CN104484562A - 一种基于模糊神经网络的体域网健康信息监测、交互系统 - Google Patents

Abstract

本发明公开了一种基于模糊神经网络的体域网健康信息监测、交互系统，包括采集端、模糊神经网络分析检测系统、交互模块、识别单元和显示单元；采集端包括采集模块、控制模块，所述采集模块用于采集家用医疗设备采集的相关生物数据，并发送给控制模块，所述控制模块还用于控制采集模块进行采集数据；交互模块，用于建立交互群，选择交互群大小、相互进行数据交互的采集端数目，建立数据共享；模糊神经网络分析检测系统，包括模型构建模块、模糊神经网络数据分析模块和排序模块，实现了健康测量数据的及时上传、可选择范围内的交互，在保护用户的隐私、尊重用户意愿的基础上进行信息的交互。

Description

一种基于模糊神经网络的体域网健康信息监测、交互系统

技术领域

本发明涉及一种基于模糊神经网络的体域网健康信息监测、交互系统。

背景技术

如今人们生活水平逐渐提高，家用医疗设备也开始普遍使用，但测试结果只有本人或家属知道，如果遇见突发情况，没有家属等陪同人员，医疗工作者无法及时了解病人的身体状态、有无病史等信息，不能很好进行诊断、及时治疗。因此，家用医疗设备的监测数据通过医疗健康平台进行共享、存储是十分必要的。

现有的医疗健康平台存在以下问题：

(1)信息多为一对一交互，即只有医生和上传者自己能够看到，许多时候，在用户同意的情况下，信息也无法进行共享；这样存在着许多隐性、家族遗传的问题无法发现，不利于医生了解病人情况；

(2)检查的数据太过专业，普通用户无法真正了解自身的检查情况是否健康或存在问题，不能生成统一的指标供用户参考；

(3)同一个单位、公司的员工的身体状况，领导、同事无法了解，在出差、体力劳动等工作的安排上可能会出现误判，威胁身体健康；某些关系好的用户无法知道自己的健康程度在朋友之间排名如何，无法激发用户的积极性，忽略关注自身健康问题，不能按时使用家用医疗设备进行测量。

发明内容

本发明为了解决上述问题，提出了一种基于模糊神经网络的体域网健康信息监测、交互系统，该系统利用模糊神经网络算法，对用户的健康信息及时上传，在指定范围内进行交互共享，进行排序，使得大家关注自身健康，定期做检查。

为了实现上述目的，本发明采用如下技术方案：

一种基于模糊神经网络的体域网健康信息监测、交互系统，包括采集端、模糊神经网络分析检测系统、交互模块、识别单元和显示单元；

所述采集端包括采集模块、控制模块，所述采集模块用于采集家用医疗设备采集的相关生物数据，并发送给控制模块，所述控制模块还用于控制采集模块进行采集数据；

所述交互模块，用于建立交互群，选择交互群大小、相互进行数据交互的采集端数目，建立数据共享；

所述模糊神经网络分析检测系统，包括模型构建模块、模糊神经网络数据分析模块和排序模块，其中：

所述模型构建模块，接收交互模块中交互群内传输的生物数据，并将其作为输入变量，通过输入层、模糊化层模块，构建生物数据的隶属度函数；

所述模糊神经网络数据分析模块，用于通过构建模糊推理层、归一层、去模糊层和输出层模块对生物数据进行处理，计算输出生物指数值；

所述排序模块，用于根据生物指数值，在该交互群内进行数据排名；

所述识别单元，接收排序模块传输的数据，读取交互模块的交互群，识别同一交互群内的采集模块、显示单元，将生物数据和数据排名通过显示单元进行显示。

所述采集模块，实时监测通过家用医疗设备上传的数据，包括收缩压、舒张压和心率。

所述模型构建模块，包括输入层模块和模糊化层模块，其中，所述输入层模块为第一层模块，其输入值为家用医疗设备测量后上传的数据，上传的数据包括收缩压SSY、舒张压SZY和心率XL；仅起到传递的作用，即将输入数据传递到下一层模块，输出值为： 其中，表示第x层模块的输出的i值。

所述模糊化层模块，为第二层模块，将输入数据划分模糊子集，收缩压SSY、舒张压SZY和心率XL的模糊子集为{正常(M)，偏高(H)，极高(VH)}，隶属度分别为μ_SSY(M,H,VH)、μ_SZY(M,H,VH)和μ_XL(M,H,VH)。

所述模糊化层模块，对于“正常(M)”，采用Sigmoid函数的对称函数，隶属度为：

μ＝[1+exp(W1(x-W2))]^-1

对于“极高(VH)”，采用Sigmoid函数，隶属度为：

μ＝[1+exp(-W1(x-W2))]^-1

对于“偏高(H)”，采用高斯型函数，隶属度为：

$\mathrm{\μ}=\exp [-\frac{1}{2}{\left(\frac{x-W2}{W1}\right)}^2]$

W1、W2为系统，初始值任意，通过网络训练和自学习不断调整，使网络实际输出值与导师信号误差最小，该层的节点输出范围在0～1之间。

对语言变量M和VH的隶属度函数，其中参数W2的作用是使隶属度函数沿水平轴向右移；W1的作用是调节隶属度函数的形状；对语言变量H的隶属度函数，W2和W1分别表示隶属度函数的中心和宽度，输入样本越靠近节点的中心，输出越大。

第二层模块的最终输出为：

$O_{\mathrm{Ry}}^{\left(2\right)}={\mathrm{\μ}}_{R_y}=\left\{\begin{array}{c}\frac{1}{1+\exp \left({W1}_{\mathrm{Ry}}(O_{\mathrm{Ry}}^{\left(1\right)}-{W2}_{\mathrm{Ry}})\right)}\\ \exp [-\frac{1}{2}{\left(\frac{O_{\mathrm{Ry}}^{\left(1\right)}-{W2}_{\mathrm{Ry}}}{{W1}_{\mathrm{Ry}}}\right)}^2]\\ \frac{1}{1+\exp \left({-W1}_{\mathrm{Ry}}(O_{\mathrm{Ry}}^{\left(1\right)}-{W2}_{\mathrm{Ry}})\right)}\end{array}\right.$

式中，y＝1,2,3，R取值为SSY、SZY、XL，分别对应于收缩压、舒张压和心率的隶属度函数。

所述模糊神经网络数据分析模块，包括模糊推理层模块，设为第三层模块，用于建立模糊推理规则库，其中的语言规则是模糊逻辑推理的依据，每条模糊推理规则的结论参数为模糊子集{健康(H)，亚健康(SubH)，不健康(UnH)}；由于输入数据SSY、SZY和XL的模糊集具有3个模糊标记，因此模糊神经网络模型共有推理规则3×3×3＝27条，即为27个输出节点；对于任一组输入数据，总可以找到一条与之对应的推理规则；每条推理规则的适用度a(l)为：

a(l)＝μ_1iμ_2jμ_3k

式中，a(l)表示第l条推理规则的适用度，l＝1,2…27；i＝1,2,3；j＝1,2,3；k＝1,2,3。第三层的输出为：

$O_l^{\left(3\right)}=a\left(l\right).$

所述模糊神经网络数据分析模块，包括第四层模块，即归一层模块，节点总数与第三层模块相同，实现对第四层输出的归一化处理，为解模糊做准备，其输出为：

$O_l^{\left(4\right)}=\frac{O_l^{\left(3\right)}}{\underset{i=1}{\overset{27}{\mathrm{\Σ}}}{O}_i^{\left(3\right)}}=\frac{a\left(l\right)}{\underset{i=1}{\overset{27}{\mathrm{\Σ}}}{O}_i^{\left(3\right)}}$

其中l＝1,2…27。

所述模糊神经网络数据分析模块，还包括去模糊层模块，用于将经过模糊推理得到的是对应于不同输出(H,SubH,UnH)的不同规则的隶属度，通过去模糊的方法得到三种健康状况的隶属度，该层输出为：

$O_n^{\left(5\right)}=\underset{l=1}{\overset{27}{\mathrm{\Σ}}}{O}_l^{\left(4\right)}{W}_{\mathrm{nl}}$

其中，n表示该层输出节点的个数，n＝1,2,3；引入权值W_nl，通过它在网络中的变化调整各条模糊推理规则在判别的相对重要性。

权值W_nl的应用优化了模糊推理规则，并使模糊推理具有自适应性，从而提高模糊神经网络模型的智能化程度。

所述模糊神经网络数据分析模块，还包括输出层模块，为第六层模块，用于利用面积重心法，通过权值W_i(i＝1,2,3)调整三个输出模糊子集(H,SubH,UnH)的相对重要性，取W₁＝1，W₂＝0.5，W₃＝0，即输出模糊子集中健康(H)对健康指数值的贡献为1，亚健康(SubH)对健康指数值的贡献为0.5，不健康(UnH)对健康指数值的贡献为0；其最终输出健康指数值P为：

$P=\frac{\underset{i=1}{\overset{3}{\mathrm{\Σ}}}{W}_i{O}_i^{\left(5\right)}}{\underset{i=1}{\overset{3}{\mathrm{\Σ}}}{O}_i^{\left(5\right)}}.$

所述模糊神经网络数据分析模块，还包括BP神经元网络学习训练模块，用于通过采用附加动量项改进的BP算法对网络进行训练，利用误差反向传播的梯度下降算法调整权值，使权值按沿目标函数梯度变化的反方向进行调整，确认模糊神经网络中的参数有W1、W2和W_nl，先调整W_nl，然后调整W1、W2。最终使网络实际输出与期望输出的误差总均方差最小。

所述BP神经元网络学习训练模块网络的误差信号为：其中P(n)为第n次迭代的实际输出，为期望输出。学习训练的目的即最小化误差函数为 $\mathrm{\ϵ}=\frac{1}{2}{e}^2\left(n\right)=\frac{1}{2}{(P_e^{*}-P\left(n\right))}^2.$

为了既能提高学习速度又能保持参数变化的稳定性，采用基于广义delta规则的梯度下降法，即W(n+1)＝W(n)+ΔW(n)；

其中， ${\mathrm{\ΔW}}_i\left(n\right)=-\mathrm{\β}\frac{\∂\mathrm{\ϵ}}{\∂W_i}+\mathrm{\η}{\mathrm{\ΔW}}_i(n-1),$

式中，β为学习速率，0<β<1，ηΔW_i(n-1)为动量项，η为动量系数，0<η<1，一般取值0.9。

由此，权值W_nl的调整过程为：

$\begin{array}{c}{\mathrm{\&Delta;W}}_{\mathrm{nl}}\left(n\right)=-\mathrm{\&beta;}\frac{\&PartialD;\mathrm{\&epsiv;}}{{\&PartialD;W}_{\mathrm{nl}}}+\mathrm{\&eta;}{\mathrm{\&Delta;W}}_{\mathrm{nl}}(n-1)=-\mathrm{\&beta;}\frac{\&PartialD;\mathrm{\&epsiv;}}{\&PartialD;e}\&CenterDot;\frac{\&PartialD;e}{\&PartialD;P}\&CenterDot;\frac{\&PartialD;P}{\&PartialD;O^{\left(5\right)}}\&CenterDot;\frac{{\&PartialD;O}^{\left(5\right)}}{{\&PartialD;\mathrm{\&Delta;W}}_{\mathrm{nl}}}+\mathrm{\&eta;\&Delta;}{W}_{\mathrm{nl}}(n-1)\\ =\mathrm{\&beta;}(P_e^{*}-P\left(n\right))\underset{l=1}{\overset{27}{\mathrm{\&Sigma;}}}{O}_l^{\left(4\right)}\frac{\&PartialD;P}{{\&PartialD;O}^{\left(5\right)}}+\mathrm{\&eta;\&Delta;}{W}_{\mathrm{nl}}(n-1)\end{array}$

求出ΔW_nl(n)后，可得修正后的权值W_nl，即W_nl(n+1)＝W_nl(n)+ΔW_nl(n)；

采用类似思路推导W1、W2，

$\mathrm{\&Delta;W}1\left(n\right)=-\mathrm{\&beta;}\frac{\&PartialD;\mathrm{\&epsiv;}}{\&PartialD;W1}+\mathrm{\&eta;\&Delta;W}1(n-1),$

$\mathrm{\&Delta;W}2\left(n\right)=-\mathrm{\&beta;}\frac{\&PartialD;\mathrm{\&epsiv;}}{\&PartialD;W2}+\mathrm{\&eta;\&Delta;W}2(n-1).$

至此完成W1、W2和W_nl的优化过程，W1、W2表现为隶属函数的自动生成，W_nl的变化表现为相应模糊规则相对重要性的改变，通过训练最终提高了网络模糊推理精度，使实际输出更接近理想输出。

所述排序模块，读取输出层模块的输出值，读取该输出值对应的采集模块，确认该采集模块通过控制模块在交互模块中所选择的交互群，采集交互群内其他输出层模块的输出值，在该交互群内进行数据排名。

本发明的有益效果为：

(1)实现了健康测量数据的及时上传、可选择范围内的交互，在保护用户的隐私、尊重用户意愿的基础上进行信息的交互；

(2)通过模糊逻辑和神经网络相结合的方式，对体域网中医疗设备输出的各种健康数据送入模糊神经网络系统模型进行分析，得到健康指数值，并进行健康排名，可以激发用户的积极性，并让他们及时关注自身健康问题，同时可以按时使用家用医疗设备进行测量；

(3)系统具有很好的可扩展性，可以加入更多其他类型的健康数据进行交互、综合评测。

附图说明

图1为本发明的结构示意图。

图2为本发明的模糊神经网络模型图。

图3为本发明的隶属度函数图。

具体实施方式：

下面结合附图与实施例对本发明作进一步说明。

如图1所示，一种基于模糊神经网络的体域网健康信息监测、交互系统，包括采集端、模糊神经网络分析检测系统、交互模块、识别单元和显示单元；

所述采集端包括采集模块、控制模块，所述采集模块用于采集家用医疗设备采集的相关生物数据，并发送给控制模块，所述控制模块还用于控制采集模块进行采集数据；

所述交互模块，用于建立交互群，选择交互群大小、相互进行数据交互的采集端数目，建立数据共享；

所述模糊神经网络分析检测系统，包括模型构建模块、模糊神经网络数据分析模块和排序模块，其中：

所述模型构建模块，接收交互模块中交互群内传输的生物数据，并将其作为输入变量，通过输入层、模糊化层模块，构建生物数据的隶属度函数；

所述模糊神经网络数据分析模块，用于通过构建模糊推理层、归一层、去模糊层和输出层模块对生物数据进行处理，计算输出生物指数值；

所述排序模块，用于根据生物指数值，在该交互群内进行数据排名；

所述识别单元，接收排序模块传输的数据，读取交互模块的交互群，识别同一交互群内的采集模块、显示单元，将生物数据和数据排名通过显示单元进行显示。

所述采集模块，实时监测通过家用医疗设备上传的数据，包括收缩压、舒张压和心率。

模糊神经网络模型包括输入层、模糊化层、模糊推理层、归一化层、去模糊层和输出层，如图2所示。对于每一层的输出变量，有两个作用，一个是用于训练数据的反向输入，一个是实际输出。第三层为模糊推理层，其每一节点代表一条模糊规则。因此，所有的第三层节点组成了模糊规则库。第二层和第三层之间的连接作为连接推理机，避免了模糊蕴涵推理过程。第二层的连接定义了模糊规则的前件，第三层的连接定义了模糊规则的后件。正常传播方向为从第一层到第六层，即从下向上，在学习训练过程中，信号是从第六层到第一层传播的，即从上向下。各层的输入输出关系如下(O(x)表示第x层的输出)。

(1)第一层为输入层。输入值为家用医疗设备测量后上传的数据，上传的数据包括收缩压SSY、舒张压SZY和心率XL。该层仅起到传递的作用，即将输入数据传递到下一层，输出为：

$O_{\mathrm{SSY}}^{\left(1\right)}=\mathrm{SSY},$ $O_{\mathrm{SZY}}^{\left(1\right)}=\mathrm{SZY},$ $O_{\mathrm{XL}}^{\left(1\right)}=\mathrm{XL}$

(2)第二层为模糊化层。该层将输入数据划分模糊子集，收缩压SSY、舒张压SZY和心率XL的模糊子集为{正常(M)，偏高(H)，极高(VH)}，隶属度分别为μ_SSY(M,H,VH)、μ_SZY(M,H,VH)和μ_XL(M,H,VH)。(本专利实施案例主要针对高血压人群的健康状况，这里将低血压、低心率归于正常范畴)

对于“正常(M)”，采用Sigmoid函数的对称函数，隶属度为：

μ＝[1+exp(W1(x-W2))]^-1

对于“极高(VH)”，采用Sigmoid函数，隶属度为：

μ＝[1+exp(-W1(x-W2))]^-1

对于“偏高(H)”，采用高斯型函数，隶属度为：

$\mathrm{\&mu;}=\exp [-\frac{1}{2}{\left(\frac{x-W2}{W1}\right)}^2]$

W1、W2初始值任意，通过网络训练和自学习不断调整，使网络实际输出值与导师信号误差最小，经调整后的权值即可用于实际的健康状况评测。节点输出范围在0～1之间。对语言变量M和VH的隶属度函数，其中参数W2的作用是使隶属度函数沿水平轴向右移；W1的作用是调节隶属度函数的形状，较大的W1使函数逼近阶跃，较小的W1使函数变得较为平坦。对语言变量H的隶属度函数，W2和W1分别表示隶属度函数的中心和宽度，输入样本越靠近节点的中心，输出越大。

第二层的最终输出为：

$O_{\mathrm{Ry}}^{\left(2\right)}={\mathrm{\&mu;}}_{R_y}=\left\{\begin{array}{c}\frac{1}{1+\exp \left({W1}_{\mathrm{Ry}}(O_{\mathrm{Ry}}^{\left(1\right)}-{W2}_{\mathrm{Ry}})\right)}\\ \exp [-\frac{1}{2}{\left(\frac{O_{\mathrm{Ry}}^{\left(1\right)}-{W2}_{\mathrm{Ry}}}{{W1}_{\mathrm{Ry}}}\right)}^2]\\ \frac{1}{1+\exp \left({-W1}_{\mathrm{Ry}}(O_{\mathrm{Ry}}^{\left(1\right)}-{W2}_{\mathrm{Ry}})\right)}\end{array}\right.$

式中，y＝1,2,3，R取值为SSY、SZY、XL，分别对应于收缩压、舒张压和心率的隶属度函数。

(3)第三层为模糊推理层。模糊推理中最重要的过程是建立模糊推理规则库，其中的语言规则是模糊逻辑推理的依据，每条模糊推理规则的结论参数为模糊子集{健康(H)，亚健康(SubH)，不健康(UnH)}。由于输入数据SSY、SZY和XL的模糊集具有3个模糊标记，因此模糊神经网络模型共有推理规则3×3×3＝27条。每条推理规则的适用度a(l)为：

a(l)＝μ_1iμ_2jμ_3k

式中，a(l)表示第l条推理规则的适用度，l＝1,2…27；i＝1,2,3；j＝1,2,3；k＝1,2,3。

每条模糊规则的确定都是由三个输入变量的隶属度函数组合而成，组合过程见表1所示，模糊规则用语言变量表述为：

Rule1：IF SSY is M and SZY is M and XL is M then C is H.

Rule2：IF SSY is M and SZY is H and XL is M then C is H.

…… …… ……(可根据表1推知)。

Rule26：IF SSY is VH and SZY is H and XL is VH then C is UnH.

Rule27：IF SSY is VH and SZY is VH and XL is VH then C is UnH.

其中C为处于某种健康状况的概率。

表1

规则	收缩压	舒张压	心率	健康状况
					1	M	M	M	H
2	M	H	M	H
					3	M	VH	M	SubH
4	M	M	H	H
					5	M	H	H	SubH
6	M	VH	H	UnH
					7	M	M	VH	H
8	M	H	VH	SubH
					9	M	VH	VH	UnH
10	H	M	M	H
					11	H	H	M	SubH
12	H	VH	M	SubH
					13	H	M	H	SubH
14	H	H	H	SubH
					15	H	VH	H	UnH
16	H	M	VH	SubH
					17	H	H	VH	UnH
18	H	VH	VH	UnH
					19	VH	M	M	SubH
20	VH	H	M	UnH

21	VH	VH	M	UnH
					22	VH	M	H	SubH
23	VH	H	H	UnH
					24	VH	VH	H	UnH
25	VH	M	VH	UnH
					26	VH	H	VH	UnH
27	VH	VH	VH	UnH

第三层的输出为：

$O_l^{\left(3\right)}=a\left(l\right)$

(4)第四层为归一化层。节点总数与第三层相同，实现对第四层输出的归一化处理，为解模糊做准备，其输出为：

$O_l^{\left(4\right)}=\frac{O_l^{\left(3\right)}}{\underset{i=1}{\overset{27}{\mathrm{\&Sigma;}}}{O}_i^{\left(3\right)}}=\frac{a\left(l\right)}{\underset{i=1}{\overset{27}{\mathrm{\&Sigma;}}}{O}_i^{\left(3\right)}}$

其中l＝1,2…27。

(5)第五层为去模糊层。经过模糊推理得到的是对应于不同输出(H,SubH,UnH)的不同规则的隶属度，还需要通过去模糊的方法得到三种健康状况的隶属度，该层输出为：

$O_n^{\left(5\right)}=\underset{l=1}{\overset{27}{\mathrm{\&Sigma;}}}{O}_l^{\left(4\right)}{W}_{\mathrm{nl}}$

其中，n表示该层输出节点的个数，n＝1,2,3。引入权值W_nl，通过它在网络中的变化调整各条模糊推理规则在判别的相对重要性。权值W_nl的应用优化了模糊推理规则，并使模糊推理具有自适应性，从而提高模糊神经网络模型的智能化程度。

(6)第六层为输出层。利用面积重心法，通过权值W_i(i＝1,2,3)调整三个输出模糊子集(H,SubH,UnH)的相对重要性，取W₁＝1，W₂＝0.5，W₃＝0，即输出模糊子集中健康(H)对健康指数值的贡献为1，亚健康(SubH)对健康指数值的贡献为0.5，不健康(UnH)对健康指数值的贡献为0。其最终输出健康指数值P为：

$P=\frac{\underset{i=1}{\overset{3}{\mathrm{\&Sigma;}}}{W}_i{O}_i^{\left(5\right)}}{\underset{i=1}{\overset{3}{\mathrm{\&Sigma;}}}{O}_i^{\left(5\right)}}$

优选的，还包括BP神经元网络的学习训练过程。模糊神经网络中需要确定的参数有W1、W2和W_nl。采用附加动量项改进的BP算法对网络进行训练。根据规则学习，利用误差反向传播的梯度下降算法调整权值，使权值按沿目标函数梯度变化的反方向进行调整，因此，先调整W_nl，然后调整W1、W2。最终使网络实际输出与期望输出的误差总均方差最小。具体的网络学习算法运算过程如下：

网络的误差信号为：其中P(n)为第n次迭代的实际输出，为期望输出。学习训练的目的即最小化误差函数为为了既能提高学习速度又能保持参数变化的稳定性，采用基于广义delta规则的梯度下降法，即W(n+1)＝W(n)+ΔW(n)。其中，式中，β为学习速率，0<β<1，ηΔW_i(n-1为动量项，η为动量系数，0<η<1，一般取值0.9。

由此，权值W_nl的调整过程为：

$\begin{array}{c}{\mathrm{\&Delta;W}}_{\mathrm{nl}}\left(n\right)=-\mathrm{\&beta;}\frac{\&PartialD;\mathrm{\&epsiv;}}{{\&PartialD;W}_{\mathrm{nl}}}+\mathrm{\&eta;}{\mathrm{\&Delta;W}}_{\mathrm{nl}}(n-1)=-\mathrm{\&beta;}\frac{\&PartialD;\mathrm{\&epsiv;}}{\&PartialD;e}\&CenterDot;\frac{\&PartialD;e}{\&PartialD;P}\&CenterDot;\frac{\&PartialD;P}{\&PartialD;O^{\left(5\right)}}\&CenterDot;\frac{{\&PartialD;O}^{\left(5\right)}}{{\&PartialD;\mathrm{\&Delta;W}}_{\mathrm{nl}}}+\mathrm{\&eta;\&Delta;}{W}_{\mathrm{nl}}(n-1)\\ =\mathrm{\&beta;}(P_e^{*}-P\left(n\right))\underset{l=1}{\overset{27}{\mathrm{\&Sigma;}}}{O}_l^{\left(4\right)}\frac{\&PartialD;P}{{\&PartialD;O}^{\left(5\right)}}+\mathrm{\&eta;\&Delta;}{W}_{\mathrm{nl}}(n-1)\end{array}$

求出ΔW_nl(n)后，可得修正后的权值W_nl，即W_nl(n+1)＝W_nl(n)+ΔW_nl(n)。

采用类似思路推导W1、W2。 $\mathrm{\&Delta;W}1\left(n\right)=-\mathrm{\&beta;}\frac{\&PartialD;\mathrm{\&epsiv;}}{\&PartialD;W1}+\mathrm{\&eta;\&Delta;W}1(n-1),$ $\mathrm{\&Delta;W}2\left(n\right)=-\mathrm{\&beta;}\frac{\&PartialD;\mathrm{\&epsiv;}}{\&PartialD;W2}+$ $\mathrm{\&eta;\&Delta;W}2(n-1).$

至此完成W1、W2和W_nl的优化过程，W1、W2表现为隶属函数的自动生成，W_nl的变化表现为相应模糊规则相对重要性的改变，通过训练最终提高了网络模糊推理精度，使实际输出更接近理想输出。

本发明的其他实施案例中输入变量还可以为血氧值、血糖值等。

所述排序模块，读取输出层模块的输出值，读取该输出值对应的采集模块，确认该采集模块通过控制模块在交互模块中所选择的交互群，采集交互群内其他输出层模块的输出值，在该交互群内进行数据排名。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (10)

1.一种基于模糊神经网络的体域网健康信息监测、交互系统，其特征是：包括采集端、模糊神经网络分析检测系统、交互模块、识别单元和显示单元；

所述采集端包括采集模块、控制模块，所述采集模块用于采集家用医疗设备采集的相关生物数据，并发送给控制模块，所述控制模块还用于控制采集模块进行采集数据；

所述交互模块，用于建立交互群，选择交互群大小、相互进行数据交互的采集端数目，建立数据共享；

所述模糊神经网络分析检测系统，包括模型构建模块、模糊神经网络数据分析模块和排序模块，其中：

所述模型构建模块，接收交互模块中交互群内传输的生物数据，并将其作为输入变量，通过输入层、模糊化层模块，构建生物数据的隶属度函数；

所述模糊神经网络数据分析模块，用于通过构建模糊推理层、归一层、去模糊层和输出层模块对生物数据进行处理，计算输出生物指数值；

所述排序模块，用于根据生物指数值，在该交互群内进行数据排名；

所述识别单元，接收排序模块传输的数据，读取交互模块的交互群，识别同一交互群内的采集模块、显示单元，将生物数据和数据排名通过显示单元进行显示。

2.如权利要求1所述的系统，其特征是：所述采集模块，实时监测通过家用医疗设备上传的数据，包括收缩压、舒张压和心率。

3.如权利要求1所述的系统，其特征是：所述模型构建模块，包括输入层模块和模糊化层模块，其中，所述输入层模块为第一层模块，其输入值为家用医疗设备测量后上传的数据，上传的数据包括收缩压SSY、舒张压SZY和心率XL；仅起到传递的作用，即将输入数据传递到下一层模块，输出值为：其中，表示第x层模块的输出的i值。

4.如权利要求3所述的系统，其特征是：所述模糊化层模块，为第二层模块，将输入数据划分模糊子集，收缩压SSY、舒张压SZY和心率XL的模糊子集为{正常(M)，偏高(H)，极高(VH)}，隶属度分别为μ_SSY(M,H,VH)、μ_SZY(M,H,VH)和μ_XL(M,H,VH)。

5.如权利要求4所述的系统，其特征是：所述模糊化层模块，对于“正常(M)”，采用Sigmoid函数的对称函数，隶属度为：

μ＝[1+exp(W1(x-W2))]^-1

对于“极高(VH)”，采用Sigmoid函数，隶属度为：

μ＝[1+exp(-W1(x-W2))]^-1

对于“偏高(H)”，采用高斯型函数，隶属度为：

$\mathrm{\&mu;}=\exp [-\frac{1}{2}{\left(\frac{x-W2}{W1}\right)}^2]$

W1、W2为系统，初始值任意，通过网络训练和自学习不断调整，使网络实际输出值与导师信号误差最小，该层的节点输出范围在0～1之间；

对语言变量M和VH的隶属度函数，其中参数W2的作用是使隶属度函数沿水平轴向右移；W1的作用是调节隶属度函数的形状；对语言变量H的隶属度函数，W2和W1分别表示隶属度函数的中心和宽度，输入样本越靠近节点的中心，输出越大；

第二层模块的最终输出为：

$O_{\mathrm{Ry}}^{\left(2\right)}={\mathrm{\&mu;}}_{\mathrm{Ry}}=\left\{\begin{array}{c}\frac{1}{1+\exp \left({W1}_{\mathrm{Ry}}(O_{\mathrm{Ry}}^{\left(1\right)}-{W2}_{\mathrm{Ry}})\right)}\\ \exp [-\frac{1}{2}{\left(\frac{O_{\mathrm{Ry}}^{\left(1\right)}-{W2}_{\mathrm{Ry}}}{{W1}_{\mathrm{Ry}}}\right)}^2]\\ \frac{1}{1+\exp (-{W1}_{\mathrm{Ry}}(O_{\mathrm{Ry}}^{\left(1\right)}-{W2}_{\mathrm{Ry}}))}\end{array}\right.$

式中，y＝1,2,3，R取值为SSY、SZY、XL，分别对应于收缩压、舒张压和心率的隶属度函数。

6.如权利要求1所述的系统，其特征是：所述模糊神经网络数据分析模块，包括模糊推理层模块，设为第三层模块，用于建立模糊推理规则库，其中的语言规则是模糊逻辑推理的依据，每条模糊推理规则的结论参数为模糊子集{健康H，亚健康SubH，不健康UnH}；由于输入数据SSY、SZY和XL的模糊集具有3个模糊标记，因此模糊神经网络模型共有推理规则3×3×3＝27条，即为27个输出节点；对于任一组输入数据，总可以找到一条与之对应的推理规则；每条推理规则的适用度a(l)为：

a(l)＝μ_1iμ_2jμ_3k

式中，a(l)表示第l条推理规则的适用度，l＝1,2…27；i＝1,2,3；j＝1,2,3；k＝1,2,3，第三层的输出为：

$O_l^{\left(3\right)}=a\left(l\right).$

7.如权利要求1所述的系统，其特征是：所述模糊神经网络数据分析模块，包括第四层模块，即归一层模块，节点总数与第三层模块相同，实现对第四层输出的归一化处理，为解模糊做准备，其输出为：

$O_l^{\left(4\right)}=\frac{O_l^{\left(3\right)}}{\underset{i=1}{\overset{27}{\mathrm{\&Sigma;}}}{O}_i^{\left(3\right)}}=\frac{a\left(l\right)}{\underset{i=1}{\overset{27}{\mathrm{\&Sigma;}}}{O}_i^{\left(3\right)}}$

其中l＝1,2…27；

所述模糊神经网络数据分析模块，还包括去模糊层模块，用于将经过模糊推理得到的是对应于不同输出(H,SubH,UnH)的不同规则的隶属度，通过去模糊的方法得到三种健康状况的隶属度，该层输出为：

$O_n^{\left(5\right)}=\underset{l=1}{\overset{27}{\mathrm{\&Sigma;}}}{O}_l^{\left(4\right)}{W}_{\mathrm{nl}}$

其中，n表示该层输出节点的个数，n＝1,2,3；引入权值W_nl，通过它在网络中的变化调整各条模糊推理规则在判别的相对重要性。

8.如权利要求1所述的系统，其特征是：所述模糊神经网络数据分析模块，还包括输出层模块，为第六层模块，用于利用面积重心法，通过权值W_i(i＝1,2,3)调整三个输出模糊子集(H,SubH,UnH)的相对重要性，取W₁＝1，W₂＝0.5，W₃＝0，即输出模糊子集中健康H对健康指数值的贡献为1，亚健康SubH对健康指数值的贡献为0.5，不健康UnH对健康指数值的贡献为0；其最终输出健康指数值P为：

$P=\frac{\underset{i=1}{\overset{3}{\mathrm{\&Sigma;}}}{W}_i{O}_i^{\left(5\right)}}{\underset{i=1}{\overset{3}{\mathrm{\&Sigma;}}}{O}_i^{\left(5\right)}}.$

9.如权利要求1所述的系统，其特征是：所述模糊神经网络数据分析模块，还包括BP神经元网络学习训练模块，用于通过采用附加动量项改进的BP算法对网络进行训练，利用误差反向传播的梯度下降算法调整权值，使权值按沿目标函数梯度变化的反方向进行调整，确认模糊神经网络中的参数有W1、W2和W_nl，先调整W_nl，然后调整W1、W2，最终使网络实际输出与期望输出的误差总均方差最小。

10.如权利要求1所述的系统，其特征是：所述排序模块，读取输出层模块的输出值，读取该输出值对应的采集模块，确认该采集模块通过控制模块在交互模块中所选择的交互群，采集交互群内其他输出层模块的输出值，在该交互群内进行数据排名。