一种基于机器学习的人体健康综合评估方法技术

本发明专利技术公开了一种基于机器学习的人体健康综合评估方法，首先，确定人体健康评估的指标参数；采集人体健康评估的指标参数数据和健康状态，形成数据集；将数据集分为训练数据集T1和测试数据集T2；数据集中的每个样本包括指标参数数据X和健康状态Y；将数据集进行降维处理，得到降维的训练数据集T1(X1，Y)和测试数据集T2(X1，Y)；建立SVM支持向量机分类模型并采用训练数据集T1(X1,Y)进行模型训练；使用测试数据集T2(X1，Y)对模型进行调优，得到最优模型W；基于最优模型W对待预测数据YU进行预测，得到健康状态值YY；将健康状态值YY进行对应转换，得出人体健康状态。本发明专利技术的方法实现了基于人工智能技术来进行人体健康综合评估。于人工智能技术来进行人体健康综合评估。

【技术实现步骤摘要】
一种基于机器学习的人体健康综合评估方法


[0001]本专利技术涉及人体健康状态智能分析
，尤其是一种基于机器学习的人体健康综合评估方法。

技术介绍

[0002]随着社会的发展，人们越来越关心自己的身体健康状态。但是体检指标过于专业且项目过多，因身体差异，不是每项指标都完全达标，也不是每项指标都不达标，自己也很难了解自己身体健康状态。随着科技的发展，人工智能技术也得到快速发展，在医学领域的研究也非常广泛。近年来，基于机器学习、深度学习等人工智能技术的疾病预测方案相继被提出，使得疾病预测更加智能化、准确化和高效化。但是在人体健康综合评估方面研究较少，还没有一种基于人工智能技术来进行人体健康综合评估方法。

技术实现思路

[0003]针对当前人体健康综合评估方法缺乏智能化的问题，本专利技术提供了一种基于机器学习的人体健康综合评估方法。
[0004]本专利技术提供的基于机器学习的人体健康综合评估方法，步骤如下：
[0005]S1、通过调查确定人体健康评估的指标参数；
[0006]所述指标参数为与人体健康相关的生理参数，包括身高、体重、性别、年龄、心率、体温、血压、高低血压、血糖、血红蛋白、视力、腰围、排尿等在内的参数。
[0007]S2、采集人体健康评估的指标参数数据和健康状态，将指标参数数据和健康状态转换为数字型，形成数据集。
[0008]具体的是，首先采集获取身高、体重指数、性别、年龄、心率指标、体温指标、血压指标、高低血压参考值、中国人各年龄段血压参考值、血糖参考值、血红蛋白指标、视力指标、腰围指标、排尿指标等参数数据。
[0009]然后根据多数人体检资料数据和医生给出的参考数据，将对应身体生理参数得出的身体健康状态分别为健康、亚降康和不健康三种状态。健康、亚降康和不健康三种状态分别使用1、2、3数值表示，形成人体健康状态评估的数据集。
[0010]S3、按比例将数据集分为训练数据集T1和测试数据集T2；数据集中的每个样本包括指标参数数据X和健康状态Y，因此两个数据集也可以表示为训练数据集T1(X,Y)和测试数据集T2(X,Y)。
[0011]S4、将训练数据集T1(X,Y)和测试数据集T2(X,Y)进行主成分析PCA降维处理，获得到降维的训练数据集T1(X1，Y)和测试数据集T2(X1，Y)。
[0012]S5、建立SVM支持向量机分类模型，采用训练数据集T1(X1,Y)进行模型训练。
[0013]S6、使用测试数据集T2(X1，Y)对模型中的参数进行调优，得到最优模型W。
[0014]S7、基于最优模型W对人体待预测数据YU进行预测，得到健康状态值YY。
[0015]S8、将得到的健康状态值YY进行对应转换，得出人体健康状态。
[0016]优选的是，步骤S2得到的数据集中健康、亚健康、不健康样本数量的比例分别为50％、30％、20％。
[0017]优选的是，步骤S5中，建立SVM支持向量机分类模型，使用的核函数包括线性核函数、多项式核函数和高斯径向基核函数。
[0018]所述线性核函数如下：
[0019]k(x,y)＝x
T
y+c
[0020]所述多项式核函数如下：
[0021]k(x,y)＝(ax
T
y+c)
d
[0022]所述径向基核函数如下：
[0023]k(x,y)＝exp(
‑
γ||x
‑
y||2)
[0024]优选的是，步骤S6中，使用测试数据集T2(X1，Y)计算模型的分类准确性、精准度及召回率指标，以评估模型的性能，根据评估结果和需求，进一步调整模型核函数的配置参数，进一步优化分类模型，最终得到最优模型W。
[0025]优选的是，步骤S7具体是，所述待预测数据YU中的X部分与测试数据集T2中X部分格式相同，内容不同，数据YU中没有Y部分；使用最优模型W对待预测数据YU中的X进行分类预测，得到健康状态值YY，YY＝1、2或3；YY＝1对应健康；YY＝2对应亚健康，YY＝3对应不健康。
[0026]与现有技术相比，本专利技术的有益之处在于：
[0027]本专利技术将人工智能技术应用到人体健康综合评估方法中，实现了人体健康状态的快速，准备评价，便于人们准确了解自己身体健康状态。
[0028]本专利技术的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本专利技术的研究和实践而为本领域的技术人员所理解。
具体实施方式
[0029]以下对本专利技术的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本专利技术，并不用于限定本专利技术。
[0030]本专利技术公开了一种基于机器学习的人体健康综合评估方法，包括下述步骤：
[0031]步骤1：通过调查确定人体健康评估的指标参数；所述指标参数为与健康相关的生理参数，包括身高、体重、性别、年龄、心率、体温、血压、高低血压、血糖、血红蛋白、视力、腰围、排尿等参数。
[0032]步骤2：采集获取身高、性别、年龄、心率指标、血压指标、高低血压参考值、中国人各年龄段血压参考值、血糖参考值、体重指数、血红蛋白指标、实例指标、腰围指标、排尿指标等参数数据。
[0033]然后根据多数人体检资料数据和医生给出的参考数据，将对应身体生理参数得出的身体健康状态分别为健康、亚降康和不健康三种状态。健康、亚降康和不健康三种状态分别使用1、2、3数值表示，如表1所示，形成人体健康状态评估的数据集。
[0034]表1、数据集中的部分数据
[0035][0036]步骤3：将步骤2得到的数据集分为训练数据集T1和测试数据集T2。数据集中包括已标记的样本，心率、血压(收缩压)、血压(舒张压)、体重BMI、血红蛋白等作为样本中的X，健康状态作为样本中的Y。每个样本都有一组特征数据X和对应的类别标签Y。训练数据集T1和测试数据集T2都包括(X，Y)，分别表示为训练数据集T1(X，Y)和测试数据集T2(X，Y)。
[0037]步骤4：由于多个生理相关指标参数的多个特征构成了一个高维特征矩阵X，该数据是非线性的，数量太多会增加后续算法的空间和时间复杂度。因此需要通过空间转换，将高维数据到底维数据的降维操作。具体是：将训练数据集T1(X，Y)和测试数据集T2(X，Y)均进行主成分析PCA降维处理，得到降维的训练数据集T1(X1，Y)和测试数据集T2(X1，Y)。
[0038]步骤5：机器学习中采用LIBSVM库，选择适当的的核函数和参数配置来建立SVM支持向量机分类模型，常用的核函数包括线性核、多项式核和高斯径向基函数核等。LIBSVM是一个常用的SVM库，提供了多种编程语言的接口，如C++,Java,Python等。通过调用相应的接口函数，可以方便地实现SVM分类任务，并进行模型训练和预测。
[0039]模型建立以后，将训练数据集T1(X1,Y)输入到svm库中，根据选择的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的人体健康综合评估方法，其特征在于，步骤如下：S1、通过调查确定人体健康评估的指标参数；S2、采集人体健康评估的指标参数数据和健康状态，将指标参数数据和健康状态转换为数字型，形成数据集；S3、按比例将数据集分为训练数据集T1和测试数据集T2；数据集中的每个样本包括指标参数数据X和健康状态Y，即表示为训练数据集T1(X,Y)和测试数据集T2(X,Y)；S4、将训练数据集T1(X,Y)和测试数据集T2(X,Y)进行主成分析PCA降维处理，获得降维的训练数据集T1(X1，Y)和测试数据集T2(X1，Y)；S5、建立SVM支持向量机分类模型，采用训练数据集T1(X1,Y)进行模型训练；S6、使用测试数据集T2(X1，Y)对模型中的参数进行调优，得到最优模型W；S7、基于最优模型W对待预测数据YU进行预测，得到健康状态值YY；S8、将得到的健康状态值YY进行对应转换，得出人体健康状态。2.如权利要求1所述的基于机器学习的人体健康综合评估方法，其特征在于，步骤S1中，指标参数包括身高、体重、性别、年龄、心率、体温、血压、高低血压、血糖、血红蛋白、视力、腰围、排尿在内的参数。3.如权利要求1所述的基于机器学习的人体健康综合评估方法，...

【专利技术属性】
技术研发人员：张权，李爱华，黄未，王敏，黄莉，
申请(专利权)人：四川省智慧城乡大数据应用研究会，
类型：发明
国别省市：