一种利用神经网络的高血压预测方法
【专利摘要】本发明涉及医疗过程中依据个人的基本信息、健康信息进行高血压患病预测【技术领域】，尤其是涉及一种利用神经网络遗传算法的高血压预测方法。包括以下步骤：(1)找出影响高血压的危险因素；(2)取出影响高血压的健康调查数据；(3)确立真正影响高血压的危险因素；(4)搜集这些危险因素的健康信息调查数据；(5)对数据进行筛选；(6)对合法数据进行标准化处理；(7)建立BP神经网络的MLP(多层感知器)模型，通过该模型对个人是否患高血压进行预测。(8)将预测结果与实际是否患有高血压进行比值，得到该方法预测患高血压概率大小和预测不患高血压概率大小。其为老年人提前预防高血压疾病提供科学依据，对高血压做到早发现、早干预、早治疗。
【专利说明】-种利用神经网络的高血压预测方法
【技术领域】
[0001] 本发明设及医疗过程中依据个人的基本信息、健康信息进行高血压患病预测技术 领域，尤其是设及一种利用神经网络遗传算法的高血压预测方法。
【背景技术】
[0002] 高血压是全球重大可控性慢性疾病，已成为脑卒中、冠屯、病和屯、肾功能衰竭等的 主要原因。目前，我国高血压患病率大于20%，患者超过2亿，且发病率呈逐年上升趋势，因 此，高血压的防治是我国人口与健康领域面临的重大问题。
[0003] 高血压药物疗效正从群体化研究走向个体化研究，因此一个有效的预测模型为人 们药物治疗高血压提供了科学的依据，也为建立一个健全合理的高血压预测方案提供了研 究方向。对高血压的早防早治、个体化药物治疗的疗效具有十分重要的科学意义。目前，针 对高血压患病预测的模型道路尚不明确，部分方法也不成熟。
【发明内容】
[0004] 本发明的目的在于避免现有技术的不足提供一种利用神经网络的高血压预测方 法，从而有效解决现有技术的问题。
[0005] 为实现上述目的，本发明采取的技术方案为；所述的一种利用神经网络的高血压 预测方法，其特点是包括如下步骤：
[0006] (1)根据人口统计学、人体测量学、行为信息等因素，首先确定了一些可能影响高 血压患病的因素，该些因素在此定义为自变量，包括十=种；年龄、性别、身高、体重、婚姻 状况、教育状况、家庭年收入、锻炼状况、是否糖尿病、是否高血脂、抽烟是否超过100根、抽 烟、饮酒；同时确立一种因变量因素为高血压；
[0007] (2)依据世界上最大的不间断的调查系统BRFSS提供的健康信息数据，取出W上 相关因素的数据；
[000引 （3)将W上的收集到的数据导入SPSS软件，选择分析一一回归一一二元 Logistic,将因变量选择为高血压，自变量选择为其他十S种因素；
[0009] (4)依据二元Logistic回归方法进行相关性分析，得到P值相关性分析；其结果 如下：
[0010]
【权利要求】
1. 一种利用神经网络的高血压预测方法，其特征是包括如下步骤： (1) 根据人口统计学、人体测量学、行为信息等因素，首先确定了一些可能影响高血压 患病的因素，这些因素在此定义为自变量，包括十三种：年龄、性别、身高、体重、婚姻状况、 教育状况、家庭年收入、锻炼状况、是否糖尿病、是否高血脂、抽烟是否超过100根、抽烟、饮 酒；同时确立一种因变量因素为高血压； (2) 依据世界上最大的不间断的调查系统BRFSS提供的健康信息数据，取出以上相关 因素的数据； (3) 将以上的收集到的数据导入SPSS软件，选择分析--回归--二元Logistic，将 因变量选择为高血压，自变量选择为其他十三种因素； (4) 依据二元Logistic回归方法进行相关性分析，得到P值相关性分析得到抽烟的P 值为〇. 27,其它因素的P值为0 ;依据P值小于0. 05具有统计学意义，故而排除了"抽烟" 对高血压的影响；其中自变量"抽烟是否超过100根"由于接近常值被剔除； (5) 依据上述分析得到了影响高血压患病的因素为十一种：年龄，性别，身高，体重，婚 姻状况，教育状况，家庭年收入，锻炼状况，糖尿病，高血脂，饮酒，筛选出了影响高血压的 十一种因素； (6) 对影响高血压因素的数据进行采集，其方法是：通过电话访问方式对老年人基本 信息进行收集；通过现场让老年人填写调查问卷形式收集；老年人登录自己的百合智慧养 老云平台，完善个人基本健康信息； (7) 将第六步骤中收集到的数据都是通过具体的数字形式存储在后台数据库；如果数 据填写未完整，视为无效数据； (8) 删除无效数据后，对剩余数据进行标准化处理，当各个指标间的水平相差很大时， 如果直接使用原始指标值进行分析，就会突出数值较高的指标在综合分析中的作用，相对 削弱数值水平较低指标的作用，为了保证结果可靠性，对原始数据进行标准化处理，此处将 数据标准化处理在[〇, 1]之间； (9) 建立按误差逆向传播算法训练的多层前馈网络的神经网络模型，依据上述数据进 行高血压预测，该模型分为输入层、隐含层、输出层，该模型输入层个数为InCode = 11，包 括筛选出的影响高血压的i^一种因素，隐含层个数为HideCode = 2*InCode+l = 23,输出 层个数为 OutCode = 1，学习速率为 Study_Efficient = 0? 01，运行次数 Echo_Num = 200， 判断精度Precision = 0. 5 ;预测过程中的变量参数定义为，输入层到隐含层的权值W_I_ H、隐含层到输出层的权值W_H_0、隐含层的阈值Bias_H、输出层的阈值Bias_0进行定义到 [_1，1]之间； (10) 通过计算隐含层的纯输入、输出，输出层的纯输入和输出、输出层的误差、隐含 层的误差，将这些参数反馈到神经网络，将权值更新为W_RefreSh，将阈值更新为Bias_ Refresh，最后将输入层到隐含层的权值以及隐含层到输出层的权值更新为saveWV ;依据 输出层最终输出值为R作为判断，根据R〈〇. 5为患有高血压，R>0. 5为不患高血压。统计预 测出正确患高血压人数的个数Numl，以及预测出正确不患高血压人数的个数Num2,分别与 数据集中的患高血压人数与不患高血压人数进行比值，得到该方法正确预测患高血压的准 确率和正确预测不患高血压的准确率。
【文档编号】G06F19/00GK104504297SQ201510028877
【公开日】2015年4月8日 申请日期:2015年1月21日 优先权日:2015年1月21日
【发明者】安宁, 颉云华, 汪泳, 李璞 申请人:甘肃百合物联科技信息有限公司