遗传算法改进的神经网络建模用于人体成分分析的方法技术

一种遗传算法改进的神经网络建模用于人体成分分析的方法，包括如下步骤：S1、采集多项人体生物电阻抗及身高、体重参数；S2、确定各项参数的初始权重和偏移量；S3、构建神经网络模型；S4、将各项参数的权重和偏移量数据输入神经网络模型后，输出最优权重和偏移量；S5、根据最优权重和偏移量确定人体成分含量值。上述遗传算法改进的神经网络建模用于人体成分分析的方法具有提高生物电阻抗方法测量人体成分的精度的优点。

【技术实现步骤摘要】

本专利技术涉及人体成人检测方法，尤其是一种遗传算法改进的神经网络建模用于人体成分分析的方法。
技术介绍
基于生物电阻抗原理的体成分测试是一种评估身体成分的间接方法，其基本原理是将微弱的交流电信号导入人体，通过测量得到人体各个部分的电阻抗，分析得到相应部分的组成成分。这种方法具有简单易用性和无创性等特点，近年来发展迅速，可适用于家庭、社区医生、健康俱乐部和医院。在测得人体生物阻抗后，根据各种经验公式计算出人体成分比例。经验公式一般通过生物阻抗测量所得的阻抗值与双能X射线吸收测量法等专业直接测试所测结果进行回归分析得到。现有的回归分析方法一般采取线性回归方式。线性回归模型假设生物电阻抗及身高、体重等其他参数与人体成分之间的关系是线性的，实际是一种线性建模，这种建模主要追求简单和方便，模型与实际情况之间存在的偏差会导致拟合优度较差。
技术实现思路
鉴于上述状况，有必要提供一种可提高测量计算精度的遗传算法改进的神经网络建模用于人体成分分析的方法。为解决上述技术问题，提供一种遗传算法改进的神经网络建模用于人体成分分析的方法，包括如下步骤：S1、采集多项人体生物电阻抗及身高、体重参数；S2、确定各项参数的初始权重和偏移量；S3、构建神经网络模型；S4、将各项参数的权重和偏移量数据输入神经网络模型后，输出最优权重和偏移量；S5、根据最优权重和偏移量确定人体成分含量值。在本专利技术上述遗传算法改进的神经网络建模用于人体成分分析的方法中，所述步骤S3中的神经网络模型包括输入层、隐含层和输出层，所述输入层包括多项人体参数变量单元，所述输出层包括人体成分参数值单元，将人休参数变量通过所述输入层传给所述隐含层得到连接权值，所述隐含层分别连接所述输入层和所述输出层，通过所述隐含层将连接权值传给所述输出层，所述输出层通过人体成分参数单元输出最优人体成分参数值。在本专利技术上述遗传算法改进的神经网络建模用于人体成分分析的方法中，所述步骤S4具体包括如下步骤：S41、将各层权值和偏移量作为基因，随机生成基因群；S42、逐一计算基因群中各个体针对人体成分参数的拟合优度；S43、选取基因群中拟合优度较佳的优秀基因个体进行切断重组，作交叉遗传操作；S44、对交叉遗传操作产生的新基因群，选取一部分个体进行随机变异操作；S45、用交叉遗传和变异操作后生成的新基因群组，逐一计算各个体的拟合优度；S46、当经过多次步骤S42至S45迭代，得到最优人体成分参数后，停止迭代，获得最优基因个体。本专利技术采取神经网络建模的方式，并用遗传算法进行改进。神经网络建模的优点是，可以充分逼近任意复杂的非线性关系，可学习和自适应不知道或不确定的系统。而遗传算法的引入，可对神经网络的学习规则实现自动优化并能提高神经网络权系数的优化速度。与现有技术相比，本专利技术由于采用基于神经网络建模可充分逼近任意复杂非线性关系，可学习和自适应不确定性系统的优势，实现生物电阻抗、身高、体重等参数与人体成分之间的最优建模；利用遗传算法的特点，对神经网络模型进行优化加速；提高拟合优度从而提高生物电阻抗方法测量人体成分的精度。对人体生物阻抗参数进行计算，得到的人体成分参数与双能X射线吸收测量法等专业直接测试所测结果在相关性、显著性差异等统计指标方面明显由于传统的线性回归经验公式。附图说明图1是本专利技术遗传算法改进的神经网络建模用于人体成分分析的方法的原理结构图。具体实施方式下面将结合附图及实施例对本专利技术遗传算法改进的神经网络建模用于人体成分分析的方法作进一步的详细说明。本专利技术实施例的一种遗传算法改进的神经网络建模用于人体成分分析的方法，包括如下步骤：S1、采集多项人体生物电阻抗及身高、体重参数，通过对若干样本进行测试，记录数据，测试内容包括人体的生物电阻抗值和对应的身高、体重等参数；S2、确定各项参数的初始权重和偏移量，通过对采集数据进行数学统计，计数各项数据的权重和偏移量值；S3、构建神经网络模型，通过确定神经网络模型结构，设定函数值；S4、将各项参数的权重和偏移量数据输入神经网络模型后，输出最优权重和偏移量；S5、根据最优权重和偏移量确定人体成分含量值。本专利技术遗传算法改进的神经网络建模用于人体成分分析的方法，如图1所示，步骤S3中的神经网络模型包括输入层、隐含层和输出层，所述输入层包括多项人体参数变量单元，所述输入层通过第一传递函数f把参数值Wij传给所述隐含层，所述隐含层包括有多项与所述输入层相对应的参数单元，所述隐含层分别连接所述输入层和所述输出层，所述隐含层通过第二传递函数g把参数值Wjk传给所述输出层，所述输出层包括多项人体成分参数单元，通过人体成分参数单元输出最优权重和偏移量。如图1所示，本专利技术遗传算法改进的神经网络建模用于人体成分分析的方法中，所述步骤S4具体包括如下步骤：S41、将各层权值和偏移量作为基因，随机生成基因群，如图1所述各层权值X1、X2、X3…XN和偏移量Wij随机生成基因群；S42、逐一计算基因群中各个体针对人体成分参数的拟合优度；S43、选取基因群中拟合优度较佳的优秀基因个体进行切断重组，作交叉遗传操作；S44、对交叉遗传操作产生的新基因群yj，选取一部分个体进行随机变异操作；S45、用交叉遗传和变异操作后生成的新基因群组，逐一计算各个体的拟合优度tk、zk；S46、当经过多次步骤S42至S45迭代，得到最优人体成分参数后，停止迭代，获得最优基因个体。本专利技术以各权重和偏移量构建遗传基因，随机生成一定数量的初始基因群，以针对测试样本的拟合优度作为选择判据，对初始基因群中的基因选取父母基因进行切段重组的遗传和变异操作，这样经过多代遗传迭代，可获得最佳拟合优度对应的基因，也就获得了最优权重和偏移量。以上所述，仅是本专利技术的较佳实施例而已，并非对本专利技术作任何形式上的限制，虽然本专利技术已以较佳实施例揭露如上，然而并非用以限定本专利技术，任何熟悉本专业的技术人员，在不脱离本专利技术技术方案范围内，当可利用上述揭示的
技术实现思路
做出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本专利技术技术方案内容，依据本专利技术的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本专利技术技术方案的范围内。本文档来自技高网...

【技术保护点】
一种遗传算法改进的神经网络建模用于人体成分分析的方法，其特征在于，包括如下步骤：S1、采集多项人体生物电阻抗及身高、体重参数；S2、确定各项参数的初始权重和偏移量；S3、构建神经网络模型；S4、将各项参数的权重和偏移量数据输入神经网络模型后，输出最优权重和偏移量；S5、根据最优权重和偏移量确定人体成分含量值。

【技术特征摘要】
1.一种遗传算法改进的神经网络建模用于人体成分分析的方法，其特征在于，包括如下步骤：S1、采集多项人体生物电阻抗及身高、体重参数；S2、确定各项参数的初始权重和偏移量；S3、构建神经网络模型；S4、将各项参数的权重和偏移量数据输入神经网络模型后，输出最优权重和偏移量；S5、根据最优权重和偏移量确定人体成分含量值。2.如权利要求1所述的遗传算法改进的神经网络建模用于人体成分分析的方法，其特征在于：所述步骤S3中的神经网络模型包括输入层、隐含层和输出层，所述输入层包括多项人体参数变量单元，所述输出层包括人体成分参数值单元，将人休参数变量通过所述输入层传给所述隐含层得到连接权值，所述隐含层分别连接所述输入层和所述输出层，通过...

【专利技术属性】
技术研发人员：杨林，
申请(专利权)人：深圳市伊欧乐科技有限公司，
类型：发明
国别省市：广东;44