基于多因素线索长短期记忆模型的血压分析预测

摘要

高血压是危害健康的重要因素,为了预防血压突然升高造成严重后果,在传统长短期记忆(LSTM)网络基础上,提出一种多因素线索LSTM模型,适用于血压的短期预测和长期预测,能够对血压的不良变化提前作出预警.模型中用到的多因素线索包括时序数据线索和上下文信息线索(包括个人基本信息和环境信息)两大类,使得血压预测不仅提取血压数据本身的特征,还提取与血压相关联的时序数据变化特征和其他关联属性的数据特征.模型首次将环境因素加入血压预测,并采用多任务学习方式,能够更好地捕捉数据之间隐藏的关联性,提高模型泛化能力.实验结果表明,所提模型相较于传统LSTM模型和添加了上下文信息层的LSTM(LSTM-CL)模型在舒张压的预测误差与预测偏差方面分别降低2.5％,3.8％和1.9％,3.2％,在收缩压的预测误差和预测偏差分别降低0.2％,0.1％和0.6％,0.3％.