技术领域
本发明属于医疗领域,具体涉及一种基于LSTM模型的智能血压管理分析系统。
背景技术
血压值是人体一项非常重要的健康指标,维持正常的血压才能保证人体的生理活动。我国的高血压人群数量庞大,我国已知的高血压患者人数达到2.7亿,全球高血压患者人数超过11亿,高血压患病率约为20%,而且高血压患者人数还有加快上升的趋势,且集中于中老年群体,高血压患病率也在逐年增加。
血压是一个长期变化的过程,血压情况不能单单看测试的一两组数据,而是需要一个长期的数据来分析判断血压健康状况,一两组数据只能反映这个时间段的血压状况,血压的趋势、波动情况和动态变化情况都需要长期的血压数据来验证分析。目前国内的医院和家庭个人分析血压状况基本都是测试一两组数据来判定,不能全面反映一个人的血压波动等健康状况。
基于上述原因,一个合理且实用的智能血压管理和分析系统对解决上述动态血压分析问题显得尤其重要,方便用户自己测量血压录入系统,这样,用户就可以将自己长期的血压数据存储,并在系统中得以分析血压数据,从而获知自己的血压动态变化趋势、血压评价指标和模型预测的高血压风险等。
发明内容
本发明提供一种基于LSTM模型的智能血压管理分析系统,对特定标签下(饭后、晨起、运动后等)的血压及脉搏数据进行单独分析,并根据LSTM模型预测未来24小时血压值的大致变化范围以实现对用户血压数据进行动态分析,得到用户的血压健康状况。
为实现上述目的,本发明提供了如下方案:本发明提供一种基于LSTM模型的智能血压管理分析系统,其特征在于,包括依次连接的硬件平台、云平台及数据分析平台;
所述硬件平台用于对血压及脉搏进行测量并将所述测量结果及测量时间数据上传到所述云平台;
所述云平台用于将所述硬件平台传来的所述测量结果及所述测量时间进行存储;
所述数据分析平台用于对所述测量结果进行分析及比较。
优选地,所述数据分析平台包括用户注册登陆模块及与所述用户注册登录模块依次连接的数据录入存储模块、数据分析可视化模块、模型预测模块以及同类用户比较模块;
所述数据录入模块与所述硬件平台相连,并分别与所述数据分析可视化模块、所述模型预测模块及所述同类用户比较模块连接;
所述数据分析可视化模块与所述模型预测模块及所述同类用户比较模块相连;
所述用户注册登录模块用于用户进行注册及登录;
所述数据录入模块用于接收所述硬件平台及用户自身录入的血压及脉搏信息并进行录入存储;
所述数据分析可视化模块用于对血压及脉搏信息进行分析及显示;
所述模型预测模块用于预测用户未来的血压状况;
所述同类用户比较模块用于与同类用户的血压及脉搏信息进行比较。
优选地,所述数据录入模块能够对一定时间段内的录入的数据添加标签并进行单独分析,并对异常数据进行过滤。
优选地,所述数据分析可视化模块用于分析血压负荷值、夜间血压下降率、动态均值及方差,并能够建立舒张压、收缩压和脉搏的曲线图及直方图。
优选地,所述数据分析可视化模块用于显示任意时间段的血压及脉搏数据信息、任意天数内特定时间段的血压及脉搏数据信息、预设天数内的血压及脉搏数据信息及任意时间段内特定标签下的血压及脉搏数据信息并显示舒张压、收缩压、脉搏的曲线图和舒张压、收缩压的直方图。
优选地,所述模型预测模块通过构建LSTM血压预测模型对用户血压进行预测。
优选地,所述LSTM血压预测模型的样本数据包括血压负荷值、夜间血压下降率以及血压数值特征;
所述LSTM血压预测模型的输入数据包括样本数量、时间步长和特征数量。
优选地,所述同类用户比较模块根据同类用户的血压数据得到血压负荷率、夜间血压下降率、方差和动态均值,并与用户血压数据进行比较,得到用户在同类用户中的健康状况。
优选地,所述硬件平台包括智能血压仪。
本发明公开了以下技术效果:
(1)本发明对特定标签下(饭后、晨起、运动后等)的血压及脉搏数据进行单独分析,在分析一段时间内的血压状况时将这些标签数据筛除,能够避免这些特定条件下的数据对分析结果造成影响,同时本发明能够计算任意时间段内的血压方差,据此可以判断该用户在该段时间内的血压波动情况;
(2)本发明使用机器学习LSTM模型为每个用户建立一个专属的血压预测模型,并根据LSTM模型预测未来24小时血压值的大致变化范围,进一步得到用户未来时间里出现临界高血压、高血压的可能性,从而进行预警提示;
(3)本发明的同类用户比较模块将用户与同年龄段用户的血压动态均值、血压负荷值、夜间血压下降率等评价指标进行比较,有助于用户了解同类用户的健康状况,以及自己在同类用户中的健康状况。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明基于LSTM模型的智能血压管理分析系统结构示意图:
图2为本发明的血压数据曲线图的构建流程示意图;
图3为本发明的血压数据直方图的构建流程示意图;
图4为本发明的数据分析可视化模块评价指标示意图;
图5为本发明的特定标签数据信息计算流程示意图;
图6为本发明的模型预测模块的工作流程示意图;
图7为本发明的同类用户比较模块的工作流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示,本发明提供一种基于LSTM模型的智能血压管理分析系统,包括依次连接的硬件平台、云平台及数据分析平台。
硬件平台采用智能血压仪,用于测量舒张压、收缩压及脉搏并将测量结果及测量时间数据一起根据MQTT协议通过Wi-Fi及时上传到云平台。
云平台采用OneNet设备云,将硬件平台的智能血压仪传来的血压测量结果及测量时间进行存储。同时,通过API和HTTP协议将数据实时推送到web应用后台服务器,并存储入本地数据库,方便数据管理和提取分析。
数据分析平台是基于web的血压管理分析平台,用于对测量数据进行分析及比较,包括用户注册登陆模块、数据录入存储模块、数据分析可视化模块、模型预测模块以及同类用户比较模块。数据分析平台的各个功能模块的实现依赖于web开发的相关技术、模型预测和相关健康评价指标的计算分析。
用户注册登录模块包括用户注册登陆界面、用户主界面、用户数据录入界面和数据可视化界面。用户注册登陆之后,可以进入主界面,用户主界面有用户个人的基本信息以及用户今日的血压数据分析,包括曲线图、直方图、血压的评价指标、模型预测的结果和与同类用户相比较的健康状况,用户可以清晰的看到自己的今日的血压健康状况;数据录入界面,可录入用户测量的血压等相关数据并保存;数据可视化界面可以进行相关的查询分析功能,显示相关的曲线图以及直方图,同时可以对部分需要修改的录入记录进行修改和删除。
数据录入存储模块用于在一个时间单位内对用户血压、脉搏的数据进行多次测量录入存储。多次数据的测量可以有效避免一次数据测量有误对实际情况造成影响。
同时,数据录入模块对特定时间段内的数据录入存储时添加标签,如饭后、运动后、晨起等,这些状态下的血压值会比较偏高,因此对其进行单独分析,在分析一段时间内的血压状况时也可将这些带有标签的数据过滤,有效避免这些血压值较高对血压分析结果产生影响。
数据分析可视化模块用于对血压值、脉搏数据进行图标统计展示及查询。
数据分析可视化模块的图表统计展示具体有以下四种选择模式:
任意时间段的数据查询;
任意天数的特定时间段(如每周的8:00~9:00)的数据查询;
预设天数(如今天、昨天、本周、上周、本月等)的数据查询;
任意时间段内特定标签(如饭后、运动后、晨起)下的数据查询。
用户可以选择任意时间段进行数据查询,数据分析平台能够计算任意时间内的血压舒张压、收缩压、脉搏的方差,通过方差可以看到用户在这段时间内的血压波动情况。方差越大,波动越大,血压状况越不稳定,反之,方差越小,则波动越小,血压相对较稳稳定。
用户可以看到数据分析平台提供的每天的评价指标:血压负荷值及动态血压均值。血压符合值包括:收缩压、舒张压、脉搏大于正常参考值所占的比例,这些可以反映血压的昼夜变化;动态血压均值反映当天血压的整体状况。通过这些血压数据评价指标,用户可以确定自己的血压健康状况。
用户查询时,数据分析平台会将查询的数据根据时间轴拟合最大值、最小值、均值曲线图展示血压变化趋势,并计算在各段血压值的占比并形成血压分布频率直方图,能够反映用户在某种特定状态下的血压动态变化趋势。用户可以清楚的看到自己在饭后、运动后、晨起等状态下的血压情况。
如图2所示,数据分析平台从数据库中提取用户需要的时间段数据,按照单位时间(时间段是一天以内就按照小时为单位时间,时间段是多天的就按照一天为单位时间)来分别获得单位时间内的舒张压最大值、最小值,收缩压最大值、最小值,脉搏最大值、最小值并分别计算单位时间内的动态均值,并分别形成舒张压最大值、最小值、均值曲线图,收缩压最大值、最小值、均值曲线图以及脉搏最大值、最小值、均值曲线图。通过曲线图的趋势,用户可以观察自己的血压动态情况。
最大值为:
max(num1,num2,…,numn) (1)
最小值为:
min(num1,num2,…,numn) (2)
均值为:
avg=(num1+num2+…+numn)/n (3)
其中:num1,num2…numn为血压或脉搏数据。
如图3所示,数据分析平台从数据库中提取出数据,按照单位时间(以一天为单位时间)分别计算舒张压、收缩压数据在各段的分布,得到频率分布直方图。根据这些频率分布直方图,用户可以看到自己的血压分布情况,也可以比较前后几天的血压分布情况,获得分布变化情况。
如图4所示,数据分析平台根据用户提交的时间段等需求,计算该段时间内的血压负荷值,夜间血压下降率、动态均值和方差,通过这些评价指标可以获得血压数据的超正常血压的状况、昼夜血压变化情况、整体血压状况和血压的波动情况。用户可以根据这些指标对自己的血压健康状况有一个清晰的了解和掌握,具体为:
夜间血压下降率为:
血压负荷值为:
方差为:
其中:X
动态均值为:
如图6所示,模型预测模块用于根据用户的历史血压数据,并采用机器学习LSTM模型为每个用户建立一个专属的血压预测模型。
LSTM模型是由状态单元和门结构控制的。状态单元是其中最重要的部分,它像传送带一样贯穿整个网络结构并且只有很少的分支,这样能够保证信息不变地流过整个模型。门结构对状态选择性地删除或者添加信息。遗忘门决定状态单元需要丢弃哪些信息,输入门决定要给状态单元添加哪些新的信息,最后使用输出门判断哪些信息从状态单元输出。
LSTM模型数据的样本是根据用户提供的原始血压数据进行特征处理后的数据,包括血压负荷值、夜间血压下降率等根据心血管医学专业知识建立的特征,以及根据机器学习特征处理对血压数值进行标准化、极值化、均值化等方法后得到的特征。由于用户提供的数据无法保证完整性,因此对于用户缺失的数据会使用最邻近插值的方法,选用与缺失数据最近的数据进行填充。
LSTM模型的输入是三维的,三个输入的维度分别为:样本数量、时间步长和特征数量。为了符合LSTM模型的输入数据模式,需要对初始收集到的血压数据进行处理。其中,样本为使用的数据样本数量;时间步长为24小时;特征数量是对血压值进行特征处理后的特征数量。最后将数据转化为(样本数量,时间步长,特征数量)形式的三维数组作为模型的输入。
模型预测模块根据LSTM模型预测未来24小时血压值的大致变化范围。将三维数组作为LSTM模型的输入量进行模型训练,通过对模型参数进行调参并使用交叉验证的方法验证模型优劣性;使用训练好的模型进行拟合得到血压变化趋势,进而预测未来时间内的血压变化,并进一步得到用户未来时间里出现临界高血压、高血压的可能性,进行预警提示。随着用户提供的数据越来越多,LSTM模型的预测效果会逐步提升。
在LSTM模型中,使用ADAM优化器来优化模型的权重,并使用均方误差函数(MSE)作为网络的损失函数来评估模型的拟合过程,均方差函数的公式如下:
其中:N为样本数;y
如图7所示,同类用户分析比较模块用于比较同一年龄段的用户血压情况。同类用户分析比较模块每天会推送用户的血压动态均值、血压负荷率、夜间血压下降率数据高于同类用户的比例,例如血压动态均值高于50%的同类人群,血压负荷值高于48%的同类用户等。
在接收到同类用户的血压数据后,同类用户分析比较模块对血压数据进行数据预处理,对血压的异常值进行自主判断并对异常值进行剔除,根据剔除之后的数据进行同类用户血压值的比较;在比较之后,同类用户分析比较模块输出用户的血压动态均值、血压负荷率、夜间血压下降率数据高于同类用户的比例,并根据比例的具体数值对用户进行具体的生活建议;如果用户的血压动态均值、血压负荷率、夜间血压下降率数据低于同类用户的比例,则根据血压浮动范围的医学标准对用户的血压数据进行分析,输出正常与不正常的结果并给出具体生活建议。用户可以通过同类用户分析比较模块清楚地掌握自己在同类人群中的健康状况。
以上所述的实施例仅是对本发明的优选方式进行描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案做出的各种变形和改进,均应落入本发明权利要求书确定的保护范围内。
机译: 基于人工智能处理用户请求的对白分析模型的建立方法及使用该模型的系统
机译: 基于人工智能处理用户请求的对白分析模型的建立方法及使用该模型的系统
机译: 基于人工智能处理用户请求的对白分析模型的建立方法及使用该模型的系统