一种基于BP神经网络的肥胖症预测系统技术方案

本公开公开了一种基于BP神经网络的肥胖症预测系统，包括：数据采集模块通过超声诊断仪采集测试者肱二头肌与腹部的脂肪厚度，获取与所述脂肪厚度对应的测试者体质信息；影响因子筛选模块构建BP神经网络，以脂肪厚度和测试者体质信息构建的训练集与参照集作为输入，采用反向传播方法得到训练集与参照集中每个指标的权值，并筛选指标得到肥胖影响因子；模型构建与预测模块对肥胖影响因子加权重构，构建脂肪厚度预测模型，对获取的待测数据进行脂肪厚度的预测，根据脂肪厚度预测值与脂肪厚度阈值的比较得到肥胖症预测结果。明确表明指标与肥胖之间的关系，且能够得到各个影响因子的对预测结果的影响程度，提高预测的准确性。

【技术实现步骤摘要】
一种基于BP神经网络的肥胖症预测系统
本公开涉及医疗数据处理
，特别是涉及一种基于BP神经网络的肥胖症预测系统。
技术介绍
本部分的陈述仅仅是提供了与本公开相关的
技术介绍
信息，不必然构成在先技术。肥胖症本身不仅是独立的慢性疾病，同时也是心脑血管、肿瘤、糖尿病等其他慢性病的重要危险因素，对人群肥胖进行风险评估，将与肥胖相关的危险因素通过多因素的方法进行定量分析，帮助个人了解患肥胖风险，以实现预防和控制肥胖的发生；而专利技术人发现，利用传统的统计学方法来研究各因素与体重之间的关系只能得到一个模糊的结果，并不能明确表明各因素与肥胖之间直接关系，而且影响肥胖症的因素是多方面的，如果仅对某一个因素单独分析，具有一定的局限性，在多因素的分析中，对于影响肥胖症的影响因子以及各个影响因子的对预测结果的影响程度，是现有预测模型未能实现的。
技术实现思路
为了解决上述问题，本公开提出了一种基于BP神经网络的肥胖症预测系统，将能够直接反映肥胖症患者脂肪堆积程度的脂肪厚度为中间值，采集被测者的日常生理指标，通过各项生理指标对脂肪厚度的影响程度，构建脂肪厚度预测模型，以此获取肥胖症预测结果。为了实现上述目的，本公开采用如下技术方案：第一方面，本公开提供一种基于BP神经网络的肥胖症预测系统，包括：数据采集模块，用于通过超声诊断仪采集测试者肱二头肌与腹部的脂肪厚度，获取与所述脂肪厚度对应的测试者体质信息；影响因子筛选模块，用于构建BP神经网络，以脂肪厚度和测试者体质信息构建的训练集与参照集作为输入，采用反向传播方法得到训练集与参照集中每个指标的权值，并筛选指标得到肥胖影响因子；模型构建与预测模块，用于对肥胖影响因子加权重构，构建脂肪厚度预测模型，对获取的待测数据进行脂肪厚度的预测，根据脂肪厚度预测值与脂肪厚度阈值的比较得到肥胖症预测结果。第二方面，本公开提供一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成以下步骤：通过超声诊断仪采集测试者肱二头肌与腹部的脂肪厚度，获取与所述脂肪厚度对应的测试者体质信息；构建BP神经网络，以脂肪厚度和测试者体质信息构建的训练集与参照集作为输入，采用反向传播方法得到训练集与参照集中每个指标的权值，并筛选指标得到肥胖影响因子；对肥胖影响因子加权重构，构建脂肪厚度预测模型，对获取的待测数据进行脂肪厚度的预测，根据脂肪厚度预测值与脂肪厚度阈值的比较得到肥胖症预测结果。第三方面，本公开提供一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成以下步骤：通过超声诊断仪采集测试者肱二头肌与腹部的脂肪厚度，获取与所述脂肪厚度对应的测试者体质信息；构建BP神经网络，以脂肪厚度和测试者体质信息构建的训练集与参照集作为输入，采用反向传播方法得到训练集与参照集中每个指标的权值，并筛选指标得到肥胖影响因子；对肥胖影响因子加权重构，构建脂肪厚度预测模型，对获取的待测数据进行脂肪厚度的预测，根据脂肪厚度预测值与脂肪厚度阈值的比较得到肥胖症预测结果。与现有技术相比，本公开的有益效果为：本公开采用能够直接反映肥胖症患者脂肪堆积程度的脂肪厚度为中间值，通过被测者与生活方式有关的各项生理指标对脂肪厚度的影响程度，预测脂肪厚度值，以此获取肥胖症预测结果，将与肥胖相关的危险因素通过多因素的方法进行定量分析，帮助个人了解患肥胖风险，以实现预防和控制肥胖的发生。本公开建立个体肥胖风险评估系统，综合考虑多种因素对个体患肥胖的风险并进行量化评估，从而针对高危人群的生活方式有针对性的进行干预，及早预防或延缓肥胖及相关疾病的发生，减少肥胖对个体造成的健康负担，提高肥胖预测的便捷性、普适性、适用性。附图说明构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。图1为本公开实施例1提供的基于BP神经网络的肥胖症预测系统结构示意图；图2为本公开实施例1提供的BP神经网络结构示意图。具体实施方式：下面结合附图与实施例对本公开做进一步说明。应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属
的普通技术人员通常理解的相同含义。需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。实施例1如图1所示，本实施例提供一种基于BP神经网络的肥胖症预测系统，包括：数据采集模块，用于通过超声诊断仪采集测试者肱二头肌与腹部的脂肪厚度，获取与所述脂肪厚度对应的测试者体质信息，所述体质信息包括年龄、性别、运动心率、胰岛素水平和血糖浓度；影响因子筛选模块，用于构建BP神经网络，以脂肪厚度和测试者体质信息构建的训练集与参照集作为输入，采用反向传播方法得到训练集与参照集中每个指标的权值，比较训练集与参照集中同一个指标的权值，筛选得到肥胖影响因子；模型构建与预测模块，用于对肥胖影响因子加权重构，构建脂肪厚度预测模型，对获取的待测数据进行脂肪厚度的预测，根据脂肪厚度预测值与脂肪厚度阈值的比较得到肥胖症预测结果。肥胖是指吃进的食物所含的热量过多，若是长期超过机体的需要，多余的热量就会以脂肪的形式贮存起来；当人体内的脂肪贮存量明显超过正常人一般平均量，体重增加，并引起机体代谢、生理、生化的异常变化，此即为肥胖症。肥胖主要体现在脂肪细胞数量增多、体积增大，取决于体内脂肪细胞的数目和脂肪细胞内脂质(包括中性脂肪、碑脂、胆固醇等)含量的多少。正脂肪细胞数目、体积与肥胖及相关疾病关系密切，在肥胖、能量平衡、糖脂代谢以及慢性代谢疾病的相关研究中，常将脂肪细胞数目和体积作为评价脂肪组织形态和功能的重要指标。在本实施例中，根据身体质量指数法(BMI)将测试者划分为肥胖人群和正常人群，通过超声诊断仪采集测试者肱二头肌与腹部的脂肪厚度；或可以理解的，还可以通过体脂百分比、腰臀比、标准体重法等方法划分测试者。具体为：肱二头肌与腹部上的脂肪厚度可以准确反映整个身体的脂肪堆积程度，作为衡量肥胖的特征，并且不同体质的人肱二头肌与腹部的脂肪有明显的区别；在本实施例中，通过B型超声诊断仪对相应的部位进行测量；或可以理解的，利用近红外发射器发射至测试者的肱二头肌与腹部，利用光电传感器采集该部位的脂肪数据，近红外发射器用于发生红外光，并照射至待测部位上，由于红外光对身体组织的不同厚度所散射的光强不同，光电传感器采集身体组织在红外光照后散射的光强，并将光信号转化为电信号本文档来自技高网...

【技术保护点】
1.一种基于BP神经网络的肥胖症预测系统，其特征在于，包括：/n数据采集模块，用于通过超声诊断仪采集测试者肱二头肌与腹部的脂肪厚度，获取与所述脂肪厚度对应的测试者体质信息；/n影响因子筛选模块，用于构建BP神经网络，以脂肪厚度和测试者体质信息构建的训练集与参照集作为输入，采用反向传播方法得到训练集与参照集中每个指标的权值，并筛选指标得到肥胖影响因子；/n模型构建与预测模块，用于对肥胖影响因子加权重构，构建脂肪厚度预测模型，对获取的待测数据进行脂肪厚度的预测，根据脂肪厚度预测值与脂肪厚度阈值的比较得到肥胖症预测结果。/n

【技术特征摘要】
1.一种基于BP神经网络的肥胖症预测系统，其特征在于，包括：
数据采集模块，用于通过超声诊断仪采集测试者肱二头肌与腹部的脂肪厚度，获取与所述脂肪厚度对应的测试者体质信息；
影响因子筛选模块，用于构建BP神经网络，以脂肪厚度和测试者体质信息构建的训练集与参照集作为输入，采用反向传播方法得到训练集与参照集中每个指标的权值，并筛选指标得到肥胖影响因子；
模型构建与预测模块，用于对肥胖影响因子加权重构，构建脂肪厚度预测模型，对获取的待测数据进行脂肪厚度的预测，根据脂肪厚度预测值与脂肪厚度阈值的比较得到肥胖症预测结果。


2.如权利要求1所述的一种基于BP神经网络的肥胖症预测系统，其特征在于，所述体质信息包括年龄、性别、运动心率、胰岛素水平和血糖浓度。


3.如权利要求1所述的一种基于BP神经网络的肥胖症预测系统，其特征在于，所述影响因子筛选模块中，比较训练集与参照集中同一个指标的权值，筛选训练集中指标权值大于参照集的指标作为肥胖影响因子。


4.如权利要求1所述的一种基于BP神经网络的肥胖症预测系统，其特征在于，根据身体质量指数法将测试者划分为肥胖人群和正常人群，将肥胖人群对应的脂肪厚度和测试者体质信息构建为训练集，将正常人群对应的脂肪厚度和测试者体质信息构建为参照集。


5.如权利要求1所述的一种基于BP神经网络的肥胖症预测系统，其特征在于，所述BP神经网络中，将训练集与参照集的各个指标各设一个目标函数，并设权值初始值为1，通过反向传播法修正指标的权值。


6.如权利要求5所述的一种基于BP神经网络的肥胖症预测系统，其特征在于，对修正后的权值取绝对值，所述权值的绝对值大小代表该指标对肥胖的影响程度。

<...

【专利技术属性】
技术研发人员：刘森，邵增珍，吴泓辰，任亚伟，
申请(专利权)人：山东师范大学，
类型：发明
国别省市：山东;37