【技术实现步骤摘要】
本申请涉及神经网络模型，尤其涉及一种基于神经网络的高血压预测模型的训练方法以及装置。
技术介绍
1、高血压是最常见的慢性病，也是心脑血管病最主要的危险因素。随着我国生活水平在不断提高，饮食结构和生活方式也发生了很大改变，高血压等慢性病的患病率逐年上升，而且呈低龄化趋势，这些慢性病及其并发症造成严重的社会负担和经济负担。尽早识别个体患高血压的风险，在促进个体健康和减少医疗护理负担方面格外重要。
2、高血压疾病中，原发性高血压已成为最常见、严重威胁人群身心健康的疾病。大量研究显示，对高血压进行社区干预是世界公认的符合成本效益的，可降低心血管发病率的有效措施。因此，如何对个体的高血压进行风险预测成为目前亟需解决的问题。
技术实现思路
1、本申请实施例提供一种基于神经网络的高血压预测模型的训练方法以及装置，用于对个体的高血压进行风险预测。
2、本专利技术实施例提供一种基于神经网络的高血压预测模型的训练方法，所述方法包括：
3、获取需要对高血压进行预测的样本数据集，所述样本数据集中包括n个样本数据及各样本数据分别对应的样本标签，每个样本数据包括用户基础数据、用户测量数据、用户家族史、用户既往史、用户服药史；
4、基于所述用户基础数据、所述用户测量数据、所述用户家族史、所述用户既往史、所述用户服药史中各属性字段分别对应的数据值，过滤对高血压无影响的属性字段；
5、将过滤后的所述用户基础数据、所述用户测量数据、所述用户家族史、所述用户既
6、对第一特征向量、第二特征向量、第三特征向量、第四特征向量、第五特征向量中的任意4个不同的特征向量进行融合得到5组初始特征融合向量；
7、根据所述5组初始特征融合向量分别进行模型训练得到5个初始神经网络模型；
8、通过所述5个初始神经网络模型的准确率确定各个特征向量的权重值；
9、对第一特征向量、第二特征向量、第三特征向量、第四特征向量、第五特征向量及其分别对应的权重值进行融合得到最终特征融合向量；
10、根据所述最终特征融合向量及对应的样本标签进行模型训练得到高血压预测模型。
11、在本专利技术提供的一个可选实施例中，所述基于所述用户基础数据、所述用户测量数据、所述用户家族史、所述用户既往史、所述用户服药史中各属性字段分别对应的数据值，过滤对高血压无影响的属性字段，包括：
12、确定所述用户基础数据、所述用户测量数据、所述用户家族史、所述用户既往史、所述用户服药史中各属性字段分别数据值以及样本标签；
13、将所述数据值的变化不与对应的样本标签存在关联关系的属性字段确定为对高血压无影响的属性字段，并对所述对高血压无影响的属性字段进行过滤。
14、在本专利技术提供的一个可选实施例中，所述根据所述5组初始特征融合向量分别进行模型训练得到5个初始神经网络模型，包括：
15、通过多台设备对所述5组初始特征融合向量进行并行的模型训练，以得到5个初始神经网络模型；每台设备使用一组的初始特征融合向量进行模型训练得到对应的初始神经网络模型。
16、在本专利技术提供的一个可选实施例中，所述根据所述5组初始特征融合向量分别进行模型训练得到5个初始神经网络模型，包括：
17、通过第一组初始特征融合向量进行模型训练，得到第一初始神经网络模型；
18、迁移学习所述第一初始神经网络模型的模型参数，分别对第二组初始特征融合向量、第三组初始特征融合向量、第四组初始特征融合向量以及第五组初始特征融合向量进行模型训练得到第二初始神经网络模型、第三初始神经网络模型、第四初始神经网络模型、第五初始神经网络模型。
19、在本专利技术提供的一个可选实施例中，所述迁移学习所述第一初始神经网络模型的模型参数，分别对第二组初始特征融合向量、第三组初始特征融合向量、第四组初始特征融合向量以及第五组初始特征融合向量进行模型训练得到第二初始神经网络模型、第三初始神经网络模型、第四初始神经网络模型、第五初始神经网络模型，包括：
20、将所述第一初始神经网络模型的模型参数，作为第二初始神经网络模型、第三初始神经网络模型、第四初始神经网络模型、第五初始神经网络模型的初始模型参数；
21、通过第二组初始特征融合向量、第三组初始特征融合向量、第四组初始特征融合向量以及第五组初始特征融合向量分别对第二初始神经网络模型、第三初始神经网络模型、第四初始神经网络模型、第五初始神经网络模型进行训练，更新各个初始神经网络模型的模型参数。
22、在本专利技术提供的一个可选实施例中，所述通过所述5个初始神经网络模型的准确率确定各个特征向量的权重值，包括：
23、通过下述公式计算各个特征向量的权重值；
24、a1a2a3a4＝a1
25、a1a2a3a5＝a2
26、a1a2a4a5＝a3
27、a1a3a4a5＝a4
28、a2a3a4a5＝a5
29、其中，a1为第一特征向量的权重值，a2为第二特征向量的权重值，a3为第三特征向量的权重值，a4为第四特征向量的权重值，a5为第五特征向量的权重值，a1,a2,a3,a4,a5为5个初始神经网络模型分别对应的准确率。
30、在本专利技术提供的一个可选实施例中，所述对第一特征向量、第二特征向量、第三特征向量、第四特征向量、第五特征向量及其分别对应的权重值进行融合得到最终特征融合向量，包括：
31、通过下述公式融合最终特征融合向量：
32、t＝b1*a1+b2*a2+b3*a3+b4*a4+b5*a5
33、其中，t为最终特征融合向量，b1,b2,b3,b4,b5为第一特征向量、第二特征向量、第三特征向量、第四特征向量、第五特征向量。
34、在本专利技术提供的一个可选实施例中，所述根据所述最终特征融合向量及对应的样本标签进行模型训练得到高血压预测模型，包括：
35、将5个初始神经网络模型中准确率最高的初始神经网络模型确定为目标初始神经网络模型；
36、将所述目标初始神经网络模型的模型参数作为所述高血压预测模型的模型参数，通过所述最终特征融合向量及对应的样本标签对所述高血压预测模型继续训练，直至所述高血压预测模型的损失值小于预置数值。
37、在本专利技术提供的一个可选实施例中，通过下述公式计算所述高血压预测模型的损失值：
38、
39、其中，loss为所述高血压预测模型的损失值，x1i为根据第i个样本数据对应的第一特征向量b1得到的预测值，x2i为根据第i个样本数据对应的第二特征向量b2得到的预测值，x3i为根据第i个样本数据对应的第三特征向量b3得到的预测值，x4i为根据第i个样本数据对应的第四特征向量本文档来自技高网...
【技术保护点】
1.一种基于神经网络的高血压预测模型的训练方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述基于所述用户基础数据、所述用户测量数据、所述用户家族史、所述用户既往史、所述用户服药史中各属性字段分别对应的数据值，过滤对高血压无影响的属性字段，包括：
3.根据权利要求1所述的方法，其特征在于，所述根据所述5组初始特征融合向量分别进行模型训练得到5个初始神经网络模型，包括：
4.根据权利要求1所述的方法，其特征在于，所述根据所述5组初始特征融合向量分别进行模型训练得到5个初始神经网络模型，包括：
5.根据权利要求4所述的方法，其特征在于，所述迁移学习所述第一初始神经网络模型的模型参数，分别对第二组初始特征融合向量、第三组初始特征融合向量、第四组初始特征融合向量以及第五组初始特征融合向量进行模型训练得到第二初始神经网络模型、第三初始神经网络模型、第四初始神经网络模型、第五初始神经网络模型，包括：
6.根据权利要求3-5任一项所述的方法，其特征在于，所述通过所述5个初始神经网络模型的准确率确定各个特征向
7.根据权利要求3所述的方法，其特征在于，所述对第一特征向量、第二特征向量、第三特征向量、第四特征向量、第五特征向量及其分别对应的权重值进行融合得到最终特征融合向量，包括：
8.根据权利要求7所述的方法，其特征在于，所述根据所述最终特征融合向量及对应的样本标签进行模型训练得到高血压预测模型，包括：
9.根据权利要求8所述的方法，其特征在于，通过下述公式计算所述高血压预测模型的损失值：
10.一种基于神经网络的高血压预测模型的训练装置，其特征在于，所述装置包括：
...【技术特征摘要】
1.一种基于神经网络的高血压预测模型的训练方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述基于所述用户基础数据、所述用户测量数据、所述用户家族史、所述用户既往史、所述用户服药史中各属性字段分别对应的数据值，过滤对高血压无影响的属性字段，包括：
3.根据权利要求1所述的方法，其特征在于，所述根据所述5组初始特征融合向量分别进行模型训练得到5个初始神经网络模型，包括：
4.根据权利要求1所述的方法，其特征在于，所述根据所述5组初始特征融合向量分别进行模型训练得到5个初始神经网络模型，包括：
5.根据权利要求4所述的方法，其特征在于，所述迁移学习所述第一初始神经网络模型的模型参数，分别对第二组初始特征融合向量、第三组初始特征融合向量、第四组初始特征融合向量以及第五组初始特征融合向量...
【专利技术属性】
技术研发人员：刘荣梅，赵秋平，杨肖沫，白羽茜，罗婉丽，王军芳，王晓辉，
申请(专利权)人：阜外华中心血管病医院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。