血压预测的方法及装置与流程

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：

$y\left(t\right)=\underset{k=1}{\overset{K}{\Σ}}{w}_k\left(t\right){\mathrm{\φ}}_k\left(x\right(t\left)\right)$

其中，y(t)表示所述神经网络的实际输出；w_k(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；φ_k(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φ_k(x(t))的值：

${\mathrm{\φ}}_k\left(x\right(t\left)\right)=e^{(-|\left|x\right(t)-{\mathrm{\μ}}_k(t\left)\right|{|}^2/2{\mathrm{\σ}}_k^2\left(t\right))}$

其中，μ_k表示所述隐含层神经元中的第k个神经元的中心值，σ_k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：

$a_i=\[{\mathrm{\μ}}_{i,1},{\mathrm{\σ}}_{i,1},w_{i,1},{\mathrm{\μ}}_{i,2},{\mathrm{\σ}}_{i,2},w_{i,2}...{\mathrm{\μ}}_{i,K_i},{\mathrm{\σ}}_{i,K_i},w_{i,K_i}\]$

其中，a_i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；μ_i,k、σ_i,k和w_i,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；K_i表示第i个粒子表示的神经网络的隐含层神经元数；μ_i,k、σ_i,k和w_i,k的初始值取(0,1)中的任意数，K_i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，v_i表示第i个粒子的速度，D_i表示第i个粒子的维数，D_i＝3K_i。

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：

$f\left(a_i\right(t\left)\right)=\sqrt{\frac{1}{T}\underset{t=1}{\overset{T}{\Σ}}{\left(y\right(t)-y_d(t\left)\right)}^2}$

其中，f(a_i(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；y_d(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：ω_i(t)＝S(t)^tA_i(t)；

其中，t表示对所述粒子群进行迭代优化的次数；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f_min(a(t))、f_max(a(t))和g(t)分别表示为：

$\left\{\begin{array}{c}{f}_{\min }\left(a\right(t\left)\right)=Min\left(f\right(a_i\left(t\right)\left)\right)\\ f_{\max }\left(a\right(t\left)\right)=Max\left(f\right(a_i\left(t\right)\left)\right)\end{array}\right.;$

$g\left(t\right)=\underset{p_i}{\arg \min }\left(f\right(p_i\left(t\right)\left)\right),1\≤i\≤s;$

其中，每个粒子的历史最优位置p_i(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：

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，K_i(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；K_i(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；K_best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。