• 四川郎酒股份有限公司获第十二届人民企业社会责任奖年度环保奖 2019-05-13
  • 银保监会新规剑指大企业多头融资和过度融资 2019-05-12
  • 韩国再提4国联合申办世界杯 中国网友无视:我们自己来 2019-05-11
  • 中国人为什么一定要买房? 2019-05-11
  • 十九大精神进校园:风正扬帆当有为 勇做时代弄潮儿 2019-05-10
  • 粽叶飘香幸福邻里——廊坊市举办“我们的节日·端午”主题活动 2019-05-09
  • 太原设禁鸣路段 设备在测试中 2019-05-09
  • 拜耳医药保健有限公司获第十二届人民企业社会责任奖年度企业奖 2019-05-08
  • “港独”没出路!“梁天琦们”该醒醒了 2019-05-07
  • 陈卫平:中国文化内涵包含三方面 文化复兴表现在其中 2019-05-06
  • 人民日报客户端辟谣:“合成军装照”产品请放心使用 2019-05-05
  • 【十九大·理论新视野】为什么要“建设现代化经济体系”?   2019-05-04
  • 聚焦2017年乌鲁木齐市老城区改造提升工程 2019-05-04
  • 【专家谈】上合组织——构建区域命运共同体的有力实践者 2019-05-03
  • 【华商侃车NO.192】 亲!楼市火爆,别忘了买车位啊! 2019-05-03
    • / 12
    • 下载费用:30 金币  

    手机重庆时时彩做号: 一种基于增量式神经网络模型的亚健康预测方法和预测系统.pdf

    关 键 词:
    一种 基于 增量 神经网络 模型 亚健康 预测 方法 系统
      专利查询网所有资源均是用户自行上传分享,仅供网友学习交流,未经上传用户书面授权,请勿作他用。
    摘要
    申请专利号:

    CN201610860166.X

    申请日:

    2016.09.28

    公开号:

    CN106355034A

    公开日:

    2017.01.25

    当前法律状态:

    实审

    有效性:

    审中

    法律详情: 实质审查的生效IPC(主分类):G06F 19/00申请日:20160928|||公开
    IPC分类号: G06F19/00(2011.01)I 主分类号: G06F19/00
    申请人: 湖南老码信息科技有限责任公司
    发明人: 杨滨
    地址: 410000 湖南省长沙市长沙高新开发区麓湖路39号央谷金苑A座1320-4号
    优先权:
    专利代理机构: 代理人:
    PDF完整版下载: PDF下载
    法律状态
    申请(专利)号:

    CN201610860166.X

    授权公告号:

    |||

    法律状态公告日:

    2017.03.01|||2017.01.25

    法律状态类型:

    实质审查的生效|||公开

    摘要

    本发明公开了一种基于增量式神经网络模型的亚健康预测方法,包括如下步骤:建立亚健康日常数据数据库;对神经网络模型进行训练;采集日常生活数据发送至服务器;用户日常数据记录表中提取当日数据,形成n维向量,做归一化处理后输入亚健康病理神经网络模型中进行亚健康危险程度概率预测;智能家庭亚健康护理设备判断亚健康危险程度值W是否大于等于3;当用户接收到警示器警示时,用户自行去医院检查,将检查结果传送回服务器,服务器判断检查结果是否正确;当检查结果错误时执行增量式算法,对神经网络模型进行动态修正。本发明预测准确,针对每个用户量身定做神经网络模型。

    权利要求书

    1.一种基于增量式神经网络模型的亚健康预测方法,其特征在于,包括如下步骤:
    步骤(1)、获取医院亚健康治病病因病理数据源与病人日常监控数据,从而建立亚健康
    日常数据数据库;
    步骤(2)、根据步骤(1)建立的亚健康日常数据数据库以离线的方式对神经网络模型进
    行训练,以得到训练好的亚健康病理神经网络模型;
    步骤(3)、通过智能监控设备对用户的日常生活数据进行采集,并将采集的日常生活数
    据发送至服务器,服务器将用户的日常生活数据保存至用户日常数据记录表中;
    步骤(4)、从用户日常数据记录表中提取当日数据,形成n维向量,并对n维向量做归一
    化处理后输入步骤(2)中训练好的亚健康病理神经网络模型中进行亚健康危险程度概率预
    测,得到亚健康概率结果数组P,服务器将数组P中最高概率对应的亚健康危险程度值W传送
    给智能家庭亚健康护理设备;
    步骤(5)、智能家庭亚健康护理设备接收服务器传送的亚健康危险程度值W后,判断亚
    健康危险程度值W是否大于等于3,如果大于等于3,则警示器警示以提醒用户,如果小于3,
    则警示器不警示;
    步骤(6)、当用户接收到警示器警示时,用户自行去医院检查,并将检查结果通过智能
    家庭亚健康护理设备传送回服务器,服务器判断检查结果是否正确,如果检查结果错误,则
    说明亚健康病理神经网络模型预测不准确,如果检查结果正确,则说明亚健康病理神经网
    络模型预测准确;
    步骤(7)、当检查结果错误时,从用户日常数据记录表中抽取m天内的记录保存至增量
    数据表中,当增量数据表中的记录数量大于h条时,执行增量式算法,对亚健康病理神经网
    络模型进行动态修正;
    步骤(8)、重复步骤(3)~(7)。
    2.根据权利要求1所述的一种基于增量式神经网络模型的亚健康预测方法,其特征在
    于,神经网络模型的输入层为n个节点,隐含层个数为n*2+1,输出层为1个节点,从亚健康日
    常数据数据库表中提取k条记录进行训练,每条记录是一个n维向量,所有数据在使用前先
    经归一化处理,使其数值在[0,1]区间,然后执行如下步骤对神经网络模型进行训练:
    1)输入一个n维向量到神经网络模型,计算神经网络模型中所有的权向量到该输入n维
    向量的距离,距离最近的神经元即为获胜神经元,其计算公式如下:

    其中:Wk是获胜神经元的权向量,||...||为欧几里得距离;
    2)调整获胜神经元和获胜神经元领域内的神经元的权向量,公式如下:


    其中:Wj(t)是神经元;Wj(t+1)是调整前和调整后的权向量;j属于获胜神经元领域;α
    (t)是学习率,它是随着迭代次数的增加逐渐递减的函数,取值范围为[0 1],经过多次实验
    选取最佳学习率为0.71;Dj是神经元j与获胜神经元的距离;σ(t)是随着时间递减的函数;
    每一次迭代都将所有输入n维向量输入到神经网络模型中进行训练,当达到规定的迭代次
    数后,神经网络模型训练结束。
    3.根据权利要求1所述的一种基于增量式神经网络模型的亚健康预测方法,其特征在
    于,智能家庭亚健康护理设备将检查结果传送回服务器的结果信息的格式为:{医生实际判
    断的亚健康危险程度值},服务器在接收到结果信息后,判断检查结果是否正确。
    4.根据权利要求1所述的一种基于增量式神经网络模型的亚健康预测方法,其特征在
    于,对亚健康病理神经网络模型进行动态修正的增量式算法为:
    把增量数据表中的每条向量V{V1,V2,…,Vn},传送至神经网络模型学习函数中进行学
    习,学习步骤如下:
    1)首先对输出层各权向量赋小随机数并做归一化处理,然后利用输入模式向量V的平
    均值Avg(V),初始化为神经网络模型第0层中唯一神经元的权值,并设置为获胜神经元,计
    算其量化误差QE;
    2)从第0层的神经元中拓展出一个2×2结构SOM,并将其层次标识Layer 置为1;
    3)对于第Layer层中拓展出的每一个2×2结构SOM子网,初始化这4个神经元的权值;将
    第i个神经元的输入向量集合Ci设置为空,主标签置为NULL,神经元i的主标签比率ri置为
    0;新的SOM的异常预警数据向量V继承其父神经元的获胜输入向量集合VX;
    4)从VX中挑选一个向量VXi做以下判断:
    如果VXi为不带标签的数据,则计算它与每个神经元的欧氏距离,选择距离最短的神经
    元作为获胜神经元;
    如果VXi为带标签的数据,则选择主标签与VXi的标签相同且ri值最大的神经元作为获
    胜神经元,更新该获胜神经元主标签;
    如果找不到主标签与VXi的标签相同的神经元,则找到与VXi距离最近的神经元i作为获
    胜神经元;
    5)对获胜神经元及其邻域内神经元的权值进行调整,更新获胜向量集合W=W∪{VXi},
    计算获胜神经元的主标签、主标签比率ri和信息熵Ei.如果未达到预定训练次数,则转步骤
    4);
    6)计算经调整后的该神经网络模型中每个神经元的量化误差QEi、神经元信息熵Ei和子
    网的平均量化误差MQE,公式如下:

    其中:Wi为神经元i的权值向量,Ci为映射到神经元i的所有输入向量构成的集合;

    其中:ni表示落在神经元上标签为i的样本个数,m表示落在神经元上有标签数据的总
    数,T表示落在神经元上的样本标签种类集合;
    然后判断:
    如果MQE>父节点的QE×阈值q,其中q=0.71,则在该SOM中插入一行神经元,转步骤4);
    如果Ei>父节点的Ei×阈值p,其中p=0.42,则从该神经元上长出一层新的 子网,将新
    长出的子网增加到Layer+1层的子网队列中;
    如果SOM中没有插入新的神经元也没有长出新的子网,说明该子网训练完成;
    7)对于新拓展出的Layer+1层的所有2×2结构SOM,迭代运行步骤3)~5)对其重新进行
    训练,直至神经网络模型不再产生新的神经元和新的分层,整个训练结束。
    5.根据权利要求1所述的一种基于增量式神经网络模型的亚健康预测方法,其特征在
    于,在步骤(4)中,得到的亚健康概率结果数组P为一个6维变量,其6维变量分别为6个亚健
    康危险程度概率,把6个亚健康危险程度概率中最高概率对应的亚健康危险程度值W传送给
    智能家庭亚健康护理设备;在步骤(5)中,当亚健康危险程度值W=1时表示理想,W=2时表
    示正常,W=3时表示轻度亚健康,W=4时表示中度亚健康,W=5时表示危险,W=6时表示非
    常危险。
    6.根据权利要求1所述的一种基于增量式神经网络模型的亚健康预测方法,其特征在
    于,如果用户通过其他方式包括体检和自查,得知自己已患亚健康,而智能家庭亚健康护理
    设备的警示器没有警示,则表示智能家庭亚健康护理设备判断不准确,此时执行步骤(6)~
    (7),智能家庭亚健康护理设备把结果信息传送到服务器上。
    7.一种采用权利要求1~7所述亚健康预测方法的预测系统,其特征在于,包括智能监
    控设备、智能设备数据采集器、服务器和智能家庭亚健康护理设备,所述智能监控设备与所
    述智能设备数据采集器相连接,所述智能设备数据采集器通过通讯装置一与所述服务器网
    络通讯,所述智能家庭亚健康护理设备通过通讯装置二与所述服务器网络通讯。
    8.根据权利要求8所述亚健康预测方法的预测系统,其特征在于,所述智能家庭亚健康
    护理设备上设置有警示器。
    9.根据权利要求8所述亚健康预测方法的预测系统,其特征在于,所述智能监控设备包
    括智能穿戴设备、智能水杯、智能体重称、智能马桶和智能光感设备。

    说明书

    一种基于增量式神经网络模型的亚健康预测方法和预测系统

    技术领域

    本发明属于医疗技术领域,特别是涉及一种基于增量式神经网络模型的亚健康预
    测方法和预测系统。

    背景技术

    当前国内各健康管理系统均设置亚健康预测评价,其使用的预测方式为数据匹
    配。其原理是将个人生活数据输入系统由系统匹配固定数据然后得出患病几率。但由于人
    体和疾病的复杂性、不可预测性,在生物信号与信息的表现形式上、变化规律(自身变化与
    医学干预后变化)上,对其进行检测与信号表达,获取的数据及信息的分析、决策等诸多方
    面都存在非常复杂的非线性联系。所以使用传统的数据匹配只能是盲目的数据筛查,无法
    判断数据与数据之间的逻辑关联以及变量,得到的值域偏差大,造成系统预测的特异性十
    分差,所以目前的国内健康管理系统无法有效对个人的亚健康进行准确预测。

    此前大部分对亚健康预测都是使用BP神经网络模型,但是当新的检测数据产生的
    时候,都必须再次训练神经网络模型,运算效率极低。而且当系统用户规模增加后,服务器
    将无法及时完成训练任务。

    发明内容

    本发明的目的就在于克服现有技术的不足,提供了一种基于增量式神经网络模型
    的亚健康预测方法和预测系统,本发明通过神经网络模型训练预测大量医院患者病理数
    据,找到亚健康病理与亚健康早期生活细节变化、临床症状、检测标准值、高危人群特征,这
    几项病因之间的逻辑关联和变量,最终形成对亚健康患病几率准确预测的亚健康病理神经
    网络模型,本发明通过采集用户日常生活数据,主动分析其数据的周期性、规律性最终通过
    亚健康病理神经网络模型预测用户的患亚健康概率,以视觉效果的方式提醒用户即时就
    医,当神经网络模型预测不准确时通过增量式算法不断修正神经网络模型,以针对每个设
    备用户建立训练出针对该用户的神经网络模型,随着使用时间的增加,以建立对该用户量
    身定做的神经网络模型,准确率被大幅提高。

    为了实现上述目的,本发明提供了一种基于增量式神经网络模型的亚健康预测方
    法,包括如下步骤:

    步骤(1)、获取医院亚健康病因病理数据源与病人日常监控数据,从而建立亚健康
    日常数据数据库;

    步骤(2)、根据步骤(1)建立的亚健康日常数据数据库以离线的方式对神经网络模
    型进行训练,以得到训练好的亚健康病理神经网络模型;

    步骤(3)、通过智能监控设备对用户的日常生活数据进行采集,并将采集的日常生
    活数据发送至服务器,服务器将用户的日常生活数据保存至用户日常数据记录表中;

    步骤(4)、从用户日常数据记录表中提取当日数据,形成n维向量,并对n维向量做
    归一化处理后输入步骤(2)中训练好的亚健康病理神经网络模型中进行亚健康危险程度概
    率预测,得到亚健康概率结果数组P,服务器将数组P中最高概率对应的亚健康危险程度值W
    传送给智能家庭亚健康护理设备;

    步骤(5)、智能家庭亚健康护理设备接收服务器传送的亚健康危险程度值W后,判
    断亚健康危险程度值W是否大于等于3,如果大于等于3,则警示器警示以提醒用户,如果小
    于3,则警示器不警示;

    步骤(6)、当用户接收到警示器警示时,用户自行去医院检查,并将检查结果通过
    智能家庭亚健康护理设备传送回服务器,服务器判断检查结果是否正确,如果检查结果错
    误,则说明亚健康病理神经网络模型预测不准确,如果检查结果正确,则说明亚健康病理神
    经网络模型预测准确;

    步骤(7)、当检查结果错误时,从用户日常数据记录表中抽取m天内的记录保存至
    增量数据表中,当增量数据表中的记录数量大于h条时,执行增量式算法,对亚健康病理神
    经网络模型进行动态修正;

    步骤(8)、重复步骤(3)~(7)。

    进一步地,神经网络模型的输入层为n个节点,隐含层个数为n*2+1,输出层为1个
    节点,从亚健康日常数据数据库表中提取k条记录进行训练,每条记录是一个n维向量,所有
    数据在使用前先经归一化处理,使其数值在[0,1]区间,然后执行如下步骤对神经网络模型
    进行训练:

    1)输入一个n维向量到神经网络模型,计算神经网络模型中所有的权向量到该输
    入n维向量的距离,距离最近的神经元即为获胜神经元,其计算公式如下:

    <mrow> <mo>|</mo> <mo>|</mo> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>-</mo> <msub> <mi>W</mi> <mi>k</mi> </msub> <mo>|</mo> <mo>|</mo> <mo>=</mo> <munder> <mi>min</mi> <mi>j</mi> </munder> <mrow> <mo>(</mo> <mo>|</mo> <mo>|</mo> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>-</mo> <msub> <mi>W</mi> <mi>j</mi> </msub> <mo>|</mo> <mo>|</mo> <mo>)</mo> </mrow> <mo>;</mo> </mrow>

    其中:Wk是获胜神经元的权向量,||...||为欧几里得距离;

    2)调整获胜神经元和获胜神经元领域内的神经元的权向量,公式如下:



    其中:Wj(t)是神经元;Wj(t+1)是调整前和调整后的权向量;j属于获胜神经元领
    域;α(t)是学习率,它是随着迭代次数的增加逐渐递减的函数,取值范围为[0 1],经过多次
    实验选取最佳学习率为0.71;Dj是神经元j与获胜神经元的距离;σ(t)是随着时间递减的函
    数;每一次迭代都将所有输入n维向量输入到神经网络模型中进行训练,当达到规定的迭代
    次数后,神经网络模型训练结束。

    进一步地,智能家庭亚健康护理设备将检查结果传送回服务器的结果信息的格式
    为:{医生实际判断的亚健康危险程度值},服务器在接收到结果信息后,判断检查结果是否
    正确。

    进一步地,对亚健康病理神经网络模型进行动态修正的增量式算法为:

    把增量数据表中的每条向量V{V1,V2,…,Vn},传送至神经网络模型学习函数中进
    行学习,学习步骤如下:

    1)首先对输出层各权向量赋小随机数并做归一化处理,然后利用输入模式向量V
    的平均值Avg(V),初始化为神经网络模型第0层中唯一神经元的权值,并设置为获胜神经
    元,计算其量化误差QE;

    2)从第0层的神经元中拓展出一个2×2结构SOM,并将其层次标识Layer置为1;

    3)对于第Layer层中拓展出的每一个2×2结构SOM子网,初始化这4个神经元的权
    值;将第i个神经元的输入向量集合Ci设置为空,主标签置为NULL,神经元i的主标签比率ri
    置为0;新的SOM的异常预警数据向量V继承其父神经元的获胜输入向量集合VX;

    4)从VX中挑选一个向量VXi做以下判断:

    如果VXi为不带标签的数据,则计算它与每个神经元的欧氏距离,选择距离最短的
    神经元作为获胜神经元;

    如果VXi为带标签的数据,则选择主标签与VXi的标签相同且ri值最大的神经元作
    为获胜神经元,更新该获胜神经元主标签;

    如果找不到主标签与VXi的标签相同的神经元,则找到与VXi距离最近的神经元i作
    为获胜神经元;

    5)对获胜神经元及其邻域内神经元的权值进行调整,更新获胜向量集合W=W∪
    {VXi},计算获胜神经元的主标签、主标签比率ri和信息熵Ei.如果未达到预定训练次数,则
    转步骤4);

    6)计算经调整后的该神经网络模型中每个神经元的量化误差QEi、神经元信息熵Ei
    和子网的平均量化误差MQE,公式如下:

    <mrow> <msub> <mi>QE</mi> <mi>i</mi> </msub> <mo>=</mo> <munder> <mo>&Sigma;</mo> <mrow> <msub> <mi>X</mi> <mi>j</mi> </msub> <mo>&Element;</mo> <msub> <mi>C</mi> <mi>i</mi> </msub> </mrow> </munder> <mo>{</mo> <mo>|</mo> <mo>|</mo> <msub> <mi>W</mi> <mi>i</mi> </msub> <mo>-</mo> <msub> <mi>X</mi> <mi>j</mi> </msub> <mo>|</mo> <mo>|</mo> <mo>}</mo> <mo>;</mo> </mrow>

    其中:Wi为神经元i的权值向量,Ci为映射到神经元i的所有输入向量构成的集合;

    <mrow> <msub> <mi>E</mi> <mi>i</mi> </msub> <mo>=</mo> <msub> <mo>&Sigma;</mo> <mrow> <mi>i</mi> <mo>&Element;</mo> <mi>T</mi> </mrow> </msub> <mrow> <mo>(</mo> <mo>-</mo> <mi>l</mi> <mi>b</mi> <mfrac> <msub> <mi>n</mi> <mi>i</mi> </msub> <mi>m</mi> </mfrac> <mo>)</mo> </mrow> <mo>&times;</mo> <mfrac> <msub> <mi>n</mi> <mi>i</mi> </msub> <mi>m</mi> </mfrac> <mo>;</mo> </mrow>

    其中:ni表示落在神经元上标签为i的样本个数,m表示落在神经元上有标签数据
    的总数,T表示落在神经元上的样本标签种类集合;

    然后判断:

    如果MQE>父节点的QE×阈值q,其中q=0.71,则在该SOM中插入一行神经元,转步
    骤4);

    如果Ei>父节点的Ei×阈值p,其中p=0.42,则从该神经元上长出一层新的子网,将
    新长出的子网增加到Layer+1层的子网队列中;

    如果SOM中没有插入新的神经元也没有长出新的子网,说明该子网训练完成;

    7)对于新拓展出的Layer+1层的所有2×2结构SOM,迭代运行步骤3)~5)对其重新
    进行训练,直至神经网络模型不再产生新的神经元和新的分层,整个训练结束。

    进一步地,在步骤(4)中,得到的亚健康概率结果数组P为一个6维变量,其6维变量
    分别为6个亚健康危险程度概率,把6个亚健康危险程度概率中最高概率对应的亚健康危险
    程度值W传送给智能家庭亚健康护理设备;在步骤(5)中,当亚健康危险程度值W=1时表示
    理想,W=2时表示正常,W=3时表示轻度亚健康,W=4时表示中度亚健康,W=5时表示危险,
    W=6时表示非常危险。

    进一步地,如果用户通过其他方式包括体检和自查,得知自己已患亚健康,而智能
    家庭亚健康护理设备的警示器没有警示,则表示智能家庭亚健康护理设备判断不准确,此
    时执行步骤(6)~(7),智能家庭亚健康护理设备把结果信息传送到服务器上。

    本发明还提供了一种所述亚健康预测方法的预测系统,包括智能监控设备、智能
    设备数据采集器、服务器和智能家庭亚健康护理设备,所述智能监控设备与所述智能设备
    数据采集器相连接,所述智能设备数据采集器通过通讯装置一与所述服务器网络通讯,所
    述智能家庭亚健康护理设备通过通讯装置二与所述服务器网络通讯。

    进一步地,所述智能家庭亚健康护理设备上设置有警示器。

    进一步地,所述智能监控设备包括智能穿戴设备、智能水杯、智能体重称、智能马
    桶和智能光感设备。

    本发明的有益效果:

    1、本发明通过神经网络模型训练预测大量医院患者病理数据,找到亚健康病理与
    亚健康早期生活细节变化、临床症状、检测标准值、高危人群特征,这几项病因之间的逻辑
    关联和变量,最终形成对亚健康患病几率准确预测的亚健康病理神经网络模型,本发明通
    过采集用户日常生活数据,主动分析其数据的周期性、规律性最终通过亚健康病理神经网
    络模型预测用户的患亚健康危险程度概率,以视觉效果的方式提醒用户即时就医和预防。

    2、当神经网络模型预测不准确时通过增量式算法不断修正神经网络模型,以针对
    每个设备用户建立训练出针对该用户的神经网络模型,随着使用时间的增加,以建立对该
    用户量身定做的神经网络模型,准确率被大幅提高。

    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,下面将对实施例或现
    有技术描述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为本发明实施例的流程图。

    具体实施方式

    下面结合附图对发明进一步说明,但不用来限制本发明的范围。

    实施例

    如图1所示,本发明提供的一种基于增量式神经网络模型的亚健康预测方法,包括
    如下步骤:

    步骤(1)、获取医院亚健康病因病理数据源与病人日常监控数据,从而建立亚健康
    日常数据数据库;

    其中日常监控数据为21项数据,其21项数据为年龄,性别,心率,体脂,收缩压,舒
    张压,吸烟量(每日),喝酒量(每日),喝水量及频率,体重,小便次数,小便颜色,大便次数,
    是否便秘,BMI指数,体温,从事职业,睡眠时间及质量,行走距离(每日)等21项数据,本发明
    以21项数据建立21维向量;

    步骤(2)、根据步骤(1)建立的亚健康日常数据数据库以离线的方式对神经网络模
    型进行训练,以得到训练好的亚健康病理神经网络模型;

    步骤(3)、通过智能监控设备对用户的日常生活数据进行采集,并将采集的日常生
    活数据发送至服务器,服务器将用户的日常生活数据保存至用户日常数据记录表中;

    步骤(4)、从用户日常数据记录表中提取当日数据,形成n维向量,并对n维向量做
    归一化处理后输入步骤(2)中训练好的亚健康病理神经网络模型中进行亚健康危险程度概
    率预测,得到亚健康概率结果数组P,服务器将数组P中最高概率对应的亚健康危险程度值W
    传送给智能家庭亚健康护理设备;

    其中在步骤(4)中,得到的亚健康概率结果数组P为一个6维变量,其6维变量分别
    为6个亚健康危险程度概率,把6个亚健康危险程度概率中最高概率对应的亚健康危险程度
    值W传送给智能家庭亚健康护理设备。

    步骤(5)、智能家庭亚健康护理设备接收服务器传送的亚健康危险程度值W后,判
    断亚健康危险程度值W是否大于等于3,如果大于等于3,则警示器警示以提醒用户,如果小
    于3,则警示器不警示;

    其中在步骤(5)中,当亚健康危险程度值W=1时表示理想,W=2时表示正常,W=3
    时表示轻度亚健康,W=4时表示中度亚健康,W=5时表示危险,W=6时表示非常危险。即本
    发明将亚健康危险程度分成6个等级,更加准确直观。

    步骤(6)、当用户接收到警示器警示时,用户自行去医院检查,并将检查结果通过
    智能家庭亚健康护理设备传送回服务器,服务器判断检查结果是否正确,如果检查结果错
    误,则说明亚健康病理神经网络模型预测不准确,如果检查结果正确,则说明亚健康病理神
    经网络模型预测准确;

    其中智能家庭亚健康护理设备将检查结果传送回服务器的结果信息的格式为:
    {医生实际判断的亚健康危险程度值},服务器在接收到结果信息后,判断检查结果是否正
    确。

    步骤(7)、当检查结果错误时,从用户日常数据记录表中抽取7天内的记录保存至
    增量数据表中,当增量数据表中的记录数量大于100条时,执行增量式算法,对亚健康病理
    神经网络模型进行动态修正;

    步骤(8)、重复步骤(3)~(7)。

    本发明的神经网络模型的输入层为21个节点,隐含层个数为43,输出层为6个节点
    (即6个亚健康危险程度概率),从亚健康日常数据数据库表中提取400000条记录进行训练,
    每条记录是一个21维向量,所有数据在使用前先经归一化处理,使其数值在[0,1]区间,然
    后执行如下步骤对神经网络模型进行训练:1)输入一个21维向量到神经网络模型,计算神
    经网络模型中所有的权向量到

    该输入21维向量的距离,距离最近的神经元即为获胜神经元,其计算公式如下:

    <mrow> <mo>|</mo> <mo>|</mo> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>-</mo> <msub> <mi>W</mi> <mi>k</mi> </msub> <mo>|</mo> <mo>|</mo> <mo>=</mo> <munder> <mi>min</mi> <mi>j</mi> </munder> <mrow> <mo>(</mo> <mo>|</mo> <mo>|</mo> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>-</mo> <msub> <mi>W</mi> <mi>j</mi> </msub> <mo>|</mo> <mo>|</mo> <mo>)</mo> </mrow> <mo>;</mo> </mrow>

    其中:Wk是获胜神经元的权向量,||...||为欧几里得距离;

    2)调整获胜神经元和获胜神经元领域内的神经元的权向量,公式如下:



    其中:Wj(t)是神经元;Wj(t+1)是调整前和调整后的权向量;j属于获胜神经元领
    域;α(t)是学习率,它是随着迭代次数的增加逐渐递减的函数,取值范围为[0 1],经过多次
    实验选取最佳学习率为0.71;Dj是神经元j与获胜神经元的距离;σ(t)是随着时间递减的函
    数;每一次迭代都将所有输入n维向量输入到神经网络模型中进行训练,当达到规定的迭代
    次数后,神经网络模型训练结束。

    本发明的对亚健康病理神经网络模型进行动态修正的增量式算法为:

    把增量数据表中的每条向量V{V1,V2,…,Vn},传送至神经网络模型学习函数中进
    行学习,学习步骤如下:

    1)首先对输出层各权向量赋小随机数并做归一化处理,然后利用输入模式向量V
    的平均值Avg(V),初始化为神经网络模型第0层中唯一神经元的权值,并设置为获胜神经
    元,计算其量化误差QE;

    2)从第0层的神经元中拓展出一个2×2结构SOM,并将其层次标识Layer置为1;

    3)对于第Layer层中拓展出的每一个2×2结构SOM子网,初始化这4个神经元的权
    值;将第i个神经元的输入向量集合Ci设置为空,主标签置为NULL,神经元i的主标签比率ri
    置为0;新的SOM的异常预警数据向量V继承其父神经元的获胜输入向量集合VX;

    4)从VX中挑选一个向量VXi做以下判断:

    如果VXi为不带标签的数据,则计算它与每个神经元的欧氏距离,选择距离最短的
    神经元作为获胜神经元;

    如果VXi为带标签的数据,则选择主标签与VXi的标签相同且ri值最大的神经元作
    为获胜神经元,更新该获胜神经元主标签;

    如果找不到主标签与VXi的标签相同的神经元,则找到与VXi距离最近的神经元i作
    为获胜神经元;

    5)对获胜神经元及其邻域内神经元的权值进行调整,更新获胜向量集合W=W∪
    {VXi},计算获胜神经元的主标签、主标签比率ri和信息熵Ei.如果未达到预定训练次数,则
    转步骤4);

    6)计算经调整后的该神经网络模型中每个神经元的量化误差QEi、神经元信息熵Ei
    和子网的平均量化误差MQE,公式如下:

    <mrow> <msub> <mi>QE</mi> <mi>i</mi> </msub> <mo>=</mo> <munder> <mo>&Sigma;</mo> <mrow> <msub> <mi>X</mi> <mi>j</mi> </msub> <mo>&Element;</mo> <msub> <mi>C</mi> <mi>i</mi> </msub> </mrow> </munder> <mo>{</mo> <mo>|</mo> <mo>|</mo> <msub> <mi>W</mi> <mi>i</mi> </msub> <mo>-</mo> <msub> <mi>X</mi> <mi>j</mi> </msub> <mo>|</mo> <mo>|</mo> <mo>}</mo> <mo>;</mo> </mrow>

    其中:Wi为神经元i的权值向量,Ci为映射到神经元i的所有输入向量构成的集合;

    <mrow> <msub> <mi>E</mi> <mi>i</mi> </msub> <mo>=</mo> <msub> <mo>&Sigma;</mo> <mrow> <mi>i</mi> <mo>&Element;</mo> <mi>T</mi> </mrow> </msub> <mrow> <mo>(</mo> <mo>-</mo> <mi>l</mi> <mi>b</mi> <mfrac> <msub> <mi>n</mi> <mi>i</mi> </msub> <mi>m</mi> </mfrac> <mo>)</mo> </mrow> <mo>&times;</mo> <mfrac> <msub> <mi>n</mi> <mi>i</mi> </msub> <mi>m</mi> </mfrac> <mo>;</mo> </mrow>

    其中:ni表示落在神经元上标签为i的样本个数,m表示落在神经元上有标签数据
    的总数,T表示落在神经元上的样本标签种类集合;

    然后判断:

    如果MQE>父节点的QE×阈值q,其中q=0.71,则在该SOM中插入一行神经元,转步
    骤4);

    如果Ei>父节点的Ei×阈值p,其中p=0.42,则从该神经元上长出一层新的子网,将
    新长出的子网增加到Layer+1层的子网队列中;

    如果SOM中没有插入新的神经元也没有长出新的子网,说明该子网训练完成;

    7)对于新拓展出的Layer+1层的所有2×2结构SOM,迭代运行步骤3)~5)对其重新
    进行训练,直至神经网络模型不再产生新的神经元和新的分层,整个训练结束。

    如果用户通过其他方式包括体检和自查,得知自己已患亚健康,而智能家庭亚健
    康护理设备的警示器没有警示,则表示智能家庭亚健康护理设备判断不准确,此时执行步
    骤(6)~(7),智能家庭亚健康护理设备把结果信息传送到服务器上。

    本发明还提供了一种所述亚健康预测方法的预测系统,包括智能监控设备、智能
    设备数据采集器、服务器和智能家庭亚健康护理设备,所述智能监控设备与所述智能设备
    数据采集器相连接,所述智能设备数据采集器通过通讯装置一与所述服务器网络通讯,所
    述智能家庭亚健康护理设备通过通讯装置二与所述服务器网络通讯。

    本发明的所述智能家庭亚健康护理设备上设置有警示器。

    本发明的所述智能监控设备包括智能穿戴设备、智能水杯、智能体重称、智能马桶
    和智能光感设备等。

    本发明通过神经网络模型训练预测大量医院患者病理数据,找到亚健康病理与亚
    健康早期生活细节变化、临床症状、检测标准值、高危人群特征,这几项病因之间的逻辑关
    联和变量,最终形成对亚健康患病几率准确预测的亚健康病理神经网络模型,本发明通过
    采集用户日常生活数据,主动分析其数据的周期性、规律性最终通过亚健康病理神经网络
    模型预测用户的患亚健康概率,以视觉效果的方式提醒用户即时就医和预防。

    本发明的所有数据保存至服务器中,可以大幅节省计算成本,硬件配置低,从而售
    价也低。

    本发明自带通讯装置一和通讯装置二,可以通过wifi自动连接互联网,并长期保
    持在线。各种智能监控设备都可以通过网络或蓝牙等方式轻松接入本发明设备,在获取设
    备授权后即可自动上传智能监控设备的监控的日常生活数据,因此本发明设备获取的数据
    是实时的、准确的、多元的。

    由于每个人的身体特征不一样,亚健康发病时所表现出的数据特征也会不同。因
    此以往的通过神经网络预测亚健康的方法准确率不高。本发明针对每个设备用户建立训练
    出针对该用户的神经网络模型,在运行过一段时间后,将产生对该用户量身定做神经网络
    预测模型,准确率被大幅提高。

    当神经网络模型误判时,智能家庭亚健康护理设备将错误信息将反馈给服务器,
    针对该用户动态修正神经网络模型,当下次该用户出现类似特征数据时,将不会再误判。因
    此,随着使用时间的增加,本发明的智能家庭亚健康护理设备的判断将会越来越准确。

    以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术
    人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本
    发明的原理,在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进,这些变
    化和改进都落入要求?;さ谋痉⒚鞣段?。本发明要求?;し段в伤降娜ɡ笫榧捌?br />等同物界定。

    关于本文
    本文标题:一种基于增量式神经网络模型的亚健康预测方法和预测系统.pdf
    链接地址://www.4mum.com.cn/p-6027124.html
    关于我们 - 网站声明 - 网站地图 - 资源地图 - 友情链接 - 网站客服 - 联系我们

    [email protected] 2017-2018 www.4mum.com.cn网站版权所有
    经营许可证编号:粤ICP备17046363号-1 
     


    收起
    展开
  • 四川郎酒股份有限公司获第十二届人民企业社会责任奖年度环保奖 2019-05-13
  • 银保监会新规剑指大企业多头融资和过度融资 2019-05-12
  • 韩国再提4国联合申办世界杯 中国网友无视:我们自己来 2019-05-11
  • 中国人为什么一定要买房? 2019-05-11
  • 十九大精神进校园:风正扬帆当有为 勇做时代弄潮儿 2019-05-10
  • 粽叶飘香幸福邻里——廊坊市举办“我们的节日·端午”主题活动 2019-05-09
  • 太原设禁鸣路段 设备在测试中 2019-05-09
  • 拜耳医药保健有限公司获第十二届人民企业社会责任奖年度企业奖 2019-05-08
  • “港独”没出路!“梁天琦们”该醒醒了 2019-05-07
  • 陈卫平:中国文化内涵包含三方面 文化复兴表现在其中 2019-05-06
  • 人民日报客户端辟谣:“合成军装照”产品请放心使用 2019-05-05
  • 【十九大·理论新视野】为什么要“建设现代化经济体系”?   2019-05-04
  • 聚焦2017年乌鲁木齐市老城区改造提升工程 2019-05-04
  • 【专家谈】上合组织——构建区域命运共同体的有力实践者 2019-05-03
  • 【华商侃车NO.192】 亲!楼市火爆,别忘了买车位啊! 2019-05-03
  • pk10直播 助赢彩票软件 手机 玩幸运飞艇倍投方案 广东时时怎么投注 时时彩六码投法 安徽时时开奖结果查询 七星彩选码软件 11选五稳赚投注 11选5计划软件手机助手 pk10官网计划 七乐彩软件免费下载 北京pk赛车8码稳赚技巧 天天快3计划软件免费 功夫时时彩网 组六全包稳赚的方案有哪些 安徽时时快三