血压预测的方法及装置与流程

文档序号:12609002阅读:来源:国知局

技术特征:

1.一种血压预测的方法,其特征在于,包括:

配置用于进行血压预测的神经网络;

基于预设的多组训练样本对所述神经网络进行训练,得到训练后的神经网络;

根据训练后的神经网络,对人体的血压数据进行预测。

2.根据权利要求1所述的血压预测的方法,其特征在于,还包括:

采集用户的多个血压数据;

基于所述多个血压数据,形成所述多组训练样本,其中,每组训练样本包含M+1个血压数据,所述M+1个血压数据中按照采集顺序的前M个血压数据作为所述每组训练样本的输入参数,第M+1个血压数据作为所述每组训练样本的输出参数。

3.根据权利要求2所述的血压预测的方法,其特征在于,基于预定时间间隔采集所述用户的多个血压数据。

4.根据权利要求1所述的血压预测的方法,其特征在于,所述神经网络包括:M个输入层神经元、K个隐含层神经元和1个输出层神经元。

5.根据权利要求4所述的血压预测的方法,其特征在于,通过以下公式计算所述神经网络的输出:

<mrow> <mi>y</mi> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>=</mo> <munderover> <mo>&Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>K</mi> </munderover> <msub> <mi>w</mi> <mi>k</mi> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <msub> <mi>&phi;</mi> <mi>k</mi> </msub> <mrow> <mo>(</mo> <mi>x</mi> <mo>(</mo> <mi>t</mi> <mo>)</mo> <mo>)</mo> </mrow> </mrow>

其中,y(t)表示所述神经网络的实际输出;wk(t)表示所述隐含层神经元中第k个神经元和所述输出层神经元的连接权值,k=1,2,…,K;φk(x(t))表示所述隐含层神经元中的第k个神经元的输出。

6.根据权利要求5所述的血压预测的方法,其特征在于,基于以下公式计算所述φk(x(t))的值:

<mrow> <msub> <mi>&phi;</mi> <mi>k</mi> </msub> <mrow> <mo>(</mo> <mi>x</mi> <mo>(</mo> <mi>t</mi> <mo>)</mo> <mo>)</mo> </mrow> <mo>=</mo> <msup> <mi>e</mi> <mrow> <mo>(</mo> <mo>-</mo> <mo>|</mo> <mo>|</mo> <mi>x</mi> <mo>(</mo> <mi>t</mi> <mo>)</mo> <mo>-</mo> <msub> <mi>&mu;</mi> <mi>k</mi> </msub> <mo>(</mo> <mi>t</mi> <mo>)</mo> <mo>|</mo> <msup> <mo>|</mo> <mn>2</mn> </msup> <mo>/</mo> <mn>2</mn> <msubsup> <mi>&sigma;</mi> <mi>k</mi> <mn>2</mn> </msubsup> <mo>(</mo> <mi>t</mi> <mo>)</mo> <mo>)</mo> </mrow> </msup> </mrow>

其中,μk表示所述隐含层神经元中的第k个神经元的中心值,σk表示所述隐含层神经元中的第k个神经元的中心宽度。

7.根据权利要求1至6中任一项所述的血压预测的方法,其特征在于,基于预设的多组训练样本对所述神经网络进行训练,包括:

将所述神经网络中的参数表示为粒子群中的粒子,并初始化粒子群;

通过所述预设的多组训练样本对所述粒子群进行迭代优化,直至满足迭代终止条件。

8.根据权利要求7所述的血压预测的方法,其特征在于,对所述粒子群进行迭代优化时的任一次优化过程,包括:

计算所述粒子群中每个粒子的适应度值;

根据所述每个粒子的适应度值,确定所述每个粒子的历史最优位置和全局最优位置;

基于所述每个粒子的历史最优位置和全局最优位置,更新所述每个粒子的位置和速度;

基于所述每个粒子的全局最优位置,确定所述神经网络的最优网络结构,以更新所述每个粒子对应的隐含层神经元的个数。

9.根据权利要求8所述的血压预测的方法,其特征在于,通过以下公式将所述神经网络中的参数表示为粒子群中的粒子:

<mrow> <msub> <mi>a</mi> <mi>i</mi> </msub> <mo>=</mo> <mo>&lsqb;</mo> <msub> <mi>&mu;</mi> <mrow> <mi>i</mi> <mo>,</mo> <mn>1</mn> </mrow> </msub> <mo>,</mo> <msub> <mi>&sigma;</mi> <mrow> <mi>i</mi> <mo>,</mo> <mn>1</mn> </mrow> </msub> <mo>,</mo> <msub> <mi>w</mi> <mrow> <mi>i</mi> <mo>,</mo> <mn>1</mn> </mrow> </msub> <mo>,</mo> <msub> <mi>&mu;</mi> <mrow> <mi>i</mi> <mo>,</mo> <mn>2</mn> </mrow> </msub> <mo>,</mo> <msub> <mi>&sigma;</mi> <mrow> <mi>i</mi> <mo>,</mo> <mn>2</mn> </mrow> </msub> <mo>,</mo> <msub> <mi>w</mi> <mrow> <mi>i</mi> <mo>,</mo> <mn>2</mn> </mrow> </msub> <mo>...</mo> <msub> <mi>&mu;</mi> <mrow> <mi>i</mi> <mo>,</mo> <msub> <mi>K</mi> <mi>i</mi> </msub> </mrow> </msub> <mo>,</mo> <msub> <mi>&sigma;</mi> <mrow> <mi>i</mi> <mo>,</mo> <msub> <mi>K</mi> <mi>i</mi> </msub> </mrow> </msub> <mo>,</mo> <msub> <mi>w</mi> <mrow> <mi>i</mi> <mo>,</mo> <msub> <mi>K</mi> <mi>i</mi> </msub> </mrow> </msub> <mo>&rsqb;</mo> </mrow>

其中,ai表示第i个粒子的位置,i=1,2,…,s;s表示粒子群中的粒子总个数,s为正整数;μi,k、σi,k和wi,k分别表示第i个粒子的第k个隐含层神经元的中心值、中心宽度和连接权值;Ki表示第i个粒子表示的神经网络的隐含层神经元数;μi,k、σi,k和wi,k的初始值取(0,1)中的任意数,Ki的初始值为任意正整数。

10.根据权利要求9所述的血压预测的方法,其特征在于,初始化粒子群,包括:

初始化粒子群加速常数c1和c2,c1∈(0,1),c2∈(0,1);

设定粒子群平衡权值α∈[0,1];

初始化粒子的速度:其中,vi表示第i个粒子的速度,Di表示第i个粒子的维数,Di=3Ki

11.根据权利要求10所述的血压预测的方法,其特征在于,通过以下公式计算所述粒子群中每个粒子的适应度值:

<mrow> <mi>f</mi> <mrow> <mo>(</mo> <msub> <mi>a</mi> <mi>i</mi> </msub> <mo>(</mo> <mi>t</mi> <mo>)</mo> <mo>)</mo> </mrow> <mo>=</mo> <msqrt> <mrow> <mfrac> <mn>1</mn> <mi>T</mi> </mfrac> <munderover> <mo>&Sigma;</mo> <mrow> <mi>t</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>T</mi> </munderover> <msup> <mrow> <mo>(</mo> <mi>y</mi> <mo>(</mo> <mi>t</mi> <mo>)</mo> <mo>-</mo> <msub> <mi>y</mi> <mi>d</mi> </msub> <mo>(</mo> <mi>t</mi> <mo>)</mo> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow> </msqrt> </mrow>

其中,f(ai(t))表示所述每个粒子的适应度值;i=1,2,…,s;s表示粒子群中的粒子总个数,s为正整数;T表示所述预设的训练样本的个数;y(t)表示所述神经网络的实际输出;yd(t)表示所述神经网络的期望输出。

12.根据权利要求11所述的血压预测的方法,其特征在于,根据所述每个粒子的适应度值,确定所述每个粒子的历史最优位置和全局最优位置,包括:

计算所述每个粒子的惯性权重:ωi(t)=S(t)tAi(t);

其中,t表示对所述粒子群进行迭代优化的次数;S(t)=fmin(a(t))/fmax(a(t));Ai(t)=f(g(t))/f(ai(t));fmin(a(t))、fmax(a(t))分别表示当前时刻的最小适应度值和最大适应度值,g(t)表示粒子全局最优位置,且fmin(a(t))、fmax(a(t))和g(t)分别表示为:

<mrow> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <msub> <mi>f</mi> <mi>min</mi> </msub> <mrow> <mo>(</mo> <mi>a</mi> <mo>(</mo> <mi>t</mi> <mo>)</mo> <mo>)</mo> </mrow> <mo>=</mo> <mi>M</mi> <mi>i</mi> <mi>n</mi> <mrow> <mo>(</mo> <mi>f</mi> <mo>(</mo> <mrow> <msub> <mi>a</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> </mrow> <mo>)</mo> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>f</mi> <mi>max</mi> </msub> <mrow> <mo>(</mo> <mi>a</mi> <mo>(</mo> <mi>t</mi> <mo>)</mo> <mo>)</mo> </mrow> <mo>=</mo> <mi>M</mi> <mi>a</mi> <mi>x</mi> <mrow> <mo>(</mo> <mi>f</mi> <mo>(</mo> <mrow> <msub> <mi>a</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> </mrow> <mo>)</mo> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>;</mo> </mrow>

<mrow> <mi>g</mi> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>=</mo> <munder> <mrow> <mi>arg</mi> <mi>min</mi> </mrow> <msub> <mi>p</mi> <mi>i</mi> </msub> </munder> <mrow> <mo>(</mo> <mi>f</mi> <mo>(</mo> <mrow> <msub> <mi>p</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> </mrow> <mo>)</mo> <mo>)</mo> </mrow> <mo>,</mo> <mn>1</mn> <mo>&le;</mo> <mi>i</mi> <mo>&le;</mo> <mi>s</mi> <mo>;</mo> </mrow>

其中,每个粒子的历史最优位置pi(t)通过以下公式表示:

13.根据权利要求12所述的血压预测的方法,其特征在于,通过以下公式更新所述每个粒子的位置和速度:

vi(t+1)=ωi(t)vi(t)+c1r1(pi(t)-ai(t))+c2r2(g(t)-ai(t));

ai(t)=ai(t-1)+αvi(t);

其中,r1和r2分别表示每个粒子的历史最优位置系数和全局最优位置系数,r1和r2取[0,1]中的任意数。

14.根据权利要求13所述的血压预测的方法,其特征在于,通过以下公式更新所述每个粒子对应的隐含层神经元的个数:

其中,Ki(t)表示更新后的所述每个粒子对应的隐含层神经元的个数;Ki(t-1)表示更新前的所述每个粒子对应的隐含层神经元的个数;Kbest表示所述神经网络的最优网络结构的隐含层神经元个数。

15.根据权利要求1至6中任一项所述的血压预测的方法,其特征在于,所述神经网络包括自组织径向基神经网络。

16.一种血压预测的装置,其特征在于,包括:

配置单元,用于配置用于进行血压预测的神经网络;

训练处理单元,用于基于预设的多组训练样本对所述神经网络进行训练,得到训练后的神经网络;

预测处理单元,用于根据训练后的神经网络,对人体的血压数据进行预测。

当前第2页1 2 3 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1