血壓預(yù)測的方法及裝置與流程

本發(fā)明涉及醫(yī)療信息化技術(shù)領(lǐng)域，具體而言，涉及一種血壓預(yù)測的方法及裝置。

背景技術(shù)：

血壓是血液在血管內(nèi)流動(dòng)時(shí)作用于血管壁的壓力，它是推動(dòng)血液在血管內(nèi)流動(dòng)的動(dòng)力。正常的血壓是血液循環(huán)流動(dòng)的前提，血壓在多種因素調(diào)節(jié)下保持正常，從而提供各組織器官以足夠的血量，以維持正常的新陳代謝。血壓過低(低血壓)或過高(高血壓)都會造成嚴(yán)重后果，血壓消失是死亡的前兆，這都說明血壓有極其重要的生物學(xué)意義。

目前，人體動(dòng)脈血壓測定要用間接測定法，通常使用俄國醫(yī)師N.科羅特科夫發(fā)明的測定法，該測定法使用的裝置包括能充氣的袖袋和與之相連的測壓計(jì)，將袖袋綁在受試者的上臂，然后打氣到阻斷肱動(dòng)脈血流為止，緩緩放出袖袋內(nèi)的空氣，利用放在肱動(dòng)脈上的聽診器可以聽到當(dāng)袖袋壓剛小于肱動(dòng)脈血壓血流沖過被壓扁動(dòng)脈時(shí)產(chǎn)生的湍流引起的振動(dòng)聲(科羅特科夫氏聲，簡稱科氏聲)來測定心臟收縮期的最高壓力，叫做收縮壓；繼續(xù)放氣，科氏聲加大，當(dāng)此聲變得低沉而長時(shí)所測得的血壓讀數(shù)，相當(dāng)于心臟舒張時(shí)的最低血壓，叫做舒張壓；當(dāng)放氣到袖袋內(nèi)壓低于舒張壓時(shí)，血流平穩(wěn)地流過無阻礙的血管，科氏聲消失。

由于汞的比重太大，水銀測壓計(jì)難以精確迅速地反映心搏各期血壓的瞬間變化，所以后來改用各種靈敏的薄膜測壓計(jì)可以較準(zhǔn)確地測得收縮和舒張壓。近年來常使用各種換能器與示波器結(jié)合可以更靈敏地測定記錄血壓。

整體看來，目前的方法都是對人體當(dāng)前的血壓進(jìn)行測量，不能夠預(yù)測人體未來的血壓。若能夠提前預(yù)測人體血壓，那么對于病患人群，尤其是對于高血壓患者來說都極為重要。雖然相關(guān)技術(shù)中也有通過固定結(jié)構(gòu)神經(jīng)網(wǎng)絡(luò)來對血壓數(shù)據(jù)進(jìn)行分析，但是由于神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)固定，網(wǎng)絡(luò) 自適應(yīng)較差，難以滿足復(fù)雜的應(yīng)用場景。

因此，需要一種新的血壓預(yù)測方法來實(shí)現(xiàn)對血壓的有效預(yù)測。

需要說明的是，在上述背景技術(shù)部分公開的信息僅用于加強(qiáng)對本發(fā)明的背景的理解，因此可以包括不構(gòu)成對本領(lǐng)域普通技術(shù)人員已知的現(xiàn)有技術(shù)的信息。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于提供一種血壓預(yù)測的方法及裝置，進(jìn)而至少在一定程度上克服由于相關(guān)技術(shù)的限制和缺陷而導(dǎo)致的一個(gè)或者多個(gè)問題。

本發(fā)明的其他特性和優(yōu)點(diǎn)將通過下面的詳細(xì)描述變得顯然，或部分地通過本發(fā)明的實(shí)踐而習(xí)得。

根據(jù)本發(fā)明的一個(gè)方面，提供一種血壓預(yù)測的方法，包括：

配置用于進(jìn)行血壓預(yù)測的神經(jīng)網(wǎng)絡(luò)；

基于預(yù)設(shè)的多組訓(xùn)練樣本對所述神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)；

根據(jù)訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)，對人體的血壓數(shù)據(jù)進(jìn)行預(yù)測。

在本發(fā)明的一些實(shí)施例中，基于前述方案，所述的血壓預(yù)測的方法還包括：

采集用戶的多個(gè)血壓數(shù)據(jù)；

基于所述多個(gè)血壓數(shù)據(jù)，形成所述多組訓(xùn)練樣本，其中，每組訓(xùn)練樣本包含M+1個(gè)血壓數(shù)據(jù)，所述M+1個(gè)血壓數(shù)據(jù)中按照采集順序的前M個(gè)血壓數(shù)據(jù)作為所述每組訓(xùn)練樣本的輸入?yún)?shù)，第M+1個(gè)血壓數(shù)據(jù)作為所述每組訓(xùn)練樣本的輸出參數(shù)。

在本發(fā)明的一些實(shí)施例中，基于前述方案，其中，基于預(yù)定時(shí)間間隔采集所述用戶的多個(gè)血壓數(shù)據(jù)。

在本發(fā)明的一些實(shí)施例中，基于前述方案，所述神經(jīng)網(wǎng)絡(luò)包括：M個(gè)輸入層神經(jīng)元、K個(gè)隱含層神經(jīng)元和1個(gè)輸出層神經(jīng)元。

在本發(fā)明的一些實(shí)施例中，基于前述方案，通過以下公式計(jì)算所述神經(jīng)網(wǎng)絡(luò)的輸出：

其中，y(t)表示所述神經(jīng)網(wǎng)絡(luò)的實(shí)際輸出；w_k(t)表示所述隱含層神經(jīng)元中第k個(gè)神經(jīng)元和所述輸出層神經(jīng)元的連接權(quán)值，k＝1，2，…，K；φ_k(x(t))表示所述隱含層神經(jīng)元中的第k個(gè)神經(jīng)元的輸出。

在本發(fā)明的一些實(shí)施例中，基于前述方案，基于以下公式計(jì)算所述φ_k(x(t))的值：

其中，μ_k表示所述隱含層神經(jīng)元中的第k個(gè)神經(jīng)元的中心值，σ_k表示所述隱含層神經(jīng)元中的第k個(gè)神經(jīng)元的中心寬度。

在本發(fā)明的一些實(shí)施例中，基于前述方案，基于預(yù)設(shè)的多組訓(xùn)練樣本對所述神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，包括：

將所述神經(jīng)網(wǎng)絡(luò)中的參數(shù)表示為粒子群中的粒子，并初始化粒子群；

通過所述預(yù)設(shè)的多組訓(xùn)練樣本對所述粒子群進(jìn)行迭代優(yōu)化，直至滿足迭代終止條件。

在本發(fā)明的一些實(shí)施例中，基于前述方案，對所述粒子群進(jìn)行迭代優(yōu)化時(shí)的任一次優(yōu)化過程，包括：

計(jì)算所述粒子群中每個(gè)粒子的適應(yīng)度值；

根據(jù)所述每個(gè)粒子的適應(yīng)度值，確定所述每個(gè)粒子的歷史最優(yōu)位置和全局最優(yōu)位置；

基于所述每個(gè)粒子的歷史最優(yōu)位置和全局最優(yōu)位置，更新所述每個(gè)粒子的位置和速度；

基于所述每個(gè)粒子的全局最優(yōu)位置，確定所述神經(jīng)網(wǎng)絡(luò)的最優(yōu)網(wǎng)絡(luò)結(jié)構(gòu)，以更新所述每個(gè)粒子對應(yīng)的隱含層神經(jīng)元的個(gè)數(shù)。

在本發(fā)明的一些實(shí)施例中，基于前述方案，通過以下公式將所述神經(jīng)網(wǎng)絡(luò)中的參數(shù)表示為粒子群中的粒子：

其中，a_i表示第i個(gè)粒子的位置，i＝1，2，…，s；s表示粒子群中的粒子總個(gè)數(shù)，s為正整數(shù)；μ_i,k、σ_i,k和w_i,k分別表示第i個(gè)粒子的第k個(gè)隱含層神經(jīng)元的中心值、中心寬度和連接權(quán)值；K_i表示第i個(gè)粒子表示的神經(jīng)網(wǎng)絡(luò)的隱含層神經(jīng)元數(shù)；μ_i,k、σ_i,k和w_i,k的初始值取(0,1)中的任意數(shù)，K_i的初始值為任意正整數(shù)。

在本發(fā)明的一些實(shí)施例中，基于前述方案，初始化粒子群，包括：

初始化粒子群加速常數(shù)c₁和c₂，c₁∈(0,1)，c₂∈(0,1)；

設(shè)定粒子群平衡權(quán)值α∈[0,1]；

初始化粒子的速度：其中，v_i表示第i個(gè)粒子的速度，D_i表示第i個(gè)粒子的維數(shù)，D_i＝3K_i。

在本發(fā)明的一些實(shí)施例中，基于前述方案，通過以下公式計(jì)算所述粒子群中每個(gè)粒子的適應(yīng)度值：

其中，f(a_i(t))表示所述每個(gè)粒子的適應(yīng)度值；i＝1，2，…，s；s表示粒子群中的粒子總個(gè)數(shù)，s為正整數(shù)；T表示所述預(yù)設(shè)的訓(xùn)練樣本的個(gè)數(shù)；y(t)表示所述神經(jīng)網(wǎng)絡(luò)的實(shí)際輸出；y_d(t)表示所述神經(jīng)網(wǎng)絡(luò)的期望輸出。

在本發(fā)明的一些實(shí)施例中，基于前述方案，根據(jù)所述每個(gè)粒子的適應(yīng)度值，確定所述每個(gè)粒子的歷史最優(yōu)位置和全局最優(yōu)位置，包括：

計(jì)算所述每個(gè)粒子的慣性權(quán)重：ω_i(t)＝S(t)^tA_i(t)；

其中，t表示對所述粒子群進(jìn)行迭代優(yōu)化的次數(shù)；S(t)＝f_min(a(t))/f_max(a(t))；A_i(t)＝f(g(t))/f(a_i(t))；f_min(a(t))、f_max(a(t))分別表示當(dāng)前時(shí)刻的最小適應(yīng)度值和最大適應(yīng)度值，g(t)表示粒子全局最優(yōu)位置，且f_min(a(t))、f_max(a(t))和g(t)分別表示為：

其中，每個(gè)粒子的歷史最優(yōu)位置p_i(t)通過以下公式表示：

在本發(fā)明的一些實(shí)施例中，基于前述方案，通過以下公式更新所述每個(gè)粒子的位置和速度：

v_i(t+1)＝ω_i(t)v_i(t)+c₁r₁(p_i(t)-a_i(t))+c₂r₂(g(t)-a_i(t))；

a_i(t)＝a_i(t-1)+αv_i(t)；

其中，r₁和r₂分別表示每個(gè)粒子的歷史最優(yōu)位置系數(shù)和全局最優(yōu)位置系數(shù)，r₁和r₂取[0,1]中的任意數(shù)。

在本發(fā)明的一些實(shí)施例中，基于前述方案，通過以下公式更新所述每個(gè)粒子對應(yīng)的隱含層神經(jīng)元的個(gè)數(shù)：

其中，K_i(t)表示更新后的所述每個(gè)粒子對應(yīng)的隱含層神經(jīng)元的個(gè)數(shù)；K_i(t-1)表示更新前的所述每個(gè)粒子對應(yīng)的隱含層神經(jīng)元的個(gè)數(shù)；K_best表示所述神經(jīng)網(wǎng)絡(luò)的最優(yōu)網(wǎng)絡(luò)結(jié)構(gòu)的隱含層神經(jīng)元個(gè)數(shù)。

在本發(fā)明的一些實(shí)施例中，基于前述方案，所述神經(jīng)網(wǎng)絡(luò)包括自組織徑向基神經(jīng)網(wǎng)絡(luò)。

根據(jù)本發(fā)明的另一方面，還提出了一種血壓預(yù)測的裝置，包括：

配置單元，用于配置用于進(jìn)行血壓預(yù)測的神經(jīng)網(wǎng)絡(luò)；

訓(xùn)練處理單元，用于基于預(yù)設(shè)的多組訓(xùn)練樣本對所述神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)；

預(yù)測處理單元，用于根據(jù)訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)，對人體的血壓數(shù)據(jù)進(jìn)行預(yù)測。

在本發(fā)明的一些實(shí)施例所提供的技術(shù)方案中，通過配置進(jìn)行血壓預(yù)測的神經(jīng)網(wǎng)絡(luò)，并基于預(yù)設(shè)的多組訓(xùn)練樣本來對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，進(jìn)而通過訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)來進(jìn)行血壓預(yù)測，使得能夠提前預(yù)知人體的血壓值，以將其作為血壓參考，確保醫(yī)生及患者可以提前了解血壓的變化情況，從而提前采取相應(yīng)的預(yù)防措施，對于健康管理和疾病治療具有極大的意義。

在本發(fā)明的一些實(shí)施例所提供的技術(shù)方案中，通過采集用戶的多個(gè)血壓數(shù)據(jù)以形成多組訓(xùn)練樣本，進(jìn)而基于這些訓(xùn)練樣本來對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，使得能夠利用人體的歷史血壓數(shù)據(jù)作為訓(xùn)練樣本來實(shí)現(xiàn)對神經(jīng)網(wǎng)絡(luò)的校正，進(jìn)而能夠確?？焖佟?zhǔn)確地對人體血壓進(jìn)行預(yù)測，有利于疾病的預(yù)防和健康管理。

應(yīng)當(dāng)理解的是，以上的一般描述和后文的細(xì)節(jié)描述僅是示例性和解釋性的，并不能限制本發(fā)明。

附圖說明

此處的附圖被并入說明書中并構(gòu)成本說明書的一部分，示出了符合本發(fā)明的實(shí)施例，并與說明書一起用于解釋本發(fā)明的原理。顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)這些附圖獲得其他的附圖。在附圖中：

圖1示意性示出了根據(jù)本發(fā)明的一個(gè)實(shí)施例的血壓預(yù)測的方法的流程圖；

圖2示意性示出了根據(jù)本發(fā)明的一個(gè)實(shí)施例的神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)圖；

圖3示意性示出了根據(jù)本發(fā)明的一個(gè)實(shí)施例的基于自組織徑向基神經(jīng)網(wǎng)絡(luò)的血壓預(yù)測方法的流程圖；

圖4示意性示出了根據(jù)本發(fā)明的一個(gè)實(shí)施例的自組織徑向基神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)圖；

圖5示意性示出了根據(jù)本發(fā)明的一個(gè)實(shí)施例的血壓預(yù)測的裝置的框圖。

具體實(shí)施方式

現(xiàn)在將參考附圖更全面地描述示例實(shí)施方式。然而，示例實(shí)施方式能夠以多種形式實(shí)施，且不應(yīng)被理解為限于在此闡述的范例；相反，提供這些實(shí)施方式使得本發(fā)明將更加全面和完整，并將示例實(shí)施方式的構(gòu)思全面地傳達(dá)給本領(lǐng)域的技術(shù)人員。

此外，所描述的特征、結(jié)構(gòu)或特性可以以任何合適的方式結(jié)合在一個(gè)或更多實(shí)施例中。在下面的描述中，提供許多具體細(xì)節(jié)從而給出對本發(fā)明的實(shí)施例的充分理解。然而，本領(lǐng)域技術(shù)人員將意識到，可以實(shí)踐本發(fā)明的技術(shù)方案而沒有特定細(xì)節(jié)中的一個(gè)或更多，或者可以采用其它的方法、組元、裝置、步驟等。在其它情況下，不詳細(xì)示出或描述公知方法、裝置、實(shí)現(xiàn)或者操作以避免模糊本發(fā)明的各方面。

附圖中所示的方框圖僅僅是功能實(shí)體，不一定必須與物理上獨(dú)立的實(shí)體相對應(yīng)。即，可以采用軟件形式來實(shí)現(xiàn)這些功能實(shí)體，或在一個(gè)或多個(gè)硬件模塊或集成電路中實(shí)現(xiàn)這些功能實(shí)體，或在不同網(wǎng)絡(luò)和/或處理器裝置和/或微控制器裝置中實(shí)現(xiàn)這些功能實(shí)體。

附圖中所示的流程圖僅是示例性說明，不是必須包括所有的內(nèi)容和 操作/步驟，也不是必須按所描述的順序執(zhí)行。例如，有的操作/步驟還可以分解，而有的操作/步驟可以合并或部分合并，因此實(shí)際執(zhí)行的順序有可能根據(jù)實(shí)際情況改變。

圖1示意性示出了根據(jù)本發(fā)明的一個(gè)實(shí)施例的血壓預(yù)測的方法的流程圖。

如圖1所示，根據(jù)本發(fā)明的一個(gè)實(shí)施例的血壓預(yù)測的方法，包括：

步驟S102，配置用于進(jìn)行血壓預(yù)測的神經(jīng)網(wǎng)絡(luò)。

需要說明的是：在本發(fā)明的實(shí)施例中，神經(jīng)網(wǎng)絡(luò)是一種應(yīng)用類似于大腦神經(jīng)突觸聯(lián)接的結(jié)構(gòu)進(jìn)行信息處理的數(shù)學(xué)模型，這種網(wǎng)絡(luò)依靠系統(tǒng)的復(fù)雜程度，通過調(diào)整內(nèi)部大量節(jié)點(diǎn)之間相互連接的關(guān)系，從而達(dá)到處理信息的目的。其中，神經(jīng)網(wǎng)絡(luò)可以是自組織徑向基神經(jīng)網(wǎng)絡(luò)，也可以是前饋神經(jīng)網(wǎng)絡(luò)，還可以是其它神經(jīng)網(wǎng)絡(luò)。

步驟S104，基于預(yù)設(shè)的多組訓(xùn)練樣本對所述神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)。

需要說明的是：訓(xùn)練樣本的作用是為了確定神經(jīng)網(wǎng)絡(luò)的相關(guān)參數(shù)，當(dāng)通過訓(xùn)練樣本對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練之后，可以認(rèn)為神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)已經(jīng)確定。

根據(jù)本發(fā)明的示例性實(shí)施例，所述的血壓預(yù)測的方法還包括：采集用戶的多個(gè)血壓數(shù)據(jù)；基于所述多個(gè)血壓數(shù)據(jù)，形成所述多組訓(xùn)練樣本，其中，每組訓(xùn)練樣本包含M+1個(gè)血壓數(shù)據(jù)，所述M+1個(gè)血壓數(shù)據(jù)中按照采集順序的前M個(gè)血壓數(shù)據(jù)作為所述每組訓(xùn)練樣本的輸入?yún)?shù)，第M+1個(gè)血壓數(shù)據(jù)作為所述每組訓(xùn)練樣本的輸出參數(shù)。

在該示例性實(shí)施例中，通過采集用戶的多個(gè)血壓數(shù)據(jù)，以形成多組訓(xùn)練樣本，使得能夠利用人體的歷史血壓數(shù)據(jù)來對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，以校正神經(jīng)網(wǎng)絡(luò)的參數(shù)，進(jìn)而可以確保校正后的神經(jīng)網(wǎng)絡(luò)能夠準(zhǔn)確地實(shí)現(xiàn)對人體血壓的預(yù)測。

根據(jù)本發(fā)明的示例性實(shí)施例，可以基于預(yù)定時(shí)間間隔采集所述用戶的多個(gè)血壓數(shù)據(jù)。譬如每隔1小時(shí)采集用戶的一個(gè)血壓數(shù)據(jù)。

根據(jù)本發(fā)明的示例性實(shí)施例，如圖2所示，神經(jīng)網(wǎng)絡(luò)包括：M個(gè)輸入層神經(jīng)元、K個(gè)隱含層神經(jīng)元和1個(gè)輸出層神經(jīng)元。換句話說，神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)是M-K-1的連接方式。

根據(jù)本發(fā)明的示例性實(shí)施例，通過以下公式計(jì)算所述神經(jīng)網(wǎng)絡(luò)的輸出：

其中，y(t)表示所述神經(jīng)網(wǎng)絡(luò)的實(shí)際輸出；w_k(t)表示所述隱含層神經(jīng)元中第k個(gè)神經(jīng)元和所述輸出層神經(jīng)元的連接權(quán)值，k＝1，2，…，K；φ_k(x(t))表示所述隱含層神經(jīng)元中的第k個(gè)神經(jīng)元的輸出，具體可基于以下公式計(jì)算所述φ_k(x(t))的值：

其中，μ_k表示所述隱含層神經(jīng)元中的第k個(gè)神經(jīng)元的中心值，σ_k表示所述隱含層神經(jīng)元中的第k個(gè)神經(jīng)元的中心寬度。

根據(jù)本發(fā)明的示例性實(shí)施例，步驟S104中基于預(yù)設(shè)的多組訓(xùn)練樣本對所述神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，具體包括：

將所述神經(jīng)網(wǎng)絡(luò)中的參數(shù)表示為粒子群中的粒子，并初始化粒子群；

通過所述預(yù)設(shè)的多組訓(xùn)練樣本對所述粒子群進(jìn)行迭代優(yōu)化，直至滿足迭代終止條件。

需要說明的是，對粒子群進(jìn)行迭代優(yōu)化是指通過預(yù)設(shè)的多組訓(xùn)練樣本多次對粒子群進(jìn)行迭代優(yōu)化，以對神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)進(jìn)行優(yōu)化。其中，迭代終止條件可以是迭代的次數(shù)達(dá)到設(shè)定的次數(shù)和/或優(yōu)化后的精度達(dá)到了設(shè)定精度。

根據(jù)本發(fā)明的示例性實(shí)施例，對所述粒子群進(jìn)行迭代優(yōu)化時(shí)的任一次優(yōu)化過程，包括：

計(jì)算所述粒子群中每個(gè)粒子的適應(yīng)度值；

根據(jù)所述每個(gè)粒子的適應(yīng)度值，確定所述每個(gè)粒子的歷史最優(yōu)位置和全局最優(yōu)位置；

基于所述每個(gè)粒子的歷史最優(yōu)位置和全局最優(yōu)位置，更新所述每個(gè)粒子的位置和速度；

基于所述每個(gè)粒子的全局最優(yōu)位置，確定所述神經(jīng)網(wǎng)絡(luò)的最優(yōu)網(wǎng)絡(luò)結(jié)構(gòu)，以更新所述每個(gè)粒子對應(yīng)的隱含層神經(jīng)元的個(gè)數(shù)。

根據(jù)本發(fā)明的示例性實(shí)施例，通過以下公式將所述神經(jīng)網(wǎng)絡(luò)中的參 數(shù)表示為粒子群中的粒子：

其中，a_i表示第i個(gè)粒子的位置，i＝1，2，…，s；s表示粒子群中的粒子總個(gè)數(shù)，s為正整數(shù)；μ_i,k、σ_i,k和w_i,k分別表示第i個(gè)粒子的第k個(gè)隱含層神經(jīng)元的中心值、中心寬度和連接權(quán)值；K_i表示第i個(gè)粒子表示的神經(jīng)網(wǎng)絡(luò)的隱含層神經(jīng)元數(shù)；μ_i,k、σ_i,k和w_i,k的初始值取(0,1)中的任意數(shù)，K_i的初始值為任意正整數(shù)。

在本發(fā)明的一些實(shí)施例中，基于前述方案，初始化粒子群，包括：

初始化粒子群加速常數(shù)c₁和c₂，c₁∈(0,1)，c₂∈(0,1)；

設(shè)定粒子群平衡權(quán)值α∈[0,1]；

初始化粒子的速度：其中，v_i表示第i個(gè)粒子的速度，D_i表示第i個(gè)粒子的維數(shù)，D_i＝3K_i。

根據(jù)本發(fā)明的示例性實(shí)施例，通過以下公式計(jì)算所述粒子群中每個(gè)粒子的適應(yīng)度值：

其中，f(a_i(t))表示所述每個(gè)粒子的適應(yīng)度值；i＝1，2，…，s；s表示粒子群中的粒子總個(gè)數(shù)，s為正整數(shù)；T表示所述預(yù)設(shè)的訓(xùn)練樣本的個(gè)數(shù)；y(t)表示所述神經(jīng)網(wǎng)絡(luò)的實(shí)際輸出；y_d(t)表示所述神經(jīng)網(wǎng)絡(luò)的期望輸出。

根據(jù)本發(fā)明的示例性實(shí)施例，根據(jù)所述每個(gè)粒子的適應(yīng)度值，確定所述每個(gè)粒子的歷史最優(yōu)位置和全局最優(yōu)位置，包括：

計(jì)算所述每個(gè)粒子的慣性權(quán)重：ω_i(t)＝S(t)^tA_i(t)；

其中，t表示對所述粒子群進(jìn)行迭代優(yōu)化的次數(shù)；S(t)＝f_min(a(t))/f_max(a(t))；A_i(t)＝f(g(t))/f(a_i(t))；f_min(a(t))、f_max(a(t))分別表示當(dāng)前時(shí)刻的最小適應(yīng)度值和最大適應(yīng)度值，g(t)表示粒子全局最優(yōu)位置，且f_min(a(t))、f_max(a(t))和g(t)分別表示為：

其中，每個(gè)粒子的歷史最優(yōu)位置p_i(t)通過以下公式表示：

根據(jù)本發(fā)明的示例性實(shí)施例，通過以下公式更新所述每個(gè)粒子的位置和速度：

v_i(t+1)＝ω_i(t)v_i(t)+c₁r₁(p_i(t)-a_i(t))+c₂r₂(g(t)-a_i(t))；

a_i(t)＝a_i(t-1)+αv_i(t)；

其中，r₁和r₂分別表示每個(gè)粒子的歷史最優(yōu)位置系數(shù)和全局最優(yōu)位置系數(shù)，r₁和r₂取[0,1]中的任意數(shù)。

根據(jù)本發(fā)明的示例性實(shí)施例，通過以下公式更新所述每個(gè)粒子對應(yīng)的隱含層神經(jīng)元的個(gè)數(shù)：

其中，K_i(t)表示更新后的所述每個(gè)粒子對應(yīng)的隱含層神經(jīng)元的個(gè)數(shù)；K_i(t-1)表示更新前的所述每個(gè)粒子對應(yīng)的隱含層神經(jīng)元的個(gè)數(shù)；K_best表示所述神經(jīng)網(wǎng)絡(luò)的最優(yōu)網(wǎng)絡(luò)結(jié)構(gòu)的隱含層神經(jīng)元個(gè)數(shù)。

圖1所示的血壓預(yù)測的方法還包括：

步驟S106，根據(jù)訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)，對人體的血壓數(shù)據(jù)進(jìn)行預(yù)測。

根據(jù)本發(fā)明的示例性實(shí)施例，在步驟S106中，可以將檢測到的用戶的若干個(gè)血壓數(shù)據(jù)作為訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)的輸入，那么訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)的輸出即為預(yù)測到的血壓數(shù)據(jù)。

在本發(fā)明的一個(gè)示例性實(shí)施例中，神經(jīng)網(wǎng)絡(luò)可以是自組織徑向基神經(jīng)網(wǎng)絡(luò)，以下結(jié)合圖3以自組織徑向基神經(jīng)網(wǎng)絡(luò)為例，對本發(fā)明的技術(shù)方案進(jìn)行詳細(xì)說明：

參照圖3，根據(jù)本發(fā)明的一個(gè)實(shí)施例的基于自組織徑向基神經(jīng)網(wǎng)絡(luò)的血壓預(yù)測方法，包括如下步驟：

步驟S302，確定自組織徑向基神經(jīng)網(wǎng)絡(luò)模型的輸入輸出變量。

具體地，將M組歷史數(shù)據(jù)作為模型輸入，第M+1作為輸出變量，在實(shí)際應(yīng)用中M為間隔固定時(shí)間取得的數(shù)據(jù)，如每隔1小時(shí)取一個(gè)血壓數(shù)據(jù)，前M個(gè)作為輸入，第M+1作為輸出。在本發(fā)明的示例性實(shí)施例中，可以取6個(gè)歷史血壓數(shù)據(jù)作為輸入，即自組織徑向基神經(jīng)網(wǎng)絡(luò)的 模型為6輸入，1輸出。

步驟S304，設(shè)計(jì)用于人體血壓預(yù)測的自組織徑向基神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)。

具體參照圖4所示，自組織徑向基神經(jīng)網(wǎng)絡(luò)包括：輸入層、隱含層、輸出層；初始化徑向基神經(jīng)網(wǎng)絡(luò)：確定神經(jīng)網(wǎng)絡(luò)M-K-1的連接方式，即輸入層神經(jīng)元為M個(gè)，隱含層神經(jīng)元為K個(gè)，K為正整數(shù)，輸出層神經(jīng)元為1個(gè)；對神經(jīng)網(wǎng)絡(luò)的參數(shù)進(jìn)行賦值；設(shè)共有T組訓(xùn)練樣本，若每組訓(xùn)練樣本包含6個(gè)數(shù)據(jù)，則第t時(shí)刻神經(jīng)網(wǎng)絡(luò)輸入為x(t)＝[x₁(t)，x₂(t)，x₃(t)，x₄(t)，x₅(t)，x₆(t)]，神經(jīng)網(wǎng)絡(luò)的期望輸出表示為y_d(t)，實(shí)際輸出表示為y(t)；徑向基神經(jīng)網(wǎng)絡(luò)的計(jì)算功能是：

其中，w_k(t)表示隱含層第k個(gè)神經(jīng)元和輸出層的連接權(quán)值，k＝1，2，…，K；φ_k(x(t))表示隱含層第k個(gè)神經(jīng)元的輸出，其計(jì)算公式為：

其中，μ_k表示隱含層第k個(gè)神經(jīng)元中心值，σ_k表示隱含層第k個(gè)神經(jīng)元的中心寬度。

步驟S306，訓(xùn)練神經(jīng)網(wǎng)絡(luò)，具體包括：

①初始化粒子群加速常數(shù)c₁和c₂，c₁∈(0,1)，c₂∈(0,1)；設(shè)定粒子群平衡權(quán)值α∈[0,1]，將徑向基神經(jīng)網(wǎng)絡(luò)的參數(shù)表示為粒子群中的粒子：

其中，a_i表示第i個(gè)粒子的位置，i＝1，2，…，s；s表示粒子總個(gè)數(shù)，s為正整數(shù)，μ_i,k，σ_i,k和w_i,k分別表示第i個(gè)粒子中第k個(gè)隱含層神經(jīng)元的中心值，中心寬度和連接權(quán)值；K_i表示第i個(gè)粒子表示的徑向基神經(jīng)網(wǎng)絡(luò)隱含層神經(jīng)元數(shù)；μ_i,k，σ_i,k和w_i,k的初始值取(0,1)的任意數(shù)，K_i的初始值為任意正整數(shù)；同時(shí)，初始化粒子的速度：

其中，v_i表示第i個(gè)粒子的速度，D_i表示第i個(gè)粒子的維數(shù)，D_i＝3K_i。

②對于神經(jīng)網(wǎng)絡(luò)的輸入x(t)，確定每個(gè)粒子的維數(shù)D_i(t)＝3K_i(t)，計(jì) 算每個(gè)粒子的適應(yīng)度值：

其中，i＝1，2，…，s；T表示神經(jīng)網(wǎng)絡(luò)輸入的訓(xùn)練樣本數(shù)。

③計(jì)算每個(gè)粒子的慣性權(quán)重：

ω_i(t)＝S(t)^tA_i(t) (6)

其中：

S(t)＝f_min(a(t))/f_max(a(t))；A_i(t)＝f(g(t))/f(a_i(t)) (7)

f_min(a(t))、f_max(a(t))分別為當(dāng)前時(shí)刻最小適應(yīng)度值和最大適應(yīng)度值，粒子全局最優(yōu)位置g(t)分別表示為：

其中，粒子本身的歷史最優(yōu)位置p_i(t)表示為：

④更新每個(gè)粒子的位置和速度：

v_i(t+1)＝ω_i(t)v_i(t)+c₁r₁(p_i(t)-a_i(t))+c₂r₂(g(t)-a_i(t))；

a_i(t)＝a_i(t-1)+αv_i(t) (10)

其中，r₁和r₂分別表示個(gè)體歷史最優(yōu)系數(shù)和全局最優(yōu)位置系數(shù)，r₁和r₂取[0,1]的任意數(shù)。

⑤根據(jù)全局最優(yōu)位置g(t)找出最優(yōu)網(wǎng)絡(luò)結(jié)構(gòu)，此時(shí)的最優(yōu)神經(jīng)網(wǎng)絡(luò)隱含層神經(jīng)元數(shù)為K_best，并根據(jù)每個(gè)粒子神經(jīng)元數(shù)與最優(yōu)粒子神經(jīng)元數(shù)的差異，更新每個(gè)粒子對應(yīng)的神經(jīng)網(wǎng)絡(luò)隱含層神經(jīng)元數(shù)：

⑥輸入訓(xùn)練樣本數(shù)據(jù)x(t+1)，重復(fù)步驟②-⑤，直到滿足預(yù)定的精度要求或者滿足迭代次數(shù)之后停止計(jì)算。

當(dāng)停止計(jì)算之后，可以得到最優(yōu)的自組織神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，進(jìn)而可以基于最優(yōu)的自組織神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)來進(jìn)行血壓預(yù)測。

根據(jù)本發(fā)明的示例性實(shí)施例，可以基于智能手環(huán)來采集用戶的血壓數(shù)據(jù)。自組織徑向基神經(jīng)網(wǎng)絡(luò)能夠通過歷史血壓數(shù)據(jù)進(jìn)行學(xué)習(xí)，調(diào)整神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)及參數(shù)，進(jìn)而能夠提前預(yù)知血壓值，比如，可以根據(jù)智能 手環(huán)實(shí)時(shí)采集的最近6小時(shí)的6組血壓數(shù)據(jù)(此處僅為示例，并不作具體限定)，通過自組織徑向基神經(jīng)網(wǎng)絡(luò)進(jìn)行在線預(yù)測未來一小時(shí)的血壓值，進(jìn)而將預(yù)測的血壓值作為血壓參考，讓醫(yī)生及患者提前了解血壓變化，從而提前采取相應(yīng)預(yù)防措施，對于健康管理和疾病治療具有極大意義。

圖5示意性示出了根據(jù)本發(fā)明的一個(gè)實(shí)施例的血壓預(yù)測的裝置的框圖。

參照圖5，根據(jù)本發(fā)明的一個(gè)實(shí)施例的血壓預(yù)測的裝置500，包括：配置單元502、訓(xùn)練處理單元504和預(yù)測處理單元506。

具體地，配置單元502用于配置用于進(jìn)行血壓預(yù)測的神經(jīng)網(wǎng)絡(luò)；訓(xùn)練處理單元504用于基于預(yù)設(shè)的多組訓(xùn)練樣本對所述神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)；預(yù)測處理單元506用于根據(jù)訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)，對人體的血壓數(shù)據(jù)進(jìn)行預(yù)測。

其中，神經(jīng)網(wǎng)絡(luò)可以是自組織徑向基神經(jīng)網(wǎng)絡(luò)，也可以是前饋神經(jīng)網(wǎng)絡(luò)，還可以是其它神經(jīng)網(wǎng)絡(luò)。

根據(jù)本發(fā)明的示例性實(shí)施例，可以通過下述方法確定多組訓(xùn)練樣本：采集用戶的多個(gè)血壓數(shù)據(jù)；基于所述多個(gè)血壓數(shù)據(jù)，形成所述多組訓(xùn)練樣本，其中，每組訓(xùn)練樣本包含M+1個(gè)血壓數(shù)據(jù)，所述M+1個(gè)血壓數(shù)據(jù)中按照采集順序的前M個(gè)血壓數(shù)據(jù)作為所述每組訓(xùn)練樣本的輸入?yún)?shù)，第M+1個(gè)血壓數(shù)據(jù)作為所述每組訓(xùn)練樣本的輸出參數(shù)。

根據(jù)本發(fā)明的示例性實(shí)施例，可以基于預(yù)定時(shí)間間隔采集所述用戶的多個(gè)血壓數(shù)據(jù)。比如可以每隔1小時(shí)采集用戶的一個(gè)血壓數(shù)據(jù)。

根據(jù)本發(fā)明的示例性實(shí)施例，所述神經(jīng)網(wǎng)絡(luò)包括：M個(gè)輸入層神經(jīng)元、K個(gè)隱含層神經(jīng)元和1個(gè)輸出層神經(jīng)元。

根據(jù)本發(fā)明的示例性實(shí)施例，通過以下公式計(jì)算所述神經(jīng)網(wǎng)絡(luò)的輸出：

其中，y(t)表示所述神經(jīng)網(wǎng)絡(luò)的實(shí)際輸出；w_k(t)表示所述隱含層神經(jīng)元中第k個(gè)神經(jīng)元和所述輸出層神經(jīng)元的連接權(quán)值，k＝1，2，…，K；φ_k(x(t))表示所述隱含層神經(jīng)元中的第k個(gè)神經(jīng)元的輸出，具體可基 于以下公式計(jì)算所述φ_k(x(t))的值：

其中，μ_k表示所述隱含層神經(jīng)元中的第k個(gè)神經(jīng)元的中心值，σ_k表示所述隱含層神經(jīng)元中的第k個(gè)神經(jīng)元的中心寬度。

根據(jù)本發(fā)明的示例性實(shí)施例，訓(xùn)練處理單元504配置為：將所述神經(jīng)網(wǎng)絡(luò)中的參數(shù)表示為粒子群中的粒子，并初始化粒子群；通過所述預(yù)設(shè)的多組訓(xùn)練樣本對所述粒子群進(jìn)行迭代優(yōu)化，直至滿足迭代終止條件。

根據(jù)本發(fā)明的示例性實(shí)施例，對所述粒子群進(jìn)行迭代優(yōu)化時(shí)的任一次優(yōu)化過程，包括：

計(jì)算所述粒子群中每個(gè)粒子的適應(yīng)度值；

根據(jù)所述每個(gè)粒子的適應(yīng)度值，確定所述每個(gè)粒子的歷史最優(yōu)位置和全局最優(yōu)位置；

基于所述每個(gè)粒子的歷史最優(yōu)位置和全局最優(yōu)位置，更新所述每個(gè)粒子的位置和速度；

基于所述每個(gè)粒子的全局最優(yōu)位置，確定所述神經(jīng)網(wǎng)絡(luò)的最優(yōu)網(wǎng)絡(luò)結(jié)構(gòu)，以更新所述每個(gè)粒子對應(yīng)的隱含層神經(jīng)元的個(gè)數(shù)。

根據(jù)本發(fā)明的示例性實(shí)施例，通過以下公式將所述神經(jīng)網(wǎng)絡(luò)中的參數(shù)表示為粒子群中的粒子：

其中，a_i表示第i個(gè)粒子的位置，i＝1，2，…，s；s表示粒子群中的粒子總個(gè)數(shù)，s為正整數(shù)；μ_i,k、σ_i,k和w_i,k分別表示第i個(gè)粒子的第k個(gè)隱含層神經(jīng)元的中心值、中心寬度和連接權(quán)值；K_i表示第i個(gè)粒子表示的神經(jīng)網(wǎng)絡(luò)的隱含層神經(jīng)元數(shù)；μ_i,k、σ_i,k和w_i,k的初始值取(0,1)中的任意數(shù)，K_i的初始值為任意正整數(shù)。

根據(jù)本發(fā)明的示例性實(shí)施例，初始化粒子群，包括：

初始化粒子群加速常數(shù)c₁和c₂，c₁∈(0,1)，c₂∈(0,1)；

設(shè)定粒子群平衡權(quán)值α∈[0,1]；

初始化粒子的速度：其中，v_i表示第i個(gè)粒子的速度，D_i表示第i個(gè)粒子的維數(shù)，D_i＝3K_i。

根據(jù)本發(fā)明的示例性實(shí)施例，通過以下公式計(jì)算所述粒子群中每個(gè) 粒子的適應(yīng)度值：

其中，f(a_i(t))表示所述每個(gè)粒子的適應(yīng)度值；i＝1，2，…，s；s表示粒子群中的粒子總個(gè)數(shù)，s為正整數(shù)；T表示所述預(yù)設(shè)的訓(xùn)練樣本的個(gè)數(shù)；y(t)表示所述神經(jīng)網(wǎng)絡(luò)的實(shí)際輸出；y_d(t)表示所述神經(jīng)網(wǎng)絡(luò)的期望輸出。

根據(jù)本發(fā)明的示例性實(shí)施例，根據(jù)所述每個(gè)粒子的適應(yīng)度值，確定所述每個(gè)粒子的歷史最優(yōu)位置和全局最優(yōu)位置，包括：

計(jì)算所述每個(gè)粒子的慣性權(quán)重：ω_i(t)＝S(t)^tA_i(t)；

其中，t表示對所述粒子群進(jìn)行迭代優(yōu)化的次數(shù)；S(t)＝f_min(a(t))/f_max(a(t))；A_i(t)＝f(g(t))/f(a_i(t))；f_min(a(t))、f_max(a(t))分別表示當(dāng)前時(shí)刻的最小適應(yīng)度值和最大適應(yīng)度值，g(t)表示粒子全局最優(yōu)位置，且f_min(a(t))、f_max(a(t))和g(t)分別表示為：

其中，每個(gè)粒子的歷史最優(yōu)位置p_i(t)通過以下公式表示：

根據(jù)本發(fā)明的示例性實(shí)施例，通過以下公式更新所述每個(gè)粒子的位置和速度：

v_i(t+1)＝ω_i(t)v_i(t)+c₁r₁(p_i(t)-a_i(t))+c₂r₂(g(t)-a_i(t))；

a_i(t)＝a_i(t-1)+αv_i(t)；

其中，r₁和r₂分別表示每個(gè)粒子的歷史最優(yōu)位置系數(shù)和全局最優(yōu)位置系數(shù)，r₁和r₂取[0,1]中的任意數(shù)。

根據(jù)本發(fā)明的示例性實(shí)施例，通過以下公式更新所述每個(gè)粒子對應(yīng)的隱含層神經(jīng)元的個(gè)數(shù)：

其中，K_i(t)表示更新后的所述每個(gè)粒子對應(yīng)的隱含層神經(jīng)元的個(gè)數(shù)；K_i(t-1)表示更新前的所述每個(gè)粒子對應(yīng)的隱含層神經(jīng)元的個(gè)數(shù)；K_best表示所述神經(jīng)網(wǎng)絡(luò)的最優(yōu)網(wǎng)絡(luò)結(jié)構(gòu)的隱含層神經(jīng)元個(gè)數(shù)。

根據(jù)本發(fā)明的示例性實(shí)施例，預(yù)測處理單元506配置為：將檢測到的用戶的若干個(gè)血壓數(shù)據(jù)作為訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)的輸入，并將訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)的輸出作為預(yù)測到的血壓數(shù)據(jù)。

基于本發(fā)明上述實(shí)施例的技術(shù)方案，可以實(shí)現(xiàn)人體血壓的在線預(yù)測，進(jìn)而能夠使用戶提前了解未來的血壓變化，從而采取相應(yīng)的干預(yù)措施，具有較大的健康管理價(jià)值；同時(shí)，提前預(yù)測血壓也可作為醫(yī)務(wù)人員治療的參考，為搶救贏取時(shí)間，具有較大的醫(yī)療價(jià)值。

應(yīng)當(dāng)注意，盡管在上文詳細(xì)描述中提及了用于動(dòng)作執(zhí)行的設(shè)備的若干模塊或者單元，但是這種劃分并非強(qiáng)制性的。實(shí)際上，根據(jù)本發(fā)明的實(shí)施方式，上文描述的兩個(gè)或更多模塊或者單元的特征和功能可以在一個(gè)模塊或者單元中具體化。反之，上文描述的一個(gè)模塊或者單元的特征和功能可以進(jìn)一步劃分為由多個(gè)模塊或者單元來具體化。

通過以上的實(shí)施方式的描述，本領(lǐng)域的技術(shù)人員易于理解，這里描述的示例實(shí)施方式可以通過軟件實(shí)現(xiàn)，也可以通過軟件結(jié)合必要的硬件的方式來實(shí)現(xiàn)。因此，根據(jù)本發(fā)明實(shí)施方式的技術(shù)方案可以以軟件產(chǎn)品的形式體現(xiàn)出來，該軟件產(chǎn)品可以存儲在一個(gè)非易失性存儲介質(zhì)(可以是CD-ROM，U盤，移動(dòng)硬盤等)中或網(wǎng)絡(luò)上，包括若干指令以使得一臺計(jì)算設(shè)備(可以是個(gè)人計(jì)算機(jī)、服務(wù)器、觸控終端、或者網(wǎng)絡(luò)設(shè)備等)執(zhí)行根據(jù)本發(fā)明實(shí)施方式的方法。

本領(lǐng)域技術(shù)人員在考慮說明書及實(shí)踐這里公開的發(fā)明后，將容易想到本發(fā)明的其它實(shí)施方案。本申請旨在涵蓋本發(fā)明的任何變型、用途或者適應(yīng)性變化，這些變型、用途或者適應(yīng)性變化遵循本發(fā)明的一般性原理并包括本發(fā)明未公開的本技術(shù)領(lǐng)域中的公知常識或慣用技術(shù)手段。說明書和實(shí)施例僅被視為示例性的，本發(fā)明的真正范圍和精神由下面的權(quán)利要求指出。

應(yīng)當(dāng)理解的是，本發(fā)明并不局限于上面已經(jīng)描述并在附圖中示出的精確結(jié)構(gòu)，并且可以在不脫離其范圍進(jìn)行各種修改和改變。本發(fā)明的范圍僅由所附的權(quán)利要求來限制。