JHE 医疗保健工程 2040 - 2309 2040 - 2295 Hindawi 10.1155 / 2017/2187904 2187904 研究文章 比较分析的混合模型预测BP反应夹紧双腿 http://orcid.org/0000 - 0002 - 6384 - 4396 考尔 Gurmanik 1 Arora 制成Shatru 2 耆那教徒的 Vijender库马尔 2 谢长廷 Ming-Yuan 1 电气工程系 SBBSU Khiala 区Jalandhar 旁遮普144030 印度 sbbsuniversity.in 2 电气和仪表工程的部门 SLIET 认为大学(由印度政府建立) Longowal 区Sangrur 旁遮普148106 印度 sliet.ac.in 2017年 26 11 2017年 2017年 14 08年 2017年 05年 10 2017年 16 10 2017年 26 11 2017年 2017年 版权©2017 Gurmanik Kaur et al。 这是一个开放的文章在知识共享归属许可下发布的,它允许无限制的使用,分布和繁殖在任何媒介,提供最初的工作是正确的引用。

交叉双腿的膝盖,在英国石油公司(BP)测量,是一些生理的刺激,大大影响英国石油(BP)测量的准确性。因此,它是至关重要的制定一个适当的预测模型对口译的影响对英国石油(BP)夹紧双腿。本研究描述了使用的主成分分析(PCA)融合提出了逐步回归(FSWR),人工神经网络(ANN),自适应神经模糊推理系统(简称ANFIS)和最小二乘支持向量机(二)模型预测的BP反应正常血压和高血压参与者之间的夹紧双腿。提出了预测模型的性能的评估使用适当的统计指数表明,PCA-based二(PCA-LS-SVM)模型的预测精度最高,确定系数(<我t一个lic> R2)= 93.16%,均方根误差(RMSE) = 0.27,和平均绝对百分比误差(日军)= 5.71 SBP预测血压正常的科目。此外,<我t一个lic> R2RMSE = 0.19 = 96.46%,日军对SBP预测和= 1.76<我t一个lic> R2RMSE = 0.21 = 95.44%,日军= 2.78高血压预测类似的主题使用PCA-LSSVM模型。这个评估提出了混合计算模型构成的重要性和优势在生物医学研究的预测变量。

 1。介绍

精确测量的血压(BP)是必不可少的诊断高血压的早期阶段。高血压作为最高风险因素出现危及生命的条件,如冠状动脉疾病,中风和肾功能衰竭( 1]。然而,根据最近发表的一篇社论高血压杂志》的美国心脏协会(AHA),“很少有测量在医学一样差,英国石油(BP)测量。有明确识别的生物多样性,我们继续做出决策在很大程度上测量了在随机时间控制不佳的条件下“ 2]。这个观察支持需要制定准确的BP预测的新方法。

推荐几个国际组织包括美国心脏协会( 3),英国高血压学会(黑洞)[ 4),和欧洲高血压协会(数量) 5)透露,英国石油公司受到众多生物和分析变异的来源。生物变化相对于个体的变化引起的,例如,情感,昼夜节律,季节,食物,和姿势。分析差异来源于仪器使用的可变性,观察者偏见,等等。然而,它并不总是可行的控制所有的因素,但我们可以减少他们的影响考虑到他们在达成决定 5]。

正确的主题定位的腿在BP测量往往是被忽视的。似乎是一个舒适的位置,受试者自发交叉双腿的膝盖。几个临床和研究已经证明,交叉双腿膝盖水平在英国石油公司(BP)测量潜在影响测量的准确性。Foster-Fitzpatrick等人表现出显著增加BP用膝盖水平高血压的双腿交叉学科( 6]。Peters等人报道,夹紧双腿在BP测量显著增加收缩压(SBP)、舒张压(菲律宾)高血压。在健康的志愿者,SBP和双腿交叉在膝盖水平时,增加类似但是不重要的对菲律宾的影响( 7]。Keele-Smith Price-Daniel,证明BP双腿交叉时的风险高和交叉well-senior人口( 8]。Pinar等人表明,交叉腿在膝盖在高血压受试者的血压水平增加 9]。Adiyaman等人发现显著的双腿交叉时的血压在膝盖水平( 10]。范·格罗宁根等人测量BP使用Finometer;他们发现血压的增加与两腿交叉在膝盖水平( 11]。Pinar等人报道,在高血压的话题,英国石油(BP)显著增加时,两腿交叉( 12]。

尽管研究证实腿立场BP测量的重要性,很可能腿位置存在明显差异在临床实践中,也在已发表的研究 2),它可能导致误诊的高血压或高血压的严重程度的高估和可能导致过度积极的治疗。抗高血压治疗可能是不必要的没有并发心血管疾病的风险因素( 13]。

此外,有越来越多的证据表明,人体测量指数是英国石油公司的主要决定因素。过去一些研究已经进行了识别人体测量特征可以作为标记的英国石油公司( 14- - - - - - 16]。这些研究探索英国石油(BP)和人体测量特征之间的显著相关性的话题。因此,应考虑人体测量特征实现BP反应的精确测量。然而,人体测量特征之间的多重共线性也被报道,这可能会导致“过度拟合”的预测模型 17- - - - - - 19]。

预测的各种方法利用生物变量范围从传统的基于统计模型的复杂的人工智能模型( 20.- - - - - - 25]。最近的研究对预测BP如下:Monte-Moreno提出了一个系统同时无创性血糖水平(BGL)的估计,SBP,使用一个类似photoplethysmograph (PPG)和机器学习技术。生理属性包括血液粘度、船合规、血液动力学、代谢综合征、人口学特征和情绪状态作为输入变量。机器学习技术测试如下:脊线性回归,多层感知器人工神经网络(ANN)、支持向量机(SVM)和随机森林。最好的结果与随机森林方法( 26]。Genc线性随机模型,提出了一个集成的一个已知的部分心血管系统和未知的部分通过参数估计预测平均动脉压(MAP)的进化。模型的性能测试的案例研究急性低血压患者生理网(啊)数据。他们得出结论,真正积极的利率(tpr)和假阳性利率(玻璃钢)改进预测期间( 27]。Forouzanfar等人提出了一种新颖的基于ANN BP估计从手腕示波的测量。与之前的方法,使用原始的示波的波形包络安(OMWE)作为输入,在这篇文章中,他们提议使用功能从信封中提取。OMWE是数学建模为两个高斯函数的和。高斯函数的最优参数被发现通过最小化之间的最小二乘误差(LSE)模型和使用Levenberg OMWE马夸特算法和被用作输入功能。安的性能比传统的最大振幅算法(MAA),自适应神经模糊推理系统(简称ANFIS)和ANN-based定义方法。发现该方法取得了较低的平均绝对误差(MAE)值和标准偏差(<我t一个lic> σ)错误(SDE)在英国石油公司的估计 28]。Kurylyak等人估计PPG信号使用的BP ANN。训练数据提取的多参数智能监控在重症监护波形数据库更好的表示可能的脉冲和压力的变化。估计和参考价值的比较显示精度比线性回归方法( 29日]。Golino等人相比,分类树技术与传统逻辑回归预测BP。身体质量指数(BMI)、腰围(WC)、臀围(HC)和腰臀比(WHR)被用作预测变量。最后,分类树技术的比较与传统逻辑回归表明,前者比后者的预测能力( 30.]。

Hsin-Hsiuang等人逻辑回归相比,支持向量机,permanental分类方法在预测高血压通过使用基因型信息。他们使用逻辑回归分析的第一步检测重要的单核苷酸多态性(snp)。在第二步中,他们使用逻辑回归的显著的单核苷酸多态性,SVM和permanental分类方法用于预测。结果表明,支持向量机和permanental分类表现逻辑回归( 31日]。汗等人提出的支持向量机进行预测的BP使用Facebook状态与情绪。当前人类BP和那些属于六之前的主要情感和英国石油公司价值观对人类情感被作为输入变量。结果表明,支持向量机可以通过主路旁申请预测BP的情绪。相反,验证表明,支持向量机模型的预测误差统计略微超过( 32]。"等人建立了一个逻辑回归模型校准和纠正这样的示波的监控设备更好地对应于Korotkoff方法不管病人的健康状况。该模型消除了系统误差引起的过度或低血压患者解除痛苦。他们报告说,系统误差降低了近50%对应设备的性能规范( 33]。

进行更好的训练过程,提高预测的准确性,混合计算模型在医学诊断正在开发支持关于临床住院医师在成功的决策,早期预防、早期临床诊断、临床治疗和应用程序,允许计算疾病的可能性根据已知的主题特征和临床测试结果( 34]。开发一种混合动力计算模型的主要前提是利用两个或两个以上的模型之间的协同作用,利用他们的好处和克服各自的局限性。过去几年里已经看到一个巨大的混合计算模型的兴趣,似乎已经完全取代了传统unisystem方法。在生物医学研究中使用混合建模研究的理论基础主要是获得更少的重要预测变量,和选择的预测变量可以作为设计输入预测模型。因此,混合方法可以提高诊断精度和减少复杂性的预测模型 35]。

目前的研究是一个延续我们的先前的研究[ 36, 37)处理混合计算技术的发展预测的BP反应说话和不受支持的。本研究工作的重点是开发基于主成分分析(PCA)的远期逐步回归(FSWR),安,简称ANFIS和最小二乘支持向量机(二)混合计算模型预测BP反应夹紧双腿的考虑BP的人体测量指标正常血压和高血压科目。开发模型的预测精度是评估使用确定系数(<我t一个lic> R2),均方根误差(RMSE)和平均绝对百分比误差(日军)。

 2。材料和方法 2.1。参与者

总共30 40血压正常的高血压科目在学生中,员工,和教师的桑特Longowal工程技术研究所认为大学Longowal Distt。Sangrur、旁遮普、印度,包括在这项研究中。参与者年龄超过18年。排除标准怀孕主题,心律不齐的主题,和那些有任何条件,会干扰定位下肢的科目。机构研究委员会批准了研究协议和所有参与者参与之前给书面知情同意。

 2.2。数据收集

标准的问卷是人体测量数据的收集管理包括年龄、身高、体重、BMI, (MUAC)和中上臂围的参与者。平均值和标准偏差(SD)收集到的人体测量数据表 1。

描述性统计的人体测量特征研究的样本。

人体测量特征 Normotensives 高血压药物
的意思是 SD 的意思是 SD
年龄(年) 23.1 1.24 42.83 6.665
身高(厘米) 1.61 0.03 1.583 0.035
体重(公斤) 55.96 7.29 62.48 10.89
BMI(公斤/米2) 21.55 2.504 23.57 3.497
MUAC (cm) 26.56 2.45 26.72 2。4

一个特别分开房间被用来进行这项研究。这房间内确保最小的干扰而测试被执行。观察者参与这项研究被训练使用黑洞的英国石油(BP)测量培训材料( 38]。

消除观察者偏见,英国石油(BP)测量使用验证,新买的,完全自动血压计欧姆龙哼哼- 7203(欧姆龙医疗有限公司,日本京都)使用示波的测量方法。BP监控可用小袖口(17-22厘米),中袖(22-32厘米),和大袖口(32-42厘米)。英国石油(BP)测量之前是选择适当的大小根据MUAC袖口的科目。

受试者建议避免饮酒、吸烟、咖啡/茶摄入量,和锻炼至少30分钟前英国石油(BP)测量。他们要求空膀胱前测量。受试者还指示与支持在椅子上坐直,脚平放在地板上,上臂(测量)在心脏水平,因为它们是潜在的混杂因素。此外,他们被要求不说话和移动测量( 3]。

休息5分钟后( 3),测量进行了四次反复的间隔一分钟。第一次测量是丢弃,最后三个测量值的平均值是考虑。随后,在膝盖和腿交叉四分钟后,重复测量相同的协议。所有测量是在相同的测量条件下,除了获得不同的腿位置。和测量协议被重复了7天。

 2.3。实验方法 2.3.1。主成分分析

PCA是抵消多重共线性的第一步。这是一种降维技术,不考虑输入变量之间的相关性。因此,主成分分析是一种无监督降维方法( 39- - - - - - 41]。评估每个输入变量的主成分分析的影响,使用方差极大旋转获得的旋转因子载荷值。Kaiser-Meyer-Olkin (KMO)衡量抽样充足率和巴特莱特的球形被用来测试检查数据是否适合应用PCA ( 42- - - - - - 45]。

 2.3.2。FSWR

FSWR是传统的统计建模技术用于开发一个最好最优预测模型通过提取出人体测量特征或预测变量根据其统计学意义或概率(<我nline-formula> p )值。它始于一个空的预测模型并添加一个人体测量指标变量。第一个预测变量包含在模型中自变量的相关性最高<我t一个lic> y。第二个变量包括相关性最高的国家之一<我t一个lic> y后,<我t一个lic> y已经调整了第一个预测变量的影响。这个进程终止当最后一个变量进入模型无关紧要的回归系数( 46]。

 2.3.3。安

安达到最好的建筑,各种结构的前馈安与不同的隐藏层个数和每个隐层神经元。最后,根据性能指标从调查,获得一个ANN结构有两个隐藏层和六个每个隐层节点被选中进行进一步分析。此外,安的体系结构也由一个输入层有四个输入节点(代表四个人电脑)和一个输出层和一个输出节点(表示BP反应交叉腿)。选择双曲正切乙状结肠激活函数为隐层和线性激活函数为输出层训练较少的网络时代也与更好的性能标准和取得最好的结果的预测。反向传播学习算法基于Levenberg-Marquardt技术被用来发现误差函数的局部最小值。它融合了最速下降法和高斯牛顿算法和继承了高斯牛顿算法的速度优势和最速下降法的稳定性。它更强大,比传统的梯度下降法( 47, 48]。

 2.3.4。简称ANFIS

Sugeno-type FIS模型被开发使用“genfis1”网格分区数据预测的BP反应夹紧双腿。不同的隶属度函数简称ANFIS参数包括数字(MFs)和类型的输入和输出测试达到完美的曼氏金融培训和最大的预测精度。输入隶属函数“psigmf”和输出隶属函数“线性”是用于开发的预测模型 49]。

简称ANFIS训练模型的其他参数如下:MFs的数量= 16日的节点数量= 55 = 80数量的线性参数,非线性参数的数量= 32,参数= 112,总数和模糊规则的数量= 16。

 2.3.5。回归模型

最重要的步骤开发为生物模型如下:选择一个内核及其参数。经过多次实验观察,径向基函数(RBF)内核和网格搜索优化算法(2倍交叉验证)选择获取正则化参数的最佳组合(<我t一个lic> γ)和方带宽(<我t一个lic> σ2)[ 50, 51]。

 3所示。结果 3.1。夹紧双腿对英国石油公司的影响

配对的结果<我t一个lic> t以及体现出统计上显著的更高的SBP和夹紧双腿(平均差±SD = 5.838±2.5919,<我nline-formula> p < 0.001 在血压正常的主题),但菲律宾测量之间没有显著差异(平均差±SD = 0.0037±0.0126,<我nline-formula> p = 0.0737 )。在高血压的主题,SBP(平均差±SD = 10.3524±4.5844,<我nline-formula> p < 0.001 )、菲律宾(平均差±SD = 6.1704±1.8531,<我nline-formula> p < 0.001 )当双腿交叉在膝盖水平明显不同。这些结果符合啊哈BP测量委员会的建议在人类和实验动物( 3]。

 3.2。多重共线性诊断

目视检查的皮尔森相关系数显示多重共线性的存在,如相关系数> 0.6 ( 52),对人体测量特征之间,在正常血压和高血压患者,如表所示 2。

每一对之间的皮尔逊相关系数的人体正常血压和高血压的特征。

人体测量特征 高度 重量 身体质量指数 MUAC
年龄(年) 0.535 0.113 0.784<我nline-formula> ∗ 0.598 0.701<我nline-formula> ∗ 0.509 0.668<我nline-formula> ∗ 0.585
身高(厘米) 0.543 0.165 0.237 0.305 0.619<我nline-formula> ∗ 0.021
体重(公斤) 0.934<我nline-formula> ∗ 0.885 ∗ 0.743<我nline-formula> ∗ 0.767 ∗
BMI(公斤/米2) 0.617<我nline-formula> ∗ 0.691 ∗

∗ 表明<我nline-formula> p < 0.001 ;大胆的值表明高血压的人体特征之间的相关性。

 3.3。应用主成分分析对英国石油公司的数据

在下一步中,PCA用于省略对人体测量特征之间的多重共线性和简化它们之间的关系的复杂性 53]。

核实PCA的适用性,巴特利特球形的测试应用( 54]。一个高价值的x平方分布(<我t一个lic> χ2血压正常的人),(<我nline-formula> χ 2 = 231.012 ,<我nline-formula> D F = 10 ,<我nline-formula> p < 0.0001 )和高血压(<我nline-formula> χ 2 = 119.48 ,<我nline-formula> D F = 10 ,<我nline-formula> p < 0.0001 )暗示个体PCA适用于我们的数据集。KMO的价值也超过0.6为正常血压(0.63)和高血压(0.75),这表明样本容量足够应用PCA ( 55]。

5个人电脑,只有第一个四个人电脑(PC1-PC4),解释了超过5%的变化,保留了进一步分析。在血压正常的受试者,所选电脑解释总变异的99.8%。方差比例解释PC1 PC2,生物,和PC4被发现为71.84%,16.58%,6.34%,和5.04%,分别。在高血压的主题,选择电脑解释总变异的98.04%。方差比例占PC1 PC2,生物,和PC4估计为61.10%,22.5%,8.78%,和5.66%,分别。荷量方差极大旋转后的人体测量特征给原变量的程度是影响形成新的变量。对正常血压和高血压、体重和体重指数特征与其PC1最高和高度与PC2相关性最高。

此外,皮尔森的相关性对电脑,如表所示 3表明,多重共线性的问题呈现在表 2解决由于没有显著相关性表中的任何一对电脑之间的关系(相关系数< 0.6)。

每一对之间的皮尔逊相关系数的电脑在正常血压和高血压科目。

个人电脑 PC2 生物 PC4
PC1 −0.00000225 0.00000878 0.0000000798 0.00000423 −0.0000167 0.00000659
PC2 −7.237<我t一个lic> e−016 0.00000919 5.808<我t一个lic> e−016 0.0000142
生物 −7.557<我t一个lic> e−017 0.0000175

大胆的值显示在人体相关高血压研究对象的特征。

开发PCA-based预测模型,主要得分值从原理获得得分系数被用作独立变量和BP反应作为因变量。此外,80%的数据被用于训练,同时整个数据集是用于测试。数据规范化培训之前达到更准确的预测。MATLAB(版本7.5)被用来开发预测模型。

 3.4。PCA-Based FSWR (PCA-FSWR)

概率考虑时,标准化的SBP反应的回归PC1(由重量和BMI)被发现血压正常的受试者达到统计上的显著水平。然而,生物组成的(年龄)被发现显著的SBP和反应类似高血压。数据 1(一)- - - - - - 1 (c)观测值和预测值之间的散点图显示PCA-FSWR模型的BP反应正常血压和高血压科目。

观测值和预测值之间的散点图使用PCA-FSWR BP反应模型。

SBP的血压正常的人

SBP为高血压

为高血压菲律宾

最终的模型方程预测BP在血压正常的反应性和高血压科目如下:

模型方程获得预测SBP血压正常的受试者的反应: (1) 年代 B P r e 一个 c t 我 v 我 t y = 5.8381 − 1.8514 P C 1 。

模型方程获得预测高血压SBP反应的主题: (2) 年代 B P r e 一个 c t 我 v 我 t y = 10.3524 − 1.6246 P C 3 。

模型方程获得预测高血压反应类似的主题: (3) D B P r e 一个 c t 我 v 我 t y = 6.1704 − 0.6467 P C 3 。

3.5。PCA-Based安(PCA-ANN)

观测值和预测值之间的散点图PCA-ANN BP反应的模型,如图 2(一个)- - - - - - 2 (c),虽然显示明显的偏差,但他们比那些从PCA-FSWR模型。

观测值和预测值之间的散点图使用PCA-ANN BP反应模型。

SBP的血压正常的人

SBP为高血压

为高血压菲律宾

 3.6。PCA-Based简称ANFIS (PCA-ANFIS)

如数据所示 3(一个)- - - - - - 3 (c)观测值和预测值之间的散点图绘制的BP反应PCA-ANFIS模型清楚地证明改善预测值相比的PCA-FSWR和PCA-ANN预测模型的性能。

观测值和预测值之间的散点图使用PCA-ANFIS BP反应模型。

SBP的血压正常的人

SBP为高血压

为高血压菲律宾

 3.7。PCA-Based二(PCA-LS-SVM)

正则化参数的最优值(<我t一个lic> γ)和方带宽(<我t一个lic> σ2)获得来自发达PCA-LS-SVM模型如下:

γ = 200年 ,<我nline-formula> σ 2 = 0.53 (SBP反应在血压正常的受试者的预测)

γ = 253.0920 ,<我nline-formula> σ 2 = 0.0782 (SBP反应的预测高血压科目)

γ = 1.0635 e + 004年 ,<我nline-formula> σ 2 = 0.0148 (用于预测高血压反应类似的主题)

观测值和预测值之间的散点图PCA-LS-SVM如图的英国石油(BP)反应 4(一)- - - - - - 4 (c)揭示了最佳预测值的预测相比,PCA-FSWR, PCA-ANN, PCA-ANFIS模型。

观测值和预测值之间的散点图使用PCA-LS-SVM BP反应模型。

SBP的血压正常的人

SBP为高血压

为高血压菲律宾

模型的统计指数的比较,如表所示 4,表明PCA-LS-SVM模型的价值最高<我t一个lic> R2和RMSE值最低,日军BP预测的反应在正常血压和高血压科目夹紧双腿。

统计指数提出的模型。

模型 血压正常的话题 高血压科目
SBP SBP 菲律宾
R2(%) RMSE 日军(%) R2(%) RMSE 日军(%) R2(%) RMSE 日军(%)
PCA-FSWR 29.05 2.21 40.33 38.35 3.66 48.35 37.21 1.49 22.72
PCA-ANN 55.67 0.67 26.25 60.11 0.74 30.39 67.91 0.57 14.63
PCA-ANFIS 75.42 0.67 17.39 84.81 0.44 6.74 84.26 0.44 5.06
PCA-LS-SVM 93.16 0.27 5.71 96.46 0.19 1.76 95.44 0.21 2.78
4所示。讨论

准确预测BP公司积分成功的决策,导致更好的病人护理。过高的英国石油(BP)会增加高血压患者的数量。他们会对药物的副作用,增加保险和治疗费用。此外,不准确的标签增加了疾病的看法和旷工 56]。

标志着英国石油公司与海拔高度交叉腿位置可能是由于等距腿部肌肉的活动。等距活动增加血管阻力和总外周阻力(TPR)和英国石油公司( 57]。显著上升的另一种解释BP与夹紧双腿易位的血容量依赖腿部血管床中央胸间,导致中风高体积,心输出量是由中风体积乘以心率。因此,中风体积的增加导致心输出量的增加( 6]。

显然,这项工作表明,交叉腿坐姿SBP显著升高的血压正常的主题和SBP和高血压类似科目。类似的结论是由以前的研究发现( 6- - - - - - 12]。

此外,PCA-based混合计算模型提出了预测的BP反应夹紧双腿。我们所知,这是第一个研究,特别关注预测BP反应使用PCA-FSWR夹紧双腿,PCA-ANN PCA-ANFIS, PCA-LS-SVM模型。因此,与间接相关的预测结果进行了比较研究,如表所示 5。

与其他研究的结果比较。

Ref。 模型 预测参数 结果
( 26] 岭线性回归,安、支持向量机和随机森林 BGL,英国石油公司 随机森林方法优于岭线性回归,安,和支持向量机。<我t一个lic> R2= 0.91% (SBP),<我t一个lic> R2(菲律宾)= 0.89%,<我t一个lic> R2= 0.90% (BGL)
( 28] 安(原始输入),安(特性),MAA,简称ANFIS(基于功能) SBP菲律宾 安(基于特征)实现最佳的性能比其他模型。SDE SBP的预测:美= 6.28,= 8.58。SDE预测类似:美= 5.73,= 7.33
( 29日] 安 SBP菲律宾 实验结果证实了安的正确性与线性回归模型相比。均值±<我t一个lic> σSBP: 3.80±3.46, 2.21±2.09:类似。相对误差:SBP: 3.48±3.19。菲律宾:3.90±3.51
( 32] 支持向量机与RBF和多项式的内核 SBP菲律宾 内核支持向量机(RBF)优于SVM(多项式内核)。相关系数(<我t一个lic> R)= 0.97 (SBP), 0.96(菲律宾)。RMSE = 6.94 (SBP)和5.78(菲律宾)。分散指数(SI) = 22.34 (SBP), 22.79(菲律宾)
( 36] PCA-ANN、PCA-ANFIS PCA-LS-SVM SBP菲律宾 PCA-LS-SVM优于PCA-ANN PCA-ANFIS。血压正常的主题:SBP:<我t一个lic> R2RMSE = 0.21 = 95.42%,日军= 5.88%。菲律宾:<我t一个lic> R2RMSE = 0.24 = 94.22%,日军= 4.05%。对高血压的主题:SBP:<我t一个lic> R2RMSE = 0.11 = 98.76%,日军= 0.88%。菲律宾:<我t一个lic> R2RMSE = 0.11 = 98.78%,日军= 0.84%
( 37] PCA-SWR、PCA-ANN PCA-ANFIS, PCA-LS-SVM 菲律宾 PCA-LS-SVM优于PCA-FSWR、PCA-ANN PCA-ANFIS。血压正常的科目:<我t一个lic> R2RMSE = 0.1243 = 98.49%,日军= 3.01%。高血压的主题:<我t一个lic> R2RMSE = 0.2013 = 95.95%,日军= 2.9%
( 58] 安,简称ANFIS和支持向量机 半干旱山区河流流 安相比较的结果,简称ANFIS,和支持向量机模型,发现的值<我t一个lic> R、均方根误差、平均绝对相对误差(母),和Nash-Sutcliffe (NS)的SVM模型比安和简称ANFIS的输入数据的组合
( 59] 安,简称ANFIS 预测depths-to-water表提前一个月,在三个井位于不同距离 两种模型可以用于高水平的精度对模型水位没有显著影响的距离从河里,模型精度表示通过RMSE是大致相同的在所有三个案例(0.14154 - -0.15248)。<我t一个lic> R变化从0.91973到0.9623,效率系数从0.84588到0.92586 (COE)
( 60] 安,简称ANFIS和支持向量机 纵向弥散系数(LDC) 支持向量机模型被发现比(<我t一个lic> R2= 90%)在预测LDC由于低不确定性与安(<我t一个lic> R2= 82%),简称ANFIS (<我t一个lic> R2= 83%)模型,简称ANFIS模型表现得比安模型
( 61年] 多层感知器(MLP)、安、模糊遗传(FG),二、多元自适应回归样条(火星),简称ANFIS,多元线性回归(高)和史蒂芬斯和斯图尔特模型(SS) 蒸发在不同气候条件下 应用模型的精度等级为:延时,GRNN, LSSVM, FG, ANFIS-GP,火星,高钙
本研究 PCA-FSWR、PCA-ANN PCA-ANFIS, PCA-LS-SVM 英国石油(BP)反应性夹紧双腿 PCA-LS-SVM优于PCA-FSWR、PCA-ANN PCA-ANFIS。血压正常的主题:SBP:<我t一个lic> R2RMSE = 0.27 = 93.16%,日军= 5.71%。对高血压的主题:SBP:<我t一个lic> R2RMSE = 0.19 = 96.46%,日军= 1.76%。菲律宾:<我t一个lic> R2RMSE = 0.21 = 95.44%,日军= 2.78%

在所有的研究中,软的更高的性能计算模型是来自更大程度比传统模型的鲁棒性和容错性。目前的研究工作的结果表明PCA-LS-SVM混合模型获得最佳回归模型的预测结果,因为坚定地基于统计学习理论;因此,它可以获得全局最优解,具有良好的泛化能力和低依赖样本数据。

本研究有很多的优点。我们使用小型、中型和大型袖口覆盖整个MUAC范围要求的参与者。不恰当的袖口大小导致低估或高估的基点。此外,加强测量的准确性,我们把三个读数的平均值每七天腿的位置( 3]。

然而,任何单一的比较可靠地预测模型可能不代表真正的最终结果。至关重要的是评估的性能预测模型在外部验证研究使用更大的数据库。

 5。结论

本文详细的混合计算模型,以预测BP反应交叉腿使用人体测量指标变量。通过消除多重共线性问题,主成分分析提供了更客观的解释人体测量指标变量用于预测。然后,PCA-FSWR PCA-ANN、PCA-ANFIS PCA-LS-SVM模型检测的BP预测个人电脑。发现PCA-LS-SVM模型实现的重大改进<我t一个lic> R2、RMSE和日军与其他模型相比。本研究工作为研究人员和工程师可能提供有价值的参考应用生物变量混合建模的计算方法。结果也可能有助于医生做出更准确的诊断高血压在临床实践中。我们未来的研究目标是研究一个方法通过结合不同的混合动力技术的输出更多的预测变量。此外,未来的研究工作将地址使用一个方法通过结合不同的混合模型的输出与更多的预测变量。

 伦理批准

随后的过程都是按照道德标准的负责任的人体试验委员会(机构和国家)和1975年的赫尔辛基宣言,2008年修订的(5)。

 同意

知情同意是获得所有的参与者包括在这项研究中。

 的利益冲突

作者宣称没有利益冲突有关的出版。

 乔治 美国年代。 Loanni 答:B。 家庭血压监测高血压的诊断和治疗:一项系统回顾 美国高血压杂志》上 2011年 24 2 123年 134年 20940712 10.1038 / ajh.2010.194 2 - s2.0 - 78751640783 琼斯 d . W。 大厅 j·E。 高血压:成功的途径 高血压 2008年 51 5 1249年 1251年 10.1161 / HYPERTENSIONAHA.108.113746 2 - s2.0 - 42349111569 18391086 皮克林 t·G。 大厅 j·E。 Appel l . J。 福克纳 b E。 格雷夫斯 J。 山 m . N。 琼斯 d . W。 库尔茨 T。 谢普 s G。 Roccella e . J。 建议在人类和实验动物血压测量:第1部分:人体血压测量:专业人员专业委员会的声明中,美国心脏协会理事会的公共教育对高血压的研究 循环 2005年 111年 5 697年 716年 15699287 10.1161/01. cir.0000154900.76284.f6 2 - s2.0 - 13444255966 威廉姆斯 B。 波尔特 n R。 布朗 m·J。 戴维斯 M。 麦克因尼斯 g . T。 波特 j·F。 切断 p S。 McG托姆 年代。 高血压管理指南:第四工作组报告英国高血压学会2004 -第四黑洞 人类高血压杂志》 2004年 18 3 139年 185年 10.1038 / sj.jhh.1001683 2 - s2.0 - 1542432170 14973512 O ' brien E。 Asmar R。 贝林 l Imai Y。 Mallion j . M。 不全 G。 Mengden T。 Myersn M。 Padfield P。 使 P。 Parati G。 皮克林 T。 贺东 J。 斯泰森 J。 Stergio G。 Verdecchia P。 欧洲高血压协会建议常规动态和家庭血压测量 高血压杂志》 2003年 21 5 821年 848年 10.1097 / 00004872-200305000-00001 2 - s2.0 - 12444277817 12714851 Foster-Fitzpatrick l 奥尔蒂斯 一个。 Sibilano H。 •莱 R。 布劳恩 l . T。 交叉腿对血压测量的影响 护理研究 1999年 48 2 105年 108年 10.1097 / 00006199-199903000-00009 10190837 彼得斯 g . L。 粘结剂 美国K。 坎贝尔 n R。 交叉双腿对血压的影响:一项随机单盲交叉研究 血压监测 1999年 4 2 97年 101年 10.1097 / 00126097-199900420-00007 10450120 Keele-Smith R。 Price-Daniel C。 交叉双腿对血压测量的影响 临床护理研究 2001年 10 2 202年 213年 11881718 10.1177 / C10N2R8 Pinar R。 Sabuncu N。 Oksay 一个。 交叉腿对血压的影响 血压 2004年 13 4 252年 254年 15581341 10.1080 / 08037050410000903 2 - s2.0 - 4544355931 Adiyaman 一个。 Tosun N。 弱电 l D。 Deinum J。 银行 j·w·M。 梭 T。 交叉双腿对血压的影响 血压监测 2007年 12 3 189年 193年 10.1097 / MBP.0b013e3280b083a7 2 - s2.0 - 34248345494 17496470 范·格罗宁根 l F。 Adiyaman 一个。 弱电 l 梭 T。 银行 j·W。 Deinum J。 生理机制负责增加血压在腿交叉? 高血压杂志》 2008年 26 3 433年 437年 18300852 10.1097 / HJH.0b013e3282f35276 2 - s2.0 - 39849089285 Pinar R。 沃森 R。 交叉双腿在高血压患者血压的影响 临床护理杂志 2010年 19 9 - 10 1284年 1288年 10.1111 / j.1365-2702.2009.03148.x 2 - s2.0 - 77955914264 20500337 Vidit d·G。 朗 r S。 Seballos r . J。 Misra-Hebert 一个。 坎贝尔 J。 希伯来文名字 j·F。 血压:信任对人类太重要? 克利夫兰诊所医学杂志》上 2010年 77年 10 683年 688年 10.3949 / ccjm.77a.09155 2 - s2.0 - 77958019629 20889806 福克斯 f . D。 格斯 M。 Moreira l . B。 莫拉 r S。 Wiehe M。 佩雷拉 g . M。 福克斯 s . C。 人体测量指数和高血压的发病率:比较分析 肥胖研究 2005年 13 9 1515年 1517年 10.1038 / oby.2005.184 16222051 莫泽 d . C。 朱利亚诺 i . C。 Titski a . C。 盖亚 a。R。 Coelho-e-Silva m·J。 雷特 N。 人体测量和血压在学校的孩子 •Pediatria 2013年 89年 3 243年 249年 10.1016 / j.jped.2012.11.006 2 - s2.0 - 84892573657 23684458 圆子 我。 Masahide M。 二 Y。 体重指数,血压,血糖和脂质代谢在永久和定期在制造业工人:横断面研究 BMC公共卫生 2014年 14 207年 1 8 24576216 10.1186 / 1471-2458-14-207 2 - s2.0 - 84897671871 娃娃 年代。 Paccaud F。 波维表 P。 如火的 M。 Wietlisbach V。 身体质量指数,腹部肥胖、血压:一致性的协会在发展中国家和发达国家 国际肥胖期刊和相关的代谢紊乱 2002年 26 1 48 57 10.1038 / sj.ijo.0801854 11791146 玻色 K。 戈什 一个。 罗伊 年代。 Gangopadhyay 年代。 血压、腰围:一个实证研究腰围对血压的影响在孟加拉的男性Belur黄麻厂工人,印度西孟加拉邦 生理人类学和应用人类科学杂志》上 2003年 22 4 169年 173年 10.2114 / jpa.22.169 2 - s2.0 - 0142026254 12939531 巴巴 R。 Koketsu M。 长岛 M。 Inasaka H。 Yoshinaga M。 横田 M。 青少年肥胖的不利影响血压和心率 循环杂志 2007年 71年 5 722年 726年 10.1253 / circj.71.722 2 - s2.0 - 34247882798 17456998 Gurmanik K。 制成Shatru 一个。 Vijender j·K。 多支持向量机分类器在肌电图诊断 圆柱交易信号处理 2009年 5 12 379年 389年 Mohebian m·R。 Marateb h·R。 Mansourian M。 明天 m·A。 Mokarian F。 混合computer-aided-diagnosis系统预测乳腺癌复发(HPBCR)使用优化的整体学习 计算和结构生物技术杂志 2017年 15 75年 85年 10.1016 / j.csbj.2016.11.004 28018557 托马斯。 J。 特蕾莎 p R。 使用数据挖掘技术人类心脏病预测系统 学报》国际会议电路、电力和计算技术(ICCPCT) 2016年3月 Nagercoil、印度 10.1109 / iccpct.2016.7530265 2 - s2.0 - 84992110645 Steyerberg e·W。 维氏 a·J。 库克 n R。 盖尔特 T。 Gonen M。 Obuchowski N。 Pencina m·J。 Kattan m·W。 评估预测模型的性能:一些传统的框架和新颖的措施 流行病学 2010年 21 1 128年 138年 10.1097 / EDE.0b013e3181c30fb2 2 - s2.0 - 73849094087 20010215 Vezzoli M。 Ravaggi 一个。 到 l 米西 r。 Bignotti E。 Ragnoli M。 甘比诺 一个。 最近 G。 Calza 年代。 Sartori E。 Odicino F。 RERT:回归树方法预测子宫外的子宫内膜癌患者的疾病 科学报告 2017年 7 1 1 10 28874808 10.1038 / s41598 - 017 - 11104 - 4 约翰逊 P。 Vandewater l 威尔逊 W。 Maruff P。 野蛮人 G。 格雷厄姆 P。 麦考利 l S。 埃利斯 k。 Szoeke C。 马丁斯 r . N。 罗 C . C。 大师 c . L。 埃姆斯 D。 张 P。 遗传算法与逻辑回归预测阿尔茨海默氏病的发展 BMC生物信息学 2014年 15 16 1 14 25521394 10.1186 / 1471 - 2105 - 15 - s16 s11 2 - s2.0 - 84938844422 Monte-Moreno E。 非侵入式血糖和血压的估计photoplethysmograph通过机器学习技术 人工智能在医学上 2011年 53 2 127年 138年 10.1016 / j.artmed.2011.05.001 2 - s2.0 - 80052475559 21696930 Genc 年代。 与线性随机模型预测平均动脉血压 《IEEE年度国际会议在医学和生物工程协会(EMBC) 2011年 波士顿,美国 10.1109 / iembs.2011.6090161 2 - s2.0 - 84055176447 Forouzanfar M。 Dajani h·R。 Groza 诉Z。 Bolic M。 拉詹 年代。 基于神经网络方法对示波的血压的估计 IEEE事务在仪表和测量 2011年 60 8 2786年 2796年 10.1109 / TIM.2011.2123210 2 - s2.0 - 79960419829 Kurylyak Y。 Lamonaca F。 格里马尔迪 D。 神经网络方法连续血压从PPG信号估计 IEEE国际仪器和测量技术研讨会论文集(I2MTC) 2013年5月 明尼阿波利斯,美国 10.1109 / i2mtc.2013.6555424 2 - s2.0 - 84882238014 Golino h·F。 阿马拉尔 美国B。 杜阿尔特 美国f P。 戈麦斯 c·m·A。 苏亚雷斯 t·J。 里斯 l。 桑托斯 J。 使用机器学习预测血压升高 肥胖杂志 2014年 2014年 12 637635年 24669313 10.1155 / 2014/637635 2 - s2.0 - 84893877824 黄 H . H。 徐 T。 杨 J。 比较逻辑回归、支持向量机和permanental分类方法在预测高血压 BMC诉讼 2014年 8 补充1 S96.1 S96.5 25519351 10.1186 / 1753 - 6561 - 8 - s1 - s96 汗 s . m . U。 Manzoor j·S。 李 美国美国J。 预测学生血压通过支持向量机使用Facebook 《IEEE国际代表大会上服务 6 - 2014 美国安克雷奇,正义与发展党 10.1109 / services.2014.92 " K。 Kurylyak Y。 Lamonaca F。 物流序数回归的校准示波的血压监测 生物医学信号处理和控制 2014年 11 89年 96年 10.1016 / j.bspc.2014.01.012 2 - s2.0 - 84897448815 Floares a·G。 利用计算智能开发智能临床决策支持系统 生物信息学和生物统计学计算智能方法 2010年 6160年 柏林,海德堡 施普林格 266年 275年 在计算机科学的课堂讲稿 卡拉 R。 舒克拉 一个。 女子 R。 比较分析检测的智能混合系统皮马印第安人糖尿病 《IEEE国际代表大会上自然和生物启发计算(NaBIC) 2009年 Coimbatote、印度 10.1109 / nabic.2009.5393877 2 - s2.0 - 77949711190 Gurmanik K。 制成Shatru 一个。 Vijender j·K。 预测BP反应说使用混合软计算方法 计算和数学方法在医学 2014年 2014年 13 762501年 25328536 10.1155 / 2014/762501 2 - s2.0 - 84911922693 Gurmanik K。 制成Shatru 一个。 Vijender j·K。 使用混合模型预测血压反应不受支持的基于人体测量特征 前沿的信息技术和电子工程 2015年 16 6 474年 485年 10.1631 / fitee.1400295 2 - s2.0 - 84942030100 英国高血压学会 血压测量(cd - rom) 1998年 伦敦 BMJ的书 Beatriz H。 Rafeal P。 玛莉索 V。 恩里克 B。 曼努埃尔 f·J。 路易斯 F。 冲积含水层中的地下水成分演化(Pisuerga河、西班牙)主成分分析 水的研究 2000年 34 3 807年 816年 10.1016 / s0043 - 1354 (99) 00225 - 0 2 - s2.0 - 0033992165 Pett m·A。 马屁精 n R。 沙利文 J·J。 理解因素分析:使用因子分析仪器发展的医疗研究 2003年 加州 圣人出版公司 邯郸 C。 Nilsun D。 Arzu K。 Syddyk K。 使用主成分得分的多元线性回归预测模型<我t一个lic> 并且在水库 生态模型 2005年 181年 4 581年 589年 10.1016 / j.ecolmodel.2004.06.043 2 - s2.0 - 8844227567 杰克逊 d . A。 主成分分析:停止规则比较试探性和中止的统计方法 生态 1993年 74年 8 2204年 2214年 10.2307 / 1939574 Tabachnick b G。 Fidell l S。 使用多元统计 2006年 伦敦 培生教育 这 R。 Abdoli m·A。 Ghasrodashti 答:一个。 Ghazizade m·J。 城市固体废物产生的预测结合支持向量机和主成分分析:马什哈德的案例研究 环境的进步与可持续能源 2009年 28 2 249年 258年 10.1002 / ep.10317 2 - s2.0 - 67649963608 Wackernagel H。 多元地质统计学:介绍与应用程序 2010年 纽约和伦敦 斯普林格出版社 Chatterjee 年代。 哈迪 答:S。 价格 B。 回归分析的例子 2004年 纽约 威利 哈根 m . T。 Menhaj m B。 与马夸特医生训练前馈网络的算法 IEEE神经网络 1994年 5 6 989年 993年 10.1109/72.329697 2 - s2.0 - 0028543366 18267874 Basheer 我一个。 M . Hajmeer M。 人工神经网络:原理、计算、设计和应用 《微生物方法 2000年 43 1 3 31日 10.1016 / s0167 - 7012 (00) 00201 - 3 2 - s2.0 - 0034564603 11084225 张成泽 j·s·R。 简称ANFIS: adaptive-network-based模糊推理系统 IEEE系统,人与控制论 1993年 23 3 665年 685年 10.1109/21.256541 2 - s2.0 - 0027601884 Smola a·J。 Scholkopf B。 基于内核的模式识别的方法,回归,近似算子反演 Algorithmica 1998年 22 1 - 2 211年 231年 10.1007 / PL00013831 Suykens j·a·K。 范Gestel T。 德布拉班特省 J。 德摩尔人 B。 ” J。 最小二乘支持向量机 2002年 英国伦敦 世界科学出版 Benesty J。 陈 J。 黄 Y。 皮尔逊相关系数的重要性在降噪 IEEE音频、语音和语言处理 2008年 16 4 757年 765年 10.1109 / TASL.2008.919072 2 - s2.0 - 62649168462 Jolliffe i T。 主成分分析 2002年 纽约,纽约,美国 施普林格 Pares-Neto p R。 杰克逊 d . A。 萨默斯 k . M。 主成分多少?停止规则确定的非平凡的轴再现 计算统计和数据分析 2005年 49 4 974年 997年 10.1016 / j.csda.2004.06.015 2 - s2.0 - 19044395321 凯撒 h·F。 电子计算机的应用因子分析 教育和心理测量 1960年 20. 1 141年 151年 10.1177 / 001316446002000116 2 - s2.0 - 84976998771 处理程序 J。 准确的血压测量的重要性 Permanente日报 2009年 13 3 51 54 20740091 10.7812 / tpp / 09 - 054 Hisdal J。 Toska K。 Flatebo T。 瓦尔 B。 Walloe l 人类动脉血压的调节在等长肌肉收缩和下身负压 欧洲应用生理学杂志》上 2004年 91年 2 - 3 336年 341年 10.1007 / s00421 - 003 - 0982 - 4 2 - s2.0 - 1542285431 14595563 Zhibin H。 小虎 W。 胡 l 小君 D。 人工神经网络的比较研究,自适应神经模糊推理系统和支持向量机预测半干旱山区的河流流量 《水文 2014年 509年 379年 386年 10.1016 / j.jhydrol.2013.11.054 2 - s2.0 - 84890351420 Nevenka D。 Milka D。 Ruzica 年代。 维斯纳 P。 Velibor 年代。 Radmila P。 Enika G。 乌鲁斯人 D。 地下水位比较基于人工神经网络和简称ANFIS模型 科学世界日报 2015年 2015年 13 742138年 10.1155 / 2015/742138 2 - s2.0 - 84949255926 Roohollah N。 志强 D。 阿明 K。 今天 t·K。 安有多可靠,简称ANFIS和支持向量机技术预测天然河流纵向离散系数? 《水利工程 2016年 142年 1 1 8 10.1061 /(第3期)hy.1943 - 7900.0001062 2 - s2.0 - 84950244991 我们午餐 W。 Ozgur K。 默罕默德 z K。 益 G。 比较六种不同的软计算方法在建模2在不同气候条件下蒸发 水文和地球系统科学的讨论 2016年 1 51 10.5194 /赫斯- 2016 - 247