1152-1161.
[35]Graves A.Long Short-Term Memory[M].Supervised Sequence Labellingwith Recurrent Neural Networks.Springer Berlin Heidelberg，2012：1735-1780.
[36]梁军，柴玉梅，原慧斌，等.基于极性转移和LSTM递归网络的情感分析[J]中文信息学报，2015，29(5)：152-160.
[37]Bottou L.Large-Scale Machine Learning with Stochastic GradientDescent[J]2010：177-186.
[38]Zhang X.Regularization[J].Encyclopedia ofMachine Learning，2017，53(6)：845-849.
[39]IoffeS，Szegedy C.Batch normalization：accelerating deep networktraining by reducing internal covariate shift[C].International Conference onInternational Conference on Machine Learning.JMLR.org，2015∶448-456.
[40]YaoY，Rosasco L，Caponnetto A.On Early Stopping in Gradient DescentLearning[J].Constructive Approximation，2007，26(2)：289-315.
[41]Srivastava N，Hinton G，Krizhevsky A，et al.Dropout：a simple way toprevent neural networks from overfitting[J]Journal of Machine LearningResearch，2014，15(1)：1929-1958.
[42]Feelgood，Steven，Schaefer，Gerard A.Dealing with Missing Data[J].Research Letters in the Information&Mathematical Sciences，2002，3(1)：153--160.
[43]Min-Ling Zhang，Zhi-Hua Zhou.ML-KNN：A lazy learbing approach tomulti-label learning[J]Pattern Recognition，2007，40(7)：2038-2048.
[44]于亚飞.基于划分和密度的聚类算法研究[D].安徽大学，2011.
[45]Aristidis Likas，Nikos Vlassis，Jakob J.Verbeek.The global k-meansclustering algorithm[J].Pattern Recognition，2003，36(2)：451-461.
[46]沈洁，赵雷，杨季文，等.一种基于划分的层次聚类算法[J]计算机工程与应用，2007，43(31)：175-177.
[47]Schikuta E.Grid-Clustering：An Efficient Hierarchical ClusteringMethod for Very Large Data Sets[C].International Conference on PatternRecognition.IEEE，1996∶101-105vol.2.
[48]Pratt L，Pratt L，Thrun S.Machine Learning-Special issue oninductive transfer[M].Kluwer Academic Publishers，1997.
[49]Caruana R.Multitask Learning[J]Machine Learning，1997，28(1)：41-75.
[50]刘洪洋，李莉，崔天祥，等.血压控制良好的原发性高血压患者夜间收缩压下降率与心率及心率变异性的关系[J].中华高血压杂志，2015(11)：1076-1079
[51]Billings S A，Zheng G L.Radial basis function networkconfiguration using genetic algorithms[M].Elsevier Science Ltd.1995.
[52]董学思.多组学缺失数据联合填补方法评价及其应用[D].南京医科大学，2017.
[53]罗高博.健康管理云平台的设计与实现[D].北京交通大学，2017.
Claims (5)
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所述的一种基于多因素线索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所述的一种基于多因素线索网络的血压预测方法，其特征在于：步骤3中基本信息线索包括用户基本信息及环境温度，用户基本信息包括年龄、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所述的一种基于多因素线索网络的血压预测方法，其特征在于：步骤3的具体步骤如下：
步骤3.1，获取包括各个关联因素数据的原始用户信息数据；
步骤3.2，采用皮尔森相关系数去计算原始用户信息数据中各关联因素数据与血压数值的相关性大小，
步骤3.3，从各关联因素数据中选取相关系数排列的前N个因素融合得到用户基本信息线索b，融合公式如下：
其中，datan代表第n个因素值，pearn代表第n个因素对应的相关系数大小在所有系数中所占比例。
5.根据权利要求1所述的一种基于多因素线索网络的血压预测方法，其特征在于：步骤3中N的取值为7。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910150800.4A CN109872817A (zh) | 2019-02-28 | 2019-02-28 | 一种基于多因素线索网络的血压预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910150800.4A CN109872817A (zh) | 2019-02-28 | 2019-02-28 | 一种基于多因素线索网络的血压预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109872817A true CN109872817A (zh) | 2019-06-11 |
Family
ID=66919529
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910150800.4A Pending CN109872817A (zh) | 2019-02-28 | 2019-02-28 | 一种基于多因素线索网络的血压预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109872817A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111105877A (zh) * | 2019-12-24 | 2020-05-05 | 郑州科技学院 | 基于深度置信网络的慢性病精确干预方法及系统 |
| CN111248880A (zh) * | 2020-02-21 | 2020-06-09 | 乐普（北京）医疗器械股份有限公司 | 一种基于光体积变化描记图法信号的血压预测方法和装置 |
| CN111973165A (zh) * | 2020-08-14 | 2020-11-24 | 北京航空航天大学 | 基于ppg的线性与非线性混合式无创连续血压测量系统 |
| CN112263252A (zh) * | 2020-09-28 | 2021-01-26 | 贵州大学 | 基于hrv特征和三层svr的pad情绪维度预测方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150065826A1 (en) * | 2008-10-29 | 2015-03-05 | Flashback Technologies, Inc. | Noninvasive Predictive and/or Estimative Blood Pressure Monitoring |
| CN106777874A (zh) * | 2016-11-18 | 2017-05-31 | 中国科学院自动化研究所 | 基于循环神经网络构建预测模型的方法 |
| CN108498089A (zh) * | 2018-05-08 | 2018-09-07 | 北京邮电大学 | 一种基于深度神经网络的无创连续血压测量方法 |
-
2019
- 2019-02-28 CN CN201910150800.4A patent/CN109872817A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150065826A1 (en) * | 2008-10-29 | 2015-03-05 | Flashback Technologies, Inc. | Noninvasive Predictive and/or Estimative Blood Pressure Monitoring |
| CN106777874A (zh) * | 2016-11-18 | 2017-05-31 | 中国科学院自动化研究所 | 基于循环神经网络构建预测模型的方法 |
| CN108498089A (zh) * | 2018-05-08 | 2018-09-07 | 北京邮电大学 | 一种基于深度神经网络的无创连续血压测量方法 |
Non-Patent Citations (1)
| Title |
|---|
| 刘晶等: ""基于多因素线索长短期记忆模型的血压分析预测"", 《计算机应用》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111105877A (zh) * | 2019-12-24 | 2020-05-05 | 郑州科技学院 | 基于深度置信网络的慢性病精确干预方法及系统 |
| CN111248880A (zh) * | 2020-02-21 | 2020-06-09 | 乐普（北京）医疗器械股份有限公司 | 一种基于光体积变化描记图法信号的血压预测方法和装置 |
| WO2021164349A1 (zh) * | 2020-02-21 | 2021-08-26 | 乐普（北京）医疗器械股份有限公司 | 一种基于光体积变化描记图法信号的血压预测方法和装置 |
| CN111248880B (zh) * | 2020-02-21 | 2022-07-29 | 乐普（北京）医疗器械股份有限公司 | 一种基于光体积变化描记图法信号的血压预测方法和装置 |
| CN111973165A (zh) * | 2020-08-14 | 2020-11-24 | 北京航空航天大学 | 基于ppg的线性与非线性混合式无创连续血压测量系统 |
| CN111973165B (zh) * | 2020-08-14 | 2021-12-24 | 北京航空航天大学 | 基于ppg的线性与非线性混合式无创连续血压测量系统 |
| CN112263252A (zh) * | 2020-09-28 | 2021-01-26 | 贵州大学 | 基于hrv特征和三层svr的pad情绪维度预测方法 |
| CN112263252B (zh) * | 2020-09-28 | 2024-05-03 | 贵州大学 | 基于hrv特征和三层svr的pad情绪维度预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109872817A (zh) | 一种基于多因素线索网络的血压预测方法 | |
| Gjoreski et al. | Machine learning and end-to-end deep learning for the detection of chronic heart failure from heart sounds | |
| Lui et al. | Multiclass classification of myocardial infarction with convolutional and recurrent neural networks for portable ECG devices | |
| CN109886347A (zh) | 基于rbf和lstm模型的多因素网络的血压预测方法 | |
| Rouast et al. | Learning deep representations for video-based intake gesture detection | |
| Mao et al. | A review of recurrent neural network-based methods in computational physiology | |
| Koulaouzidis et al. | Artificial intelligence in cardiology—a narrative review of current status | |
| Xie et al. | Stroke prediction from electrocardiograms by deep neural network | |
| Wu et al. | A new estimate technology of non-invasive continuous blood pressure measurement based on electrocardiograph | |
| Tadesse et al. | Multi-modal diagnosis of infectious diseases in the developing world | |
| Ullah et al. | An end-to-end cardiac arrhythmia recognition method with an effective densenet model on imbalanced datasets using ecg signal | |
| Chuang et al. | Automatic classification of myocardial infarction using spline representation of single-lead derived vectorcardiography | |
| Siirtola et al. | Predicting emotion with biosignals: A comparison of classification and regression models for estimating valence and arousal level using wearable sensors | |
| Feng et al. | Building and training a deep spiking neural network for ECG classification | |
| Svoren et al. | Toadstool: A dataset for training emotional intelligent machines playing Super Mario Bros | |
| Wu et al. | Transformer-based self-supervised multimodal representation learning for wearable emotion recognition | |
| Tiwari et al. | Classification of physiological signals for emotion recognition using IoT | |
| Tasci et al. | QLBP: Dynamic patterns-based feature extraction functions for automatic detection of mental health and cognitive conditions using EEG signals | |
| Li et al. | Pilot stress detection through physiological signals using a transformer-based deep learning model | |
| Alam et al. | Autocognisys: Iot assisted context-aware automatic cognitive health assessment | |
| Zhang et al. | Video based cocktail causal container for blood pressure classification and blood glucose prediction | |
| Lee et al. | Glucose transformer: Forecasting glucose level and events of hyperglycemia and hypoglycemia | |
| Ye et al. | ECG-based cross-subject mental stress detection via discriminative clustering enhanced adversarial domain adaptation | |
| Sinha et al. | DASMcC: Data Augmented SMOTE Multi-class Classifier for prediction of Cardiovascular Diseases using time series features | |
| Alam et al. | Human emotion recognition models using machine learning techniques |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190611 |