CN103123669B - 一种基于遗传算法的人体体成分分析方法 - Google Patents

Abstract

本发明公开了一种基于遗传算法的人体体成分分析方法，具有如下步骤：选用八段人体阻抗模型，分析计算得出每段人体阻抗的表达式；设定多组不同的电压和电流，进而计算得出多组人体阻抗数据模型；利用赤池信息量准则，结合人体生理参数，计算所述每组人体阻抗数据模型的AIC值；选取拟合模型；对拟合模型的位置系数进行遗传进化，通过复制、交叉和变异操作确定拟合模型的未知参数，得到人体体成分预测公式。本发明提出的人体八段阻抗模型的求解方法可为八段阻抗测量技术提供理论参考，提出的基于遗传算法的人体体成分预测方法可提高人体体成分预测精度，为人体体成分研究和临床应用提供更为有效的检测手段。

Description

一种基于遗传算法的人体体成分分析方法

技术领域

本发明涉及一种人体体成分分析方法，尤其涉及一种基于遗传算法和人体八段阻抗模型的体成分分析方法。

背景技术

体成分测量方面有相关专利：

1.发明专利.体成分仪、测定结果输出方法及其程序产品,200980158396.X

2.发明专利.人体成分检测仪,201110442757.2

专利1利用多个电极来计算人体全身体成分值、按部位区分的体成分值以及按部位区分相对于全身体成分的比例，该设备可测量躯干部/全身、手臂部/全身、脚部/全身的比率；专利2利用多频率电信号、节段测量技术的人体成分测定仪器，可测量左右上肢、躯干和左右下肢的分段体成分值。

上述专利没有论及人体躯干细分问题，同时上述专利缺少人体体成分建模分析及预测方法的研究。

体成分测量方面有相关技术论文：

1．沙洪,赵舒,邓娟等.躯干细分电阻抗人体成分分析方法[J].中国医学装备.2009,4(5):18-21.

2．刘伟,王建平,张崇巍.基于SVM的生物电阻抗人体内脏脂肪测量研究.电子测量与仪器学报.2011,25(7):648-653.

3．MasatoN,HideakiK.EstimatingVisceralFatAreabyMulti-frequencyBioelectricalImpedance,EmergingTreatmentsandTechnologies2010;33:1077-1079.

文献1提出了基于躯干细分的人体八段阻抗模型，克服了全身BIA和传统五段法的缺陷，通过实验有效地区分胸部和腹部的人体成分影响，但是没有论及八段模型求解及其人体体成分参数的预测；

文献2提出了基于支持向量机（SVM）的生物电阻抗人体内脏脂肪测量方法，克服了人体内脏脂肪测量难以建立精确预测模型问题，通过实验与传统方法比较验证了算法的有效性，但是没有涉及人体分段测量建模与人体体成分参数的预测（文献仅限于内脏脂肪的预测）。

文献3提出了基于多频生物电阻抗的腹部脂肪评价方法，采用了实验手段和统计回归方法，构造了腹部脂肪模型，但是同样没有涉及人体分段测量建模与人体体成分参数的预测。

发明内容

本发明针对以上问题的提出，而提出的一种基于遗传算法的人体体成分分析方法，具有如下步骤：

选用八段人体阻抗模型，根据输入电压和电流，通过假设左右上肢阻抗值相同、左右下肢阻抗值相同，分析计算得出每段人体阻抗的表达式；

设定多组不同的电压和电流，由所述各段人体阻抗的表达式计算得出多组人体阻抗数据模型；

利用赤池信息量准则，结合人体生理参数，计算所述每组人体阻抗数据模型的AIC值；选取AIC值最小的一组模型作为拟合模型；

使用多组已知样本对拟合模型的位置系数进行遗传进化，通过复制、交叉和变异操作确定拟合模型的未知参数，得到人体体成分预测公式；

使用得到的预测公式，对未知样本进行分析，得出人体体成分参数。

分析计算八段人体阻抗模型中每段阻抗的方法如下：

将人体右上肢的阻抗值设为R₁、左上肢设为R₃、右下肢R₆、左下肢R₈、躯体右部纵向R₄、躯体左部纵向R₅、躯体部上部R₂、躯体部下部R₇；

在人体的左手、右手、左脚和右脚作为接入点，分别命名为a、b、c和d，在每个接入点各安置一个电流电极和一个电压电极；

得到6组以每段人体阻抗组为未知数的方程：

$(R_1+\frac{R_2*R_4}{R_2+R_4+R_5+R_6})*I=V_{\mathrm{ac}1}---\left(1\right)$

$(R_3+\frac{R_2*R_5}{R_2+R_4+R_5+R_6})*I=V_{\mathrm{bd}1}---\left(2\right)$

$\frac{R_2*R_6}{R_2+R_4+R_5+R_6}*I=V_{\mathrm{cd}1}---\left(3\right)$

$\frac{R_4*R_5}{R_2+R_4+R_5+R_6}*I=V_{\mathrm{ad}2}---\left(4\right)$

$(R_7+\frac{R_4*R_6}{R_2+R_4+R_5+R_6})*I=V_{\mathrm{cd}2}---\left(5\right)$

$(R_8+\frac{R_4*R_5}{R_2+R_4+R_5+R_6}+\frac{R_5*R_6}{R_2+R_4+R_5+R_6})*I=V_{\mathrm{bd}3}---\left(6\right)$

式(1)中，电流I加在左手与右手间，测量得到右手与右脚间的电压为V_ac1；

式(2)中，电流I加在左手与右手间，测量得到左手与左脚间的电压为V_bd1；

式(3)中，电流I加在左手与右手间，测量得到左脚与右脚间的电压为V_cd1；

式(4)中，电流I加在右脚与右手间，测量得到右手与左手间的电压为V_ad2；

式(5)中，电流I加在右脚与右手间，测量得到左脚与右脚间的电压为V_cd2；

式(6)中，电流I加在右手与左脚间，测量得到左手与左脚间的电压为V_bd3；

令R₁=R₃，R₆=R₈，X₁=V_ac1/I，X₂=V_bd1/I，X₃=V_cd1/I，X₄=V_ad2/I，X₅=V_cd2/I，X₆=V_bd3/I；

与式1-6联立解方程组可得，若令

p=mX₄-nX₃，q=mX₃-nX₃+2mX₄+X₃

计算可得人体八段阻抗值分别为：

R₁=R₃=X₂-mX₃

R₂=qX₃/p

R₄=mqX₄/p

R₅=q

R₆=qX₃/mp

R₇=R₈=X₅-mX₄X₃/p。

选用针对一般模型的赤池信息量准则公式：

AIC_H＝logσ²+(m/n)logn

式中，σ²为模型的方差，m为模型的最高参数，n为参数个数；

计算每组人体阻抗数据的AIC值，选取AIC值最小的人体阻抗数据模型作为拟合模型。

所述拟合模型如下：

f＝a₁R₂+a₂R₄+a₃R₅+a₄R₆+a₅R₁R₃+a₆R₇R₈+a₇S+a₈A+a₉H+a₁₀W+a₁₁R+ε

式中，a₁～a₁₁为拟合模型的未知系数，ε为误差。

令X＝[x₁,x₂,x₃,x₄,x₅,x₆,x₇,x₈,x₉,x₁₀,x₁₁]＝[R₂,R₄,R₅,R₆,R₁R₃,R₇R₈,S,A,H,W,R]

A＝[a₁,a₂,a₃,a₄,a₅,a₆,a₇,a₈,a₉,a₁₀,a₁₁]，则拟合模型f可表示为：

f(x)＝AX′+ε。

所述人体生理参数包括：S、A、H、W和R分别代表变量性别、年龄、身高、体重和种族。

所述遗传进化具体为：设定一组未知系数A＝[a₁,a₂,a₃,a₄,a₅,a₆,a₇,a₈,a₉,a₁₀,a₁₁]为种群中的一个个体，初始化生成M组未知参数形成初始子种群，即种群规模为M，进化代数计数器Gen的初始值设为1，最大遗传代数MaxGen设为500；

设定适应度函数fit(k)＝1/(f(x)-F)

其中f（x）为拟合模型计算结果，F为实验测量的实际值，k表示种群中的第K个个体；

在遗传进化过程中个体被选中的概率为

$P\left(k\right)=\frac{\mathrm{fit}\left(k\right)}{\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\mathrm{fit}\left(i\right)}$

式中，fit(k)为个体k的适应度，M为种群规模。

设定交叉概率P_C控制交叉操作的频度，P_C=0.7。设定变异概率P_m=0.01。

遗传算法迭代终止条件设定为：预测值与实际值的误差小于等于0.01或算法达到最大迭代次数达到500，即(f(x)-F)≤0.01或Gen≥500；满足以上迭代终止条件之一时，终止计算，以具有最大适应度的个体作为最优解输出。

由于采用了上述技术方案，本发明提出的人体八段阻抗模型的求解方法可为八段阻抗测量技术提供理论参考，提出的基于遗传算法的人体体成分预测方法可提高人体体成分预测精度，为人体体成分研究和临床应用提供更为有效的检测手段。

附图说明

为了更清楚的说明本发明的实施例或现有技术的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做一简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的流程图

图2为本发明的八段人体阻抗模型示意图

图3-a为本发明的电极分布图a；图3-b为本发明的电极分布图b；图3-c为本发明的电极分布图c

图4为本发明遗传算法遗传进化阶段算法设计流程图

图5为本发明实施例中样本1的遗传算法进化过程示意图

图6为本发明实施例中样本2的遗传算法预测结果与实际测量值的对比图

具体实施方式

为使本发明的实施例的目的、技术方案和优点更加清楚，下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚完整的描述：

如图所示：一种基于遗传算法的人体体成分分析方法，主要包括如下步骤：

选用八段人体阻抗模型，根据输入电压和电流，通过电路原理得到求解人体各段阻抗的方程组，通过关键步骤：假设上肢和下肢阻抗值相同，分析求解方程组，进而得出每段人体阻抗的数学表达表达式。

得到数学表达式之后，进行多组基础实验：设定多组不同包含不同电压和电流参数的实验条件，得到对应的参数，带入所述各段人体阻抗的表达式中，计算得出多组人体阻抗数据模型。

得到人体阻抗数据模型之后，利用赤池信息量准则，结合人体生理参数，计算所述每组人体阻抗数据模型的AIC值。选取AIC值最小的一组模型作为拟合模型。

使用多组已知样本对拟合模型的位置系数进行遗传进化，通过复制、交叉和变异操作确定拟合模型的未知参数，得到人体体成分预测公式。使用得到的预测公式，对未知样本进行分析，最终得出人体体成分参数。

现有技术中，有人提出了八段人体阻抗模型，但是并没有提出相关的解法，故本发明首次提出了八段人体阻抗模型的解法：

如图2所示：将人体右上肢的阻抗值设为R₁、左上肢设为R₃、右下肢R₆、左下肢R₈、躯体右部纵向R₄、躯体左部纵向R₅、躯体部上部R₂、躯体部下部R₇；

在人体的左手、右手、左脚和右脚作为接入点，分别命名为a、b、c和d，在每个接入点各安置一个电流电极和一个电压电极。通过在两个电流电极添加电流激励形成回路，通过不同的电压电极进行测量，得到该激励-测量模式下的电压值，计算相应段的阻抗结果。不同激励-测量模式下，电流流经人体的示意图如图3所示。

由电路原理可知，对于一个确定的四端口网络，有效的测量只有6组，如 下所示。对应于这六组有效测量方式的阻抗求解方程分别为：

$(R_1+\frac{R_2*R_4}{R_2+R_4+R_5+R_6})*I=V_{\mathrm{ac}1}---\left(1\right)$

$(R_3+\frac{R_2*R_5}{R_2+R_4+R_5+R_6})*I=V_{\mathrm{bd}1}---\left(2\right)$

$\frac{R_2*R_6}{R_2+R_4+R_5+R_6}*I=V_{\mathrm{cd}1}---\left(3\right)$

$\frac{R_4*R_5}{R_2+R_4+R_5+R_6}*I=V_{\mathrm{ad}2}---\left(4\right)$

$(R_7+\frac{R_4*R_6}{R_2+R_4+R_5+R_6})*I=V_{\mathrm{cd}2}---\left(5\right)$

$(R_8+\frac{R_4*R_5}{R_2+R_4+R_5+R_6}+\frac{R_5*R_6}{R_2+R_4+R_5+R_6})*I=V_{\mathrm{bd}3}---\left(6\right)$

式(1)中，电流I加在左手与右手间，测量得到右手与右脚间的电压为V_ac1；

式(2)中，电流I加在左手与右手间，测量得到左手与左脚间的电压为V_bd1；

式(3)中，电流I加在左手与右手间，测量得到左脚与右脚间的电压为V_cd1；

式(4)中，电流I加在右脚与右手间，测量得到右手与左手间的电压为V_ad2；

式(5)中，电流I加在右脚与右手间，测量得到左脚与右脚间的电压为V_cd2；

式(6)中，电流I加在右手与左脚间，测量得到左手与左脚间的电压为V_bd3；

由阻抗模型可知，待测阻抗值有八个。通过上面的六个方程还不能得到所有阻抗值，在方程的解中会含有两个未知数，此方程组为一个不定方程组。要求解全部八段阻抗值，还需找出与上述方程组线性无关的两个方程。临床研究表明，人体左右两侧并不是绝对对称的，但在人体的不同部位则表现出不同程度的对称性。在人体躯干部，由于内脏在体内的分布不均，因而表现出较差的对称性；但在人体的四肢部分，则表现出较高程度的对称性。作为人体成分测量的估计方法，在没有确切的肢体疾患和可见的肢体不对称情况下，可认为人体的左右上肢和左右下肢基本对称，即阻抗值相同。

由以上分析可知，不妨设：

R₁=R₃，R₆=R₈，X₁=V_ac1/I，X₂=V_bd1/I，X₃=V_cd1/I，X₄=V_ad2/I，X₅=V_cd2/I，X₆=V_bd3/I；

与式1-6联立解方程组可得，若令

p=mX₄-nX₃，q=mX₃-nX₃+2mX₄+X₃

计算可得人体八段阻抗值分别为：

R₁=R₃=X₂-mX₃

R₂=qX₃/p

R₄=mqX₄/p

R₅=q

R₆=qX₃/mp

R₇=R₈=X₅-mX₄X₃/p

即得到关于八段阻抗的全部表达式。

R₁～R₈、S、A、H、W、R等基本特征参数称为第1特征参数。使用第1特征参数的平方、倒数及乘积等的组合，得到第2特征参数：R_i ²、1/R_i、R_iR_j(1≤i≤8,1≤j≤8)。结合第1、2特征参数，可以得到候选特征参数，包括R₁～R₈、S、A、H、W、R、R_i ²、1/R_i、R_iR_j(1≤i≤8,1≤j≤8)。

为了得到尽可能简单、准确的模型，引入赤池信息量准则(AIC)作为评判标准，寻找可以最好的解释数据且包含最少自由参数的模型，使用相对较小的AIC来保证模型的简单性。AIC的定义值为：

AIC＝2k-2ln(L)

式中，k为参数个数，L为似然函数。

后来，针对不同的应用，AIC公式逐渐发展为以下三种模型：

AIC_H＝logσ²+(m/n)logn,对于一般模型

AIC_H＝logσ²+2(m/n)logn，对于不稳定模型

AIC_H＝logσ²+m，对于爆发性模型

式中，σ²为模型的方差，m为模型的最高参数，n为参数个数。

本文采用一般模型的AIC公式，模型选择结果如 下所示，按AIC值从小到大排列，式中，No.表示序号，n为变量个数，S、A、H、W、R分别代表变量性别、年龄、身高、体重、种族。

在发明实施例中，模型AIC计算结果如下表：

基于以上结果，选取了排名第一即AIC值最小的模型作为拟合模型，所得拟合模型如下：

f＝a₁R₂+a₂R₄+a₃R₅+a₄R₆+a₅R₁R₃+a₆R₇R₈+a₇S+a₈A+a₉H+a₁₀W+a₁₁R+ε

式中，a₁～a₁₁为拟合模型的未知系数，ε为误差。

令X＝[x₁,x₂,x₃,x₄,x₅,x₆,x₇,x₈,x₉,x₁₀,x₁₁]＝[R₂,R₄,R₅,R₆,R₁R₃,R₇R₈,S,A,H,W,R]

A＝[a₁,a₂,a₃,a₄,a₅,a₆,a₇,a₈,a₉,a₁₀,a₁₁]，则拟合模型f可表示为：

f(x)＝AX′+ε

在遗传进化阶段，利用已知样本对拟合模型的未知系数进行遗传进化，通过复制、交叉、变异操作，确定拟合模型各参数的未知系数，得到体成分的预测公式；在预测应用阶段，以训练好的预测公式，对未知的样本进行预测。遗传进化阶段算法设计流程图如图4所示。其中，fit为个体适应度函数，P_k为复制概率，P_c为交叉概率，P_m为变异概率，Gen为进化代数计数器。

编码及初始化

遗传算法中，最常用的编码方式有二进制编码和十进制编码。二进制编码使用的编码符号是由二进制符号“0”和“1”组成，其个体基因型是一个二进制编码符号串；十进制编码中个体基因值用某一范围内的实数来表示，个体的编码长度等于变量的个数。

二进制编码不够直观，不适合表示人体体成分预测问题。因此，本文算法的编码方式采用实数编码，一组未知系数为种群中的一个个体，即A＝[a₁,a₂,a₃,a₄,a₅,a₆,a₇,a₈,a₉,a₁₀,a₁₁]，个体中的每个基因为一个实数，实数的范围设定为[-100,100]。种群初始化时，随机生成M组未知参数组成初始子种群，即种群规模为M，进化代数计数器Gen的初始值设为1，最大遗传代数MAXGEN设为500。

适应度函数

在人体体成分预测中，人体体成分模型计算得到的结果f_k(x)与人体体成分实际值F_k越接近，所对应的个体，即人体体成分模型的未知系数A＝[a₁,a₂,a₃,a₄,a₅,a₆,a₇,a₈,a₉,a₁₀,a₁₁]的适应度就越高，由于适应度为非负，因此适应度函数可采用两者差值的倒数的绝对值，即：

$\mathrm{fit}=\left|\frac{1}{(f_k\left(x\right)-F_k)}\right|$

式中，f(x)＝AX′+ε，X＝[x₁,x₂,x₃,x₄,x₅,x₆,x₇,x₈,x₉,x₁₀,x₁₁]＝[R₂,R₄,R₅,R₆,R₁R₃,R₇R₈,S,A,H,W,R]，A＝[a₁,a₂,a₃,a₄,a₅,a₆,a₇,a₈,a₉,a₁₀,a₁₁]，k表示种群中的第k个个体。

遗传算子设计

（1）选择

在人体体成分预测过程中，个体的适应度越大即人体体成分拟合值与实际值越接近，其被选择的概率就越大。本算法的复制机制采用随机遍历抽样机制，个体被选中的概率P(k)为：

$P\left(k\right)=\frac{\mathrm{fit}\left(k\right)}{\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\mathrm{fit}\left(i\right)}$

式中，fit(k)为个体k的适应度，M为种群规模。

（2）交叉

交叉操作是遗传算法中产生新个体的主要方法，用于交叉概率P_c控制交叉操作的频度，一般P_c的取值范围为0.49-0.99。较大的交叉概率可增强遗传算法开辟新搜索区域的能力，但群体中优良的个体会遭到破坏；若交叉概率取值太小，交叉产生新个体的速度较慢，从而使搜索停滞不前。本算法选用单点交叉，交叉概率选为0.7。

一对父代个体A和B被选定作交叉操作，随机产生两个交叉点s和t，将其之间基因进行交换，实例如下：

父代个体记为：

交叉后的新个体：

（3）变异

变异算子是对个体串的某些基因值作变动，交叉之后子代基因按小概率扰动产生的变化。变异概率P_m直接影响到算法的收敛性和最终解的性能，一般P_m的取值范围为0.0001-0.1。若变异概率的取值较大，会使算法能够不断的搜索新的解空间，增加模式的多样性，但变异概率过大会影响算法的收敛性；若取值太小，变异操作产生的新个体的能力和抑制早熟现象的能力就会很差。本算法的交叉概率选为0.01。

采用简单的交换方法作为变异算子，在给定变异率下进行变异。随机选择一个0到1之间的小数，当此数小于变异率时对子染色体进行变异。

一个父代个体C被选定作变异操作，随机产生一个变异点s，将其之后的基因进行交换，实例如下：

父代个体记为：

变异后的新个体：

迭代终止条件

迭代停止条件一般是：某代群体中的最差个体与最好的个体适应度的差不大于某个数；所求解达到可接受范围；最佳个体连续保持一定代数；算法迭代次数达到最大迭代次数。满足以上迭代终止条件之一时，则终止计算，并以具有最大适应度个体作为最优解输出。最大迭代次数表示遗传算法运行到指定的进化代数之后就停止运行，一般取值范围为100-1000。

本文的遗传算法迭代终止条件设定为：预测值与实际值的误差小于等于0.01或算法达到最大迭代次数达到500，即(f(x)-F)≤0.01或Gen≥500。满足以上迭代终止条件之一时，则终止计算，并以具有最大适应度的个体作为最优解输出。

利用已知样本对拟合模型的未知系数进行遗传进化，已知样本中包含人体的八段阻抗值、性别、年龄、身高、体重、种族以及人体成分实际值，通过复制、交叉、变异操作，使不同参数的未知系数不断调整，确定拟合模型各参数的未知系数，得到体成分的预测公式，利用所得的预测公式即可通过人体八段阻抗值及生理参数预测未知样本的体成分。

为验证基于遗传算法的人体体成分分析方法的准确性，在实施例中设计了以上述方法为基础的人体体成分测量系统、TanitaViscan腹部脂肪仪的对比验证实验，以MATLAB为仿真工具，使用的工具箱为英国设菲尔德大学开发的遗传算法工具箱函数。

实验将已知样本（包括测得的人体八段阻抗值R₁～R₈、性别S、年龄A、身高H、体重W、种族R及TanitaViscan腹部脂肪仪测得的人体腹部脂肪含量百分比）随机分为样本1和样本2，样本1用于遗传算法的进化得到拟合模型的回归参数，然后用样本1所得的拟合模型对样本2的进行预测，并将得到的人体成分预测结果与样本2的测量结果进行对比验证，以判断拟合模型的误差。样本1和样本2的特征参数、阻抗测量结果及人体腹部脂肪测量结果如 下所示。其中，性别为男时其值为1，性别为女时其值为2，Fat指测得的人体腹部脂肪含量百分比。由于已知样本中，其种族特征均为黄种人，因而此项参数值设定默认为1。

样本1特征统计及阻抗测量结果

样本2特征统计及阻抗测量结果

基于样本1的遗传算法进化过程如图4所示。由图4可以看出，当迭代次数达到42次以后，种群均值及解的变化均达到了最优值。由此可知，将遗传算法应用于人体腹部脂肪含量的预测，模型的训练速度得到提高，从而使预测的速度也得以提高。

基于样本2的遗传算法预测结果与实际测量值对比图如图5所示。由图5可以看出，当受试者的腹部脂肪含量过低或过高时，基于遗传算法的人体腹部脂肪含量预测值与测量值的相关性为0.9544；当受试者的腹部脂肪含量较为适中时，基于遗传算法的人体腹部脂肪含量预测值与测量值的相关性为0.9751。结果表明，基于遗传算法和生物电阻抗预测的人体腹部脂肪含量，预测值与测量值显示了良好的相关性，预测具有相当的准确性。

利用已知样本对拟合模型的未知系数进行遗传进化，已知样本中包含人体的八段阻抗值、性别、年龄、身高、体重、种族以及人体成分实际值，通过复制、交叉、变异操作，使不同参数的未知系数不断调整，确定拟合模型各参数的未知系数，得到体成分的预测公式，利用所得的预测公式即可通过人体八段阻抗值及生理参数预测未知样本的体成分。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (4)

1.一种基于遗传算法的人体体成分分析方法，具有如下步骤：

选用八段人体阻抗模型，根据输入电压和电流，通过假设左右上肢阻抗值相同、左右下肢阻抗值相同，分析计算得出每段人体阻抗的表达式；

设定多组不同的电压和电流，由所述各段人体阻抗的表达式计算得出多组人体阻抗数据模型；

利用赤池信息量准则，结合人体生理参数，计算所述每组人体阻抗数据模型的AIC值；选取AIC值最小的一组模型作为拟合模型；

使用多组已知样本对拟合模型的未知系数进行遗传进化，通过复制、交叉和变异操作确定拟合模型的未知参数，得到人体体成分预测公式；

使用得到的预测公式，对未知样本进行分析，得出人体体成分参数；

分析计算八段人体阻抗模型中每段阻抗的方法如下：

将人体右上肢的阻抗值设为R₁、左上肢设为R₃、右下肢R₆、左下肢R₈、躯体右部纵向R₄、躯体左部纵向R₅、躯体部上部R₂、躯体部下部R₇；

在人体的左手、右手、左脚和右脚作为接入点，分别命名为a、b、c和d，在每个接入点各安置一个电流电极和一个电压电极；

得到6组以每段人体阻抗组为未知数的方程：

$\left(R_1+\frac{R_2*R_4}{R_2+R_4+R_5+R_6}\right)*I=V_{ac1}---\left(1\right)$

$(R_3+\frac{R_2*R_5}{R_2+R_4+R_5+R_6})*I=V_{bd1}---\left(2\right)$

$\frac{R_2*R_6}{R_2+R_4+R_5+R_6}*I=V_{cd1}---\left(3\right)$

$\frac{R_4*R_5}{R_2+R_4+R_5+R_6}*I=V_{ad2}---\left(4\right)$

$(R_7+\frac{R_4*R_6}{R_2+R_4+R_5+R_6})*I=V_{cd2}---\left(5\right)$

$(R_8+\frac{R_4*R_5}{R_2+R_4+R_5+R_6}+\frac{R_5*R_6}{R_2+R_4+R_5+R_6})*I=V_{bd3}---\left(6\right)$

式(1)中，电流I加在左手与右手间，测量得到右手与右脚间的电压为V_ac1；

式(2)中，电流I加在左手与右手间，测量得到左手与左脚间的电压为V_bd1；

式(3)中，电流I加在左手与右手间，测量得到左脚与右脚间的电压为V_cd1；

式(4)中，电流I加在右脚与右手间，测量得到右手与左手间的电压为V_ad2；

式(5)中，电流I加在右脚与右手间，测量得到左脚与右脚间的电压为V_cd2；

式(6)中，电流I加在右手与左脚间，测量得到左手与左脚间的电压为V_bd3；

令R₁＝R₃，R₆＝R₈，X₁＝V_ac1/I，X₂＝V_bd1/I，X₃＝V_cd1/I，X₄＝V_ad2/I，X₅＝V_cd2/I，X₆＝V_bd3/I；

与式1-6联立解方程组可得，若令

$m=\frac{X_1-X_2}{X_4+X_5-X_6},$ $n=\frac{X_1-X_2}{X_3},$ p＝mX₄-nX₃，q＝mX₃-nX₃+2mX₄+X₃

计算可得人体八段阻抗值分别为：

R₁＝R₃＝X₂-mX₃

R₂＝qX₃/p

R₄＝mqX₄/p

R₅＝q

R₆＝qX₃/mp

R₇＝R₈＝X₅-mX₄X₃/p

选用针对一般模型的赤池信息量准则公式：

AIC＝logσ²+(m/n)logn

式中，σ²为模型的方差；

计算每组人体阻抗数据的AIC值，选取AIC值最小的人体阻抗数据模型作为拟合模型；

所述拟合模型如下：

f＝a₁R₂+a₂R₄+a₃R₅+a₄R₆+a₅R₁R₃+a₆R₇R₈+a₇S+a₈A+a₉H+a₁₀W+a₁₁R+ε

式中，a₁～a₁₁为拟合模型的未知系数，ε为误差；

令X＝[x₁,x₂,x₃,x₄,x₅,x₆,x₇,x₈,x₉,x₁₀,x₁₁]＝[R₂,R₄,R₅,R₆,R₁R₃,R₇R₈,S,A,H,W,R]

A＝[a₁,a₂,a₃,a₄,a₅,a₆,a₇,a₈,a₉,a₁₀,a₁₁]，则拟合模型f可表示为：

f(x)＝AX′+ε

所述人体生理参数包括：S、A、H、W和R分别代表变量性别、年龄、身高、体重和种族；

所述遗传进化具体为：

设定一组未知系数A＝[a₁,a₂,a₃,a₄,a₅,a₆,a₇,a₈,a₉,a₁₀,a₁₁]为种群中的一个个体，初始化生成M组未知参数形成初始子种群，即种群规模为M，进化代数计数器Gen的初始值设为1，最大遗传代数MaxGen设为500；

设定适应度函数fit(k)＝1/(f(x)-F)

其中f(x)为拟合模型计算结果，F为实验测量的实际值，k表示种群中的第K个个体；

在遗传进化过程中个体被选中的概率为

$P\left(k\right)=\frac{fit\left(k\right)}{\underset{i=1}{\overset{M}{\Σ}}fit\left(i\right)}$

式中，fit(k)为个体k的适应度，M为种群规模。

2.根据权利要求1所述的一种基于遗传算法的人体体成分分析方法，其特征还在于：设定交叉概率P_C控制交叉操作的频度，P_C＝0.7。

3.根据权利要求1所述的一种基于遗传算法的人体体成分分析方法，其特征还在于：设定变异概率P_m＝0.01。

4.根据权利要求1、2或3所述的一种基于遗传算法的人体体成分分析方法，其特征还在于：

遗传算法迭代终止条件设定为：预测值与实际值的误差小于等于0.01或算法达到最大迭代次数达到500，即(f(x)-F)≤0.01或Gen≥500；满足以上迭代终止条件之一时，终止计算，以具有最大适应度的个体作为最优解输出。