基于BP神经网络的人体健康状况识别方法技术
Human health condition recognition method based on BP neural network
The invention relates to a human body recognition method based on BP neural network, which comprises the following steps: S1, will not suffering from major diseases people's physiological and psychological and behavior index of actual measured value could be obtained by processing each index normalized value; S2, BP neural network is initialized; S3, BP neural network recognition training S4; and treat human body recognition measurement test, actual measurement value of the selected indicators of the human body; the health status of S5, identified by the trained BP neural network to identify people. The invention of multiple reaction of human health physiology, psychology and behavior index value of effective integration, and through the identification results of BP neural network model is given not only the recognition of human health, the health status of the more simple and intuitive, and the evaluation results of the non professional staff clearly understand their own health status the prevention of human activities, life adjustment and even disease and treatment have important guiding significance.
【技术实现步骤摘要】
本专利技术属于人体健康状况识别
，具体涉及一种基于BP神经网络的人体健康状况识别方法。
技术介绍
随着人们医疗保健意识的提高，人们越来越注重身体健康。华盛顿大学、南加州大学和科罗拉多大学的联合研究表明，随着未来几十年老龄化的发展，对于人体健康状态的评估变得越发重要。与此同时，随着医学的不断进步，越来越多的人逐渐将关注点从后期的诊断治疗逐渐地向前期的预防方向推移。基于目前生物医学领域的研究现状可知：人体的体重指数(BMI)、体温、血压、血脂、血糖、红细胞数以及白细胞数等生理参数对人体健康状况有着重要的影响。但目前的医疗机构以及相关的健康机构仅仅局限于提供各个人体指标参数的监测值，所提供的监测值也是供医疗人员阅读的最原始的专业数据，对于没有太多临床经验的医学工作者以及非专业人员而言，很难根据这些未经过处理的专业数据简单、直观、准确地了解人体当前的健康状况。基于目前心理学领域的研究现状可知：心理状态对人的健康状况有重大影响。但是目前的医疗机构以及相关的健康机构或是学术机构在研究人体整体的健康状况时并没有综合考虑心理量表与生理参数的作用。
技术实现思路
针对上述现有技术中的不足，本专利技术要解决的技术问题是提供一种基于BP神经网络的人体健康状况识别方法，本评价方法整合了目前用于评估人体生理和心理健康状况的体重指数(BMI)、体温、血压、血脂、血糖、红细胞数以及白细胞数等人体生理参数信息和汉密尔顿抑郁量表(HAMD),汉密尔顿焦虑量表(HAMA)，YALE-BROWN强迫量表，SCL90症状自评量表以及尼古丁依赖程度评估表(FTND)等心理或行为方式量表，通过信...
【技术保护点】
一种基于BP神经网络的人体健康状况识别方法，其特征在于包括如下步骤：S1、将已知的不包括患有重大疾病者的人群的生理、心理和行为方式的指标实际测量值进行归一化处理，得到各指标的归一化值；S2、BP神经网络结构初始化；S3、将前述人群的各指标的归一化值输入BP神经网络，对BP神经网络进行识别训练；S4、对待识别人进行测量与测试，得到选定人体指标的实际测量值；S5、利用训练好的BP神经网络对待识别人进行健康状况识别。
【技术特征摘要】
1.一种基于BP神经网络的人体健康状况识别方法，其特征在于包括如下步骤：S1、将已知的不包括患有重大疾病者的人群的生理、心理和行为方式的指标实际测量值进行归一化处理，得到各指标的归一化值；S2、BP神经网络结构初始化；S3、将前述人群的各指标的归一化值输入BP神经网络，对BP神经网络进行识别训练；S4、对待识别人进行测量与测试，得到选定人体指标的实际测量值；S5、利用训练好的BP神经网络对待识别人进行健康状况识别。2.根据权利要求1所述的基于BP神经网络的人体健康状况识别方法，其特征在于包括如下步骤：S1、测量未患有重大疾病者的人群的年龄、性别、肺活量、握力、红细胞数、反应时、台阶测试、体重指数(BMI)、空腹血糖(FPG)、心率、血脂、白细胞数、骨密度、腰臀比值、餐后2h血糖(2hPPG)、舒张压、收缩压、血小板数、血清总胆固醇、汉密尔顿抑郁量表(HAMD)、汉密尔顿焦虑量表(HAMA)、YALE-BROWN强迫量表、SCL90症状自评量表、匹茨堡睡眠质量指数量表(PSQI)、密西根酒精依耐筛查量表MAST(加权法)、尼古丁依赖程度评估表(FTND)和每日平均工作时长共27个指标的数值，此时n＝27，并设i为按照前述顺序排列的第i个指标的序号；对各个指标的数值进行归一化处理；其中，所述肺活量或握力或台阶测试的数值采用升半梯形分布函数进行归一化处理，所述升半梯形分布函数的公式如下： f i ( x i ) = 0 x i ≤ a i ( 1 ) x i - a i ( 1 ) a i ( 2 ) - a i ( 1 ) a i ( 1 ) < x i < a i ( 2 ) 1 x i ≥ a i ( 2 ) , i = 3 , 4 , 7 - - - ( 1 ) ]]>式(1)中，xi为人体肺活量或握力或台阶测试的实际测量值，为预设的肺活量或握力或台阶测试的下限阈值，为预设的肺活量或握力或台阶测试的上限阈值，fi(xi)为人体肺活量或握力或台阶测试的实际测量值归一化后的值；所述反应时或腰臀比值或汉密尔顿抑郁量表(HAMD)或汉密尔顿焦虑量表(HAMA)或YALE-BROWN强迫量表或SCL90症状自评量表或匹茨堡睡眠质量指数量表(PSQI)或密西根酒精依耐筛查量表MAST(加权法)或尼古丁依赖程度评估表(FTND)或每日平均工作时长共10个指标的数值采用降半梯形分布函数进行归一化处理，所述降半梯形分布函数的公式如下：式(2)中，xi为上述10个指标中的第i个指标的实际测量值，为上述10个指标中的第i个指标的下限阈值，为上述10个指标中的第i个指标的上限阈值，fi(xi)为上述10个指标中的第i个指标的实际测量值归一化后的值；所述红细胞数或体重指数(BMI)或血糖或心率或血脂或白细胞数或骨密度或餐后2小时血糖(2hPPG)或舒张压或收缩压或血小板数或血清总胆固醇共12个指标的数值采用梯形分布函数进行归一化处理，所述梯形分布函数的公式如下：式(3)中，xi为上述12个指标中的第i个指标的实际测量值，fi(xi)为上述12个指标中的第i个指标的实际测量值的归一化后的值，分别为上述12个指标中的第i个指标的极限低值、下限阈值、上限阈值和极限高值；所述年龄按照如下公式进行归一化处理： f 1 ( x 1 ) = x 1 - a 1 ( 1 ) a 1 ( 2 ) - a 1 ( 1 ) , - - - ( 4 ) ]]>式(4)中，x1为数据中年龄的实际测量值，f1(x1)为数据中年龄的实际测量值的归一化后的值，分别为数据中年龄的第i个指标的极限低值和极限高值；所述性别按照如下公式进行归一化处理：式(5)中，x2为性别的实际测量值，f2(x2)为性别的实际测量值的归一化后的值；S2、BP神经网络模型包括输入层、隐含层和输出层；根据输入序列X确定输入层节点数即指标个数n，X＝(x1,x2,...,xn)；根据输出序列Y确定络输出层节点个数m＝3，Y＝(Y1,Y2,Y3)，健康状况识别为三类：健康、亚健康和慢性病，其中健康对应的输出序列为(1，0，0)，亚健康对应的输出序列为(0，1，...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。