[发明专利]基于RBF和LSTM模型的多因素网络的血压预测方法

摘要

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。

主权项

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。