一种基于多层感知器神经网络模型的健康评估系统和方法技术方案

本发明专利技术涉及一种基于多层感知器神经网络模型的健康评估系统和方法，首先从医疗数据库中提取样本，按照训练测试比例分别划分训练样本数和测试样本数，以此构建模拟的神经网络结构模型，再采用决策技术、预测技术和模拟技术，重新调整不同人群健康评估过程中健康现状及影响因素实时控制管理模式，并运用测试样本对模拟的神经网络结构模型进行迭代验证，在迭代验证过程中通过优化网络的平滑因子来提高评估模式的精确度，得到最终模型后不断优化整体模型评估效果。本发明专利技术在常规评估人群健康状况的基础上，运用数据挖掘技术中的多层感知器神经网络模型可视化评估人群的健康状态，构建了一种新型的健康评估模式，能协助健康风险管理和管控措施选择。和管控措施选择。和管控措施选择。

【技术实现步骤摘要】
一种基于多层感知器神经网络模型的健康评估系统和方法


[0001]本专利技术涉及人体健康评估
，具体地说，是一种基于多层感知器神经网络模型的健康评估系统和方法。

技术介绍

[0002]通常来说，健康评估可以细分为狭义和广义两种。狭义的健康评估就是医生在对病人进行诊断前，通过对病人身体和心理状态的询问，综合判断其健康状况。而广义的健康评估，既关注病人过往病史、家族遗传史、家庭用药等情况，又关注其他家庭成员的健康状况、家庭经济水平和社会环境等。同时随着健康内涵的不断丰富，健康评估的范畴逐渐扩大，通过智能算法技术和大数据技术提供的简易健康评估，逐渐成为人们关注自身健康的途径之一。
[0003]现有的健康评估和管理方法更多将关注放在症状诊断、量表健康评估和定量诊断上，但这些方法都依赖于专业的医学背景和知识，缺少一种普适的对系统的研究方法。现有的对于健康评估的研究也主要集中在脑电信号、心电信号、与疾病相关的DNA等方面，基于生理参数的人体健康评估比较少见。为了进一步提高人体健康评估的准确性和稳定性，国内外学者提出了许多智能算法，如遗传算法、提升方法、模糊集等。这些算法虽然取得了一些成果，但也都有局限性。因此如何同时提高进行人群的健康评估和控制评估的高效能成为了亟需研究的问题。目前也并未有适合的算法及系统能够解决上述的问题。
[0004]中国专利申请：CN114626469A，公告日：2022.06.14，公开了一种基于多层感知器模型的脑卒中肢体康复方法、装置及系统，所述方法包括：提示使用者进行肢体动作的运动想象；获取使用者的运动想象脑电信号；对所述运动想象脑电信号进行处理，得到滑动窗口脑电信号数据；将所述滑动窗口脑电信号数据输入训练完成的时空域多层感知器神经网络模型；获取所述时空域多层感知器神经网络模型输出的运动想象辨识结果；根据所述运动想象辨识结果引导神经肌肉电刺激仪对使用者肢体的肌肉进行电刺激治疗。本专利技术提供的脑卒中肢体康复方法，能够实现对EEG脑电信号的准确获取、有效辨识和正确分类，通过识别使用者的动作意图，对手部肌肉神经进行电刺激治疗，协助使用者完成康复训练。
[0005]上述专利虽然提供了一种基于多层感知器模型的脑卒中肢体康复方法、装置及系统，但是并不能用于健康评估领域，而目前也未见如本申请所述的基于多层感知器神经网络模型的健康评估系统和方法。

技术实现思路

[0006]本专利技术的目的是，提供一种基于多层感知器神经网络模型的健康评估系统。
[0007]本专利技术的再一的目的是，提供一种基于多层感知器神经网络模型的健康评估方法。
[0008]为实现上述目的，本专利技术采取的技术方案是：
[0009]一种基于多层感知器神经网络模型的健康评估系统，其特征在于，包括医疗数据
库和多层感知器网络神经算法模型，所述医疗数据库用于健康评估，所述多层感知器网络神经算法模型用于复杂数据库进行运算。
[0010]作为一个优选例，所述医疗数据库包括样本集和不同人群的健康资料的基本信息与医疗指标，所述样本集包括一般人口学特征、主要疾病患病情况、人体生理参数及其他参数，所述基本信息包括：年龄、性别、身高、体重、BMI等；所述医疗指标包括：生理参数、生化参数、血脂指标、心电图频率等。
[0011]作为另一优选例，所述多层感知器网络神经算法模型包括以下步骤：S01、隐藏层层数的确定；S02、隐藏层节点数的确定；S03、学习率因子α的确定；S04、动量因子β的选取；S05、激活函数的选取；S06、训练测试比例的确定；S07、优化算法的确定。
[0012]更优选地，所述步骤S02中明确隐藏层节点数测算的主要条件有：全部节点数之和必须小于N
‑
1，所述N为训练样本数；网络结构模型的连接权数小于训练样本数，两者之间的倍数处于2
‑
10倍间。
[0013]更优选地，所述步骤S03在迭代过程中，新的学习率为原始学习率乘以常数φ，表达式为：α(t+1)＝α(t)*φ，当总误差函数VE＜0时，所述常数φ的取值范围为：0.001＜φ＜1；当总误差函数VE＞0时，所述常数φ的取值范围为：1＜φ＜50。
[0014]更优选地，所述步骤S04在权值的调节修改过程中，利用上次的权值变化量以平滑学习路径，表达式为：W(t+1)＝W(t)+βVW(t)，所述W(t)为第t次迭代中的主要权值，所述βVW(t)为记忆t权值的调节变化方向，所述常数β取值的主要范围为0～t。
[0015]更优选地，所述步骤S05中采用的Sigmoid函数表达式为：
[0016][0017]，所述参数A用于调整数据的整体变化趋势和范围，促进原来平缓区的变化率不断加快，取值范围为：0.01＜A＜100；所述参数B一般选择1，使函数灵敏度较高；所述参数C用于消除数据中的不灵敏区间，不断增加数据的变化区域，取值范围为：1＜C＜100。
[0018]为实现上述第二个目的，本专利技术采取的技术方案是：
[0019]一种基于多层感知器神经网络模型的健康评估方法，其特征在于，该方法包括：
[0020]S1、构造一个模拟的神经网络结构模型，包括
[0021]S11、按照训练测试比例分别划分训练样本数和测试样本数；
[0022]S12、利用训练样本进行不同人群内所患疾病和影响因素之间关系的模拟计算；
[0023]S13、在有限个样本间学习训练，排除变量间的相互关联性和复杂性；
[0024]S2、训练样本迭代模型，并初步得到最终模型，包括：
[0025]S21、采用决策技术、预测技术和模拟技术，重新调整不同人群健康评估过程中健康现状及影响因素，实时控制管理模式；
[0026]S22、实时反馈各种情况下的人健康数据信息；
[0027]S23、运用测试样本对模拟的神经网络结构模型进行迭代验证；
[0028]S24、达到满意逼近整体样本的内涵规律后，初步得到最终模型；
[0029]S3、优化整体模型评估效果，包括：
[0030]S31、训练样本迭代模型过程中，优化网络的平滑因子来提高评估模式的精确度；
[0031]S32、进行仿真实验验证对比，减少隐藏层神经元个数；
[0032]S33、降低模型的复杂度，优化整体模型评估效果。
[0033]作为一个优选例，所述训练样本数和测试样本数均从医疗数据库中获取。
[0034]本专利技术优点在于：
[0035]1、本专利技术在常规评估人群健康状况的基础上，将现代医疗与工程思维交叉、融合与渗透，运用数据挖掘技术中的多层感知器神经网络模型可视化评估人群的健康状态，多层次多维度的展开对人群的健康评估，使评估结果更具有说服力，并构建了一种新型的健康评估模式，能协助健康风险管理和管控措施选择。
[0036]2、本专利技术将人体生理参数及其他参数组成样本集进行训练，通过参数变化和相互作用情况，把同一时刻的输出结果分为健康、亚健康、不健本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多层感知器神经网络模型的健康评估系统，其特征在于，包括医疗数据库和多层感知器网络神经算法模型，所述医疗数据库用于健康评估，所述多层感知器网络神经算法模型用于复杂数据库进行运算。2.根据权利要求1中所述的基于多层感知器神经网络模型的健康评估系统，其特征在于，所述医疗数据库包括样本集和不同人群的健康资料的基本信息与医疗指标，所述样本集包括一般人口学特征、主要疾病患病情况、人体生理参数及其他参数，所述基本信息包括：年龄、性别、身高、体重、BMI等；所述医疗指标包括：生理参数、生化参数、血脂指标、心电图频率等。3.根据权利要求1中所述的基于多层感知器神经网络模型的健康评估系统，其特征在于，所述多层感知器网络神经算法模型包括以下步骤：S01、隐藏层层数的确定；S02、隐藏层节点数的确定；S03、学习率因子α的确定；S04、动量因子β的选取；S05、激活函数的选取；S06、训练测试比例的确定；S07、优化算法的确定。4.根据权利要求3中所述的基于多层感知器神经网络模型的健康评估系统，其特征在于，所述步骤S02中明确隐藏层节点数测算的主要条件有：全部节点数之和必须小于N
‑
1，所述N为训练样本数；网络结构模型的连接权数小于训练样本数，两者之间的倍数处于2
‑
10倍间。5.根据权利要求3中所述的基于多层感知器神经网络模型的健康评估系统，其特征在于，所述步骤S03在迭代过程中，新的学习率为原始学习率乘以常数φ，表达式为：α(t+1)＝α(t)*φ，当总误差函数VE＜0时，所述常数φ的取值范围为：0.001＜φ＜1；当总误差函数VE＞0时，所述常数φ的取值范围为：1＜φ＜50。6.根据权利要求3中所述的基于多层感知器神经网络模型的健康评估系统，其特征在于，所述步骤S04在权值的调节修改过程中，利用上次的权值变化量以平滑学习...

【专利技术属性】
技术研发人员：高玮，袁筱祺，
申请(专利权)人：上海市眼病防治中心，
类型：发明
国别省市：