一種基於增量式神經網絡模型的慢性疲勞綜合症預測方法和預測系統與流程
2023-11-07 07:09:31 1
本發明屬於醫療技術領域，特別是涉及一種基於增量式神經網絡模型的慢性疲勞綜合症預測方法和預測系統。
背景技術：
當前國內各健康管理系統均設置慢性疲勞綜合症預測評價，其使用的預測方式為數據匹配。其原理是將個人生活數據輸入系統由系統匹配固定數據然後得出患病機率。但由於人體和疾病的複雜性、不可預測性，在生物信號與信息的表現形式上、變化規律(自身變化與醫學幹預後變化)上，對其進行檢測與信號表達，獲取的數據及信息的分析、決策等諸多方面都存在非常複雜的非線性聯繫。所以使用傳統的數據匹配只能是盲目的數據篩查，無法判斷數據與數據之間的邏輯關聯以及變量，得到的值域偏差大，造成系統預測的特異性十分差，所以目前的國內健康管理系統無法有效對個人的慢性疲勞綜合症進行準確預測。
此前大部分對慢性疲勞綜合症預測都是使用BP神經網絡模型，但是當新的檢測數據產生的時候，都必須再次訓練神經網絡模型，運算效率極低。而且當系統用戶規模增加後，伺服器將無法及時完成訓練任務。
技術實現要素：
本發明的目的就在於克服現有技術的不足，提供了一種基於增量式神經網絡模型的慢性疲勞綜合症預測方法和預測系統，本發明通過神經網絡模型訓練預測大量醫院患者病理數據，找到慢性疲勞綜合症病理與慢性疲勞綜合症早期生活細節變化、臨床症狀、檢測標準值、高危人群特徵，這幾項病因之間的邏輯關聯和變量，最終形成對慢性疲勞綜合症患病機率準確預測的慢性疲勞綜合症病理神經網絡模型，本發明通過採集用戶日常生活數據，主動分析其數據的周期性、規律性最終通過慢性疲勞綜合症病理神經網絡模型預測用戶的患慢性疲勞綜合症概率，以視覺效果的方式提醒用戶即時就醫，當神經網絡模型預測不準確時通過增量式算法不斷修正神經網絡模型，以針對每個設備用戶建立訓練出針對該用戶的 神經網絡模型，隨著使用時間的增加，以建立對該用戶量身定做的神經網絡模型，準確率被大幅提高。
為了實現上述目的，本發明提供了一種基於增量式神經網絡模型的慢性疲勞綜合症預測方法，包括如下步驟：
步驟(1)、獲取醫院慢性疲勞綜合症病因病理數據源與病人日常監控數據，從而建立慢性疲勞綜合症日常數據資料庫；
步驟(2)、根據步驟(1)建立的慢性疲勞綜合症日常數據資料庫以離線的方式對神經網絡模型進行訓練，以得到訓練好的慢性疲勞綜合症病理神經網絡模型；
步驟(3)、通過智能監控設備對用戶的日常生活數據進行採集，並將採集的日常生活數據發送至伺服器，伺服器將用戶的日常生活數據保存至用戶日常數據記錄表中；
步驟(4)、從用戶日常數據記錄表中提取當日數據，形成n維向量，並對n維向量做歸一化處理後輸入步驟(2)中訓練好的慢性疲勞綜合症病理神經網絡模型中進行慢性疲勞綜合症危險程度概率預測，得到慢性疲勞綜合症概率結果數組P，伺服器將數組P中最高概率對應的慢性疲勞綜合症危險程度值W傳送給智能家庭慢性疲勞綜合症護理設備；
步驟(5)、智能家庭慢性疲勞綜合症護理設備接收伺服器傳送的慢性疲勞綜合症危險程度值W後，判斷慢性疲勞綜合症危險程度值W是否大於等於3，如果大於等於3，則警示器警示以提醒用戶，如果小於3，則警示器不警示；
步驟(6)、當用戶接收到警示器警示時，用戶自行去醫院檢查，並將檢查結果通過智能家庭慢性疲勞綜合症護理設備傳送回伺服器，伺服器判斷檢查結果是否正確，如果檢查結果錯誤，則說明慢性疲勞綜合症病理神經網絡模型預測不準確，如果檢查結果正確，則說明慢性疲勞綜合症病理神經網絡模型預測準確；
步驟(7)、當檢查結果錯誤時，從用戶日常數據記錄表中抽取m天內的記錄保存至增量數據表中，當增量數據表中的記錄數量大於h條時，執行增量式算法，對慢性疲勞綜合症病理神經網絡模型進行動態修正；
步驟(8)、重複步驟(3)～(7)。
進一步地，神經網絡模型的輸入層為n個節點，隱含層個數為n*2+1，輸出 層為1個節點，從慢性疲勞綜合症日常數據資料庫表中提取k條記錄進行訓練，每條記錄是一個n維向量，所有數據在使用前先經歸一化處理，使其數值在[0,1]區間,然後執行如下步驟對神經網絡模型進行訓練：
1)輸入一個n維向量到神經網絡模型，計算神經網絡模型中所有的權向量到該輸入n維向量的距離，距離最近的神經元即為獲勝神經元，其計算公式如下：
其中：Wk是獲勝神經元的權向量,||...||為歐幾裡得距離；
2)調整獲勝神經元和獲勝神經元領域內的神經元的權向量，公式如下：
其中：Wj(t)是神經元；Wj(t+1)是調整前和調整後的權向量；j屬於獲勝神經元領域；α(t)是學習率，它是隨著迭代次數的增加逐漸遞減的函數，取值範圍為[0 1]，經過多次實驗選取最佳學習率為0.71；Dj是神經元j與獲勝神經元的距離；σ(t)是隨著時間遞減的函數；每一次迭代都將所有輸入n維向量輸入到神經網絡模型中進行訓練，當達到規定的迭代次數後，神經網絡模型訓練結束。
進一步地，智能家庭慢性疲勞綜合症護理設備將檢查結果傳送回伺服器的結果信息的格式為：{醫生實際判斷的慢性疲勞綜合症危險程度值}，伺服器在接收到結果信息後，判斷檢查結果是否正確。
進一步地，對慢性疲勞綜合症病理神經網絡模型進行動態修正的增量式算法為：
把增量數據表中的每條向量V{V1,V2,…,Vn}，傳送至神經網絡模型學習函數中進行學習，學習步驟如下：
1)首先對輸出層各權向量賦小隨機數並做歸一化處理，然後利用輸入模式向量V的平均值Avg(V)，初始化為神經網絡模型第0層中唯一神經元的權值， 並設置為獲勝神經元，計算其量化誤差QE；
2)從第0層的神經元中拓展出一個2×2結構SOM，並將其層次標識Layer置為1；
3)對於第Layer層中拓展出的每一個2×2結構SOM子網，初始化這4個神經元的權值；將第i個神經元的輸入向量集合Ci設置為空，主標籤置為NULL，神經元i的主標籤比率ri置為0；新的SOM的異常預警數據向量V繼承其父神經元的獲勝輸入向量集合VX；
4)從VX中挑選一個向量VXi做以下判斷：
如果VXi為不帶標籤的數據，則計算它與每個神經元的歐氏距離，選擇距離最短的神經元作為獲勝神經元；
如果VXi為帶標籤的數據，則選擇主標籤與VXi的標籤相同且ri值最大的神經元作為獲勝神經元，更新該獲勝神經元主標籤；
如果找不到主標籤與VXi的標籤相同的神經元，則找到與VXi距離最近的神經元i作為獲勝神經元；
5)對獲勝神經元及其鄰域內神經元的權值進行調整，更新獲勝向量集合W＝W∪{VXi}，計算獲勝神經元的主標籤、主標籤比率ri和信息熵Ei.如果未達到預定訓練次數，則轉步驟4)；
6)計算經調整後的該神經網絡模型中每個神經元的量化誤差QEi、神經元信息熵Ei和子網的平均量化誤差MQE，公式如下：
其中：Wi為神經元i的權值向量，Ci為映射到神經元i的所有輸入向量構成的集合；
其中：ni表示落在神經元上標籤為i的樣本個數，m表示落在神經元上有標籤數據的總數，T表示落在神經元上的樣本標籤種類集合；
然後判斷：
如果MQE>父節點的QE×閾值q，其中q＝0.71，則在該SOM中插入一行神 經元，轉步驟4)；
如果Ei>父節點的Ei×閾值p，其中p＝0.42，則從該神經元上長出一層新的子網，將新長出的子網增加到Layer+1層的子網隊列中；
如果SOM中沒有插入新的神經元也沒有長出新的子網，說明該子網訓練完成；
7)對於新拓展出的Layer+1層的所有2×2結構SOM，迭代運行步驟3)～5)對其重新進行訓練，直至神經網絡模型不再產生新的神經元和新的分層，整個訓練結束。
進一步地，在步驟(4)中，得到的慢性疲勞綜合症概率結果數組P為一個6維變量，其6維變量分別為6個慢性疲勞綜合症危險程度概率，把6個慢性疲勞綜合症危險程度概率中最高概率對應的慢性疲勞綜合症危險程度值W傳送給智能家庭慢性疲勞綜合症護理設備；在步驟(5)中，當慢性疲勞綜合症危險程度值W＝1時表示理想，W＝2時表示正常，W＝3時表示亞健康，W＝4時表示危險，W＝5時表示非常危險，W＝6時表示患病。
進一步地，如果用戶通過其他方式包括體檢和自查，得知自己已患慢性疲勞綜合症，而智能家庭慢性疲勞綜合症護理設備的警示器沒有警示，則表示智能家庭慢性疲勞綜合症護理設備判斷不準確，此時執行步驟(6)～(7)，智能家庭慢性疲勞綜合症護理設備把結果信息傳送到伺服器上。
本發明還提供了一種所述慢性疲勞綜合症預測方法的預測系統，包括智能監控設備、智能設備數據採集器、伺服器和智能家庭慢性疲勞綜合症護理設備，所述智能監控設備與所述智能設備數據採集器相連接，所述智能設備數據採集器通過通訊裝置一與所述伺服器網絡通訊，所述智能家庭慢性疲勞綜合症護理設備通過通訊裝置二與所述伺服器網絡通訊。
進一步地，所述智能家庭慢性疲勞綜合症護理設備上設置有警示器。
進一步地，所述智能監控設備包括智能穿戴設備、智能水杯、智能體重稱、智能馬桶和智能光感設備。
本發明的有益效果：
1、本發明通過神經網絡模型訓練預測大量醫院患者病理數據，找到慢性疲勞綜合症病理與慢性疲勞綜合症早期生活細節變化、臨床症狀、檢測標準值、高 危人群特徵，這幾項病因之間的邏輯關聯和變量，最終形成對慢性疲勞綜合症患病機率準確預測的慢性疲勞綜合症病理神經網絡模型，本發明通過採集用戶日常生活數據，主動分析其數據的周期性、規律性最終通過慢性疲勞綜合症病理神經網絡模型預測用戶的患慢性疲勞綜合症危險程度概率，以視覺效果的方式提醒用戶即時就醫和預防。
2、當神經網絡模型預測不準確時通過增量式算法不斷修正神經網絡模型，以針對每個設備用戶建立訓練出針對該用戶的神經網絡模型，隨著使用時間的增加，以建立對該用戶量身定做的神經網絡模型，準確率被大幅提高。
附圖說明
為了更清楚地說明本發明實施例或現有技術中的技術方案，下面將對實施例或現有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發明的一些實施例，對於本領域普通技術人員來講，在不付出創造性勞動的前提下，還可以根據這些附圖獲得其他的附圖。
圖1為本發明實施例的流程圖。
具體實施方式
下面結合附圖對發明進一步說明，但不用來限制本發明的範圍。
實施例
如圖1所示，本發明提供的一種基於增量式神經網絡模型的慢性疲勞綜合症預測方法，包括如下步驟：
步驟(1)、獲取醫院慢性疲勞綜合症病因病理數據源與病人日常監控數據，從而建立慢性疲勞綜合症日常數據資料庫；
其中日常監控數據為21項數據，其21項數據為年齡，性別，心率，體脂，收縮壓，舒張壓，吸菸量(每日)，喝酒量(每日)，喝水量及頻率，體重，小便次數，小便顏色，大便次數，是否便秘，BMI指數，體溫，從事職業，睡眠時間及質量，行走距離(每日)等21項數據，本發明以21項數據建立21維向量；
步驟(2)、根據步驟(1)建立的慢性疲勞綜合症日常數據資料庫以離線的方式對神經網絡模型進行訓練，以得到訓練好的慢性疲勞綜合症病理神經網絡模 型；
步驟(3)、通過智能監控設備對用戶的日常生活數據進行採集，並將採集的日常生活數據發送至伺服器，伺服器將用戶的日常生活數據保存至用戶日常數據記錄表中；
步驟(4)、從用戶日常數據記錄表中提取當日數據，形成n維向量，並對n維向量做歸一化處理後輸入步驟(2)中訓練好的慢性疲勞綜合症病理神經網絡模型中進行慢性疲勞綜合症危險程度概率預測，得到慢性疲勞綜合症概率結果數組P，伺服器將數組P中最高概率對應的慢性疲勞綜合症危險程度值W傳送給智能家庭慢性疲勞綜合症護理設備；
其中在步驟(4)中，得到的慢性疲勞綜合症概率結果數組P為一個6維變量，其6維變量分別為6個慢性疲勞綜合症危險程度概率，把6個慢性疲勞綜合症危險程度概率中最高概率對應的慢性疲勞綜合症危險程度值W傳送給智能家庭慢性疲勞綜合症護理設備。
步驟(5)、智能家庭慢性疲勞綜合症護理設備接收伺服器傳送的慢性疲勞綜合症危險程度值W後，判斷慢性疲勞綜合症危險程度值W是否大於等於3，如果大於等於3，則警示器警示以提醒用戶，如果小於3，則警示器不警示；
其中在步驟(5)中，當慢性疲勞綜合症危險程度值W＝1時表示理想，W＝2時表示正常，W＝3時表示亞健康，W＝4時表示危險，W＝5時表示非常危險，W＝6時表示患病。即本發明將慢性疲勞綜合症危險程度分成6個等級，更加準確直觀。
步驟(6)、當用戶接收到警示器警示時，用戶自行去醫院檢查，並將檢查結果通過智能家庭慢性疲勞綜合症護理設備傳送回伺服器，伺服器判斷檢查結果是否正確，如果檢查結果錯誤，則說明慢性疲勞綜合症病理神經網絡模型預測不準確，如果檢查結果正確，則說明慢性疲勞綜合症病理神經網絡模型預測準確；
其中智能家庭慢性疲勞綜合症護理設備將檢查結果傳送回伺服器的結果信息的格式為：{醫生實際判斷的慢性疲勞綜合症危險程度值}，伺服器在接收到結果信息後，判斷檢查結果是否正確。
步驟(7)、當檢查結果錯誤時，從用戶日常數據記錄表中抽取7天內的記錄保存至增量數據表中，當增量數據表中的記錄數量大於100條時，執行增量式算 法，對慢性疲勞綜合症病理神經網絡模型進行動態修正；
步驟(8)、重複步驟(3)～(7)。
本發明的神經網絡模型的輸入層為21個節點，隱含層個數為43，輸出層為6個節點(即6個慢性疲勞綜合症危險程度概率)，從慢性疲勞綜合症日常數據資料庫表中提取400000條記錄進行訓練，每條記錄是一個21維向量，所有數據在使用前先經歸一化處理，使其數值在[0,1]區間,然後執行如下步驟對神經網絡模型進行訓練：
1)輸入一個21維向量到神經網絡模型，計算神經網絡模型中所有的權向量到該輸入21維向量的距離，距離最近的神經元即為獲勝神經元，其計算公式如下：
其中：Wk是獲勝神經元的權向量,||...||為歐幾裡得距離；
2)調整獲勝神經元和獲勝神經元領域內的神經元的權向量，公式如下：
其中：Wj(t)是神經元；Wj(t+1)是調整前和調整後的權向量；j屬於獲勝神經元領域；α(t)是學習率，它是隨著迭代次數的增加逐漸遞減的函數，取值範圍為[0 1]，經過多次實驗選取最佳學習率為0.71；Dj是神經元j與獲勝神經元的距離；σ(t)是隨著時間遞減的函數；每一次迭代都將所有輸入n維向量輸入到神經網絡模型中進行訓練，當達到規定的迭代次數後，神經網絡模型訓練結束。
本發明的對慢性疲勞綜合症病理神經網絡模型進行動態修正的增量式算法為：
把增量數據表中的每條向量V{V1,V2,…,Vn}，傳送至神經網絡模型學習函數中進行學習，學習步驟如下：
1)首先對輸出層各權向量賦小隨機數並做歸一化處理，然後利用輸入模式 向量V的平均值Avg(V)，初始化為神經網絡模型第0層中唯一神經元的權值，並設置為獲勝神經元，計算其量化誤差QE；
2)從第0層的神經元中拓展出一個2×2結構SOM，並將其層次標識Layer置為1；
3)對於第Layer層中拓展出的每一個2×2結構SOM子網，初始化這4個神經元的權值；將第i個神經元的輸入向量集合Ci設置為空，主標籤置為NULL，神經元i的主標籤比率ri置為0；新的SOM的異常預警數據向量V繼承其父神經元的獲勝輸入向量集合VX；
4)從VX中挑選一個向量VXi做以下判斷：
如果VXi為不帶標籤的數據，則計算它與每個神經元的歐氏距離，選擇距離最短的神經元作為獲勝神經元；
如果VXi為帶標籤的數據，則選擇主標籤與VXi的標籤相同且ri值最大的神經元作為獲勝神經元，更新該獲勝神經元主標籤；
如果找不到主標籤與VXi的標籤相同的神經元，則找到與VXi距離最近的神經元i作為獲勝神經元；
5)對獲勝神經元及其鄰域內神經元的權值進行調整，更新獲勝向量集合W＝W∪{VXi}，計算獲勝神經元的主標籤、主標籤比率ri和信息熵Ei.如果未達到預定訓練次數，則轉步驟4)；
6)計算經調整後的該神經網絡模型中每個神經元的量化誤差QEi、神經元信息熵Ei和子網的平均量化誤差MQE，公式如下：
其中：Wi為神經元i的權值向量，Ci為映射到神經元i的所有輸入向量構成的集合；
其中：ni表示落在神經元上標籤為i的樣本個數，m表示落在神經元上有標籤數據的總數，T表示落在神經元上的樣本標籤種類集合；
然後判斷：
如果MQE>父節點的QE×閾值q，其中q＝0.71，則在該SOM中插入一行神經元，轉步驟4)；
如果Ei>父節點的Ei×閾值p，其中p＝0.42，則從該神經元上長出一層新的子網，將新長出的子網增加到Layer+1層的子網隊列中；
如果SOM中沒有插入新的神經元也沒有長出新的子網，說明該子網訓練完成；
7)對於新拓展出的Layer+1層的所有2×2結構SOM，迭代運行步驟3)～5)對其重新進行訓練，直至神經網絡模型不再產生新的神經元和新的分層，整個訓練結束。
如果用戶通過其他方式包括體檢和自查，得知自己已患慢性疲勞綜合症，而智能家庭慢性疲勞綜合症護理設備的警示器沒有警示，則表示智能家庭慢性疲勞綜合症護理設備判斷不準確，此時執行步驟(6)～(7)，智能家庭慢性疲勞綜合症護理設備把結果信息傳送到伺服器上。
本發明還提供了一種所述慢性疲勞綜合症預測方法的預測系統，包括智能監控設備、智能設備數據採集器、伺服器和智能家庭慢性疲勞綜合症護理設備，所述智能監控設備與所述智能設備數據採集器相連接，所述智能設備數據採集器通過通訊裝置一與所述伺服器網絡通訊，所述智能家庭慢性疲勞綜合症護理設備通過通訊裝置二與所述伺服器網絡通訊。
本發明的所述智能家庭慢性疲勞綜合症護理設備上設置有警示器。
本發明的所述智能監控設備包括智能穿戴設備、智能水杯、智能體重稱、智能馬桶和智能光感設備等。
本發明通過神經網絡模型訓練預測大量醫院患者病理數據，找到慢性疲勞綜合症病理與慢性疲勞綜合症早期生活細節變化、臨床症狀、檢測標準值、高危人群特徵，這幾項病因之間的邏輯關聯和變量，最終形成對慢性疲勞綜合症患病機率準確預測的慢性疲勞綜合症病理神經網絡模型，本發明通過採集用戶日常生活數據，主動分析其數據的周期性、規律性最終通過慢性疲勞綜合症病理神經網絡模型預測用戶的患慢性疲勞綜合症概率，以視覺效果的方式提醒用戶即時就醫和預防。
本發明的所有數據保存至伺服器中，可以大幅節省計算成本，硬體配置低， 從而售價也低。
本發明自帶通訊裝置一和通訊裝置二，可以通過wifi自動連接網際網路，並長期保持在線。各種智能監控設備都可以通過網絡或藍牙等方式輕鬆接入本發明設備，在獲取設備授權後即可自動上傳智能監控設備的監控的日常生活數據，因此本發明設備獲取的數據是實時的、準確的、多元的。
由於每個人的身體特徵不一樣，慢性疲勞綜合症發病時所表現出的數據特徵也會不同。因此以往的通過神經網絡預測慢性疲勞綜合症的方法準確率不高。本發明針對每個設備用戶建立訓練出針對該用戶的神經網絡模型，在運行過一段時間後，將產生對該用戶量身定做神經網絡預測模型，準確率被大幅提高。
當神經網絡模型誤判時，智能家庭慢性疲勞綜合症護理設備將錯誤信息將反饋給伺服器，針對該用戶動態修正神經網絡模型，當下次該用戶出現類似特徵數據時，將不會再誤判。因此，隨著使用時間的增加，本發明的智能家庭慢性疲勞綜合症護理設備的判斷將會越來越準確。
以上顯示和描述了本發明的基本原理、主要特徵和本發明的優點。本行業的技術人員應該了解，本發明不受上述實施例的限制，上述實施例和說明書中描述的只是說明本發明的原理，在不脫離本發明精神和範圍的前提下本發明還會有各種變化和改進，這些變化和改進都落入要求保護的本發明範圍內。本發明要求保護範圍由所附的權利要求書及其等同物界定。