Fundamental Research | 李少春博士：基于电信数据的用户行为模式在血压管理中的应用

Fundamental Research 2022-12-31

Fundamental Research 2022年第2卷第1期封面

基于电信数据的用户行为模式在血压管理中的应用

关键词：轨迹数据挖掘，日常行为模式，血压预测，远程医疗，机器学习

血压是个人健康状况的重要指标，它与心脑血管等慢性疾病息息相关。随着高血压病发病率的低龄化、普遍化，高血压病已成为当今社会一个极其重要的疾病和危险因素。之前的研究也表明，连续的血压测量对控制高血压病至关重要。另一方面，血压也与我们的日常行为（如：睡眠、久坐、饮食等行为）密切相关。因此，为了辅助用户进行持续的血压测量，本文研究了基于非生理数据（手机轨迹数据）提取用户日常行为模式（包括睡眠、工作和通勤）的血压预测算法。

本研究的目的是深入探索电信大数据在远程医疗监控中的应用，并且实现无扰式的日常血压持续性测量，从而避免用户自报告式的血压记录带来的偏差。研究从2017年10月开始，收集分析了320人的半年数据集，包括电信数据和基于某血压测量仪的测量数据。用户数据由双方企业进行关联，仅能通过公司内的加密设备进行分析，充分保障了用户隐私安全。

手机轨迹数据可以较充分地反映用户的日常行为活动时间表，如工作时长、运动状态、睡眠时间等信息。这项研究初步利用了隐私性较低的运营商基站数据来提取人群的日常行为模式。首先，利用基站轨迹停留数据获取人群常见的十大行为模式主题。其次，针对每个个体每天的基站轨迹数据，计算当天轨迹在十大主题模式上的概率分布，从而得到一个人在当天的轨迹行为模式。这两步中，主要运用了贝叶斯主题模型（Two hierarchical Bayesian topic models）。

根据提取的用户主题概率分布和个体特征数据，结合用户的历史血压序列数据，构建了特殊的循环神经网络模型（recurrent models with contextual layer，图1）。这里的循环神经网络，使用的是长短期记忆网络（LSTM）。我们使用几种常见的模型，支持向量回归（SVR）、随机森林（RF）、XGBoost、多层感知机（MLP）作为比较模型。实验结果表明，当血压序列数据具有高度相关性时，即用户每天都测量血压得到的时间相关性较高的数据，LSTM模型的预测准确率高于其他方法，取得了最好的预测效果。当用户血压测量间隔时间较长，血压数据的时间相关性较低时，随机森林回归模型（RF）的预测准确率最高，而LSTM模型预测准确率有所下降。实验结果也验证了本研究与其他研究相比，在血压预测中的有效性。

图1. 基于手机轨迹数据的血压预测模型。

以上内容节选自期刊Fundamental Research 2022年第1期发表的文章“Y. Xiang, S. Li, P. Zhang, An exploration in remote blood pressure management: Application of daily routine pattern based on mobile data in health management, Fundamental Research 2(1)(2022) 154-165”。

请识别二维码下载PDF原文

主要作者简介

李少春 上海交通大学安泰经济与管理学院博士，管理科学与工程专业。研究方向包括智慧健康管理、知识发现和数据挖掘。

项益丹 上海交通大学安泰经济与管理学院博士，管理科学与工程专业。研究方向包括智慧健康管理、用户行为变化和大数据分析。

本期精彩回顾

1. “先进生物技术” 专题 || Fundamental Research 2022年第1期发布

2. Fundamental Research | 杨运桂、黄旲研究员：RNA甲基化m⁵C调控液-液相分离

3. Fundamental Research | 李伟研究员：降低细胞机械收缩可抑制组织器官纤维化

4. Fundamental Research | 聂广军研究员：人工途径介导的细菌外膜囊泡OMV肿瘤疫苗激活较强的抗肿瘤免疫反应

5. Fundamental Research | 何爱彬教授：实时成像记录小鼠先心病形成的全景图

6. Fundamental Research | 张强锋研究员：使用RNA结构新技术理解免疫细胞中RNA降解

7. Fundamental Research | 周翔院士：化学标记检测m⁶A存在的机遇与挑战