CN105303041A - 一种人体消化系统健康风险预警系统 - Google Patents

Abstract

本发明提供一种人体消化系统健康风险预警系统，包括：人体健康扫描系统：用于扫描和评估人体消化系统各组织和器官的功能值；消化系统健康风险预警数据处理器：获取消化系统的临床指标数据，利用人体消化系统健康风险预警模型，基于人体消化系统各组织和器官的功能值和消化系统的临床指标数据进行人体消化系统健康风险预警；消化系统健康风险预警结果显示器：显示消化系统健康风险预警结果，人体健康扫描系统的输出端连接消化系统健康风险预警数据处理器的输入端，消化系统健康风险预警数据处理器的输出端连接消化系统健康风险预警结果显示器。本发明能够预测潜在的危险因素及疾病发展方向，对人体的消化系统健康风险进行早期预警。

Description

一种人体消化系统健康风险预警系统

技术领域

本发明属于亚健康风险预警技术领域，具体涉及一种人体消化系统健康风险预警系统。

背景技术

随着我国经济的不断发展，人群中亚健康的比例在逐年增加，约有7亿人口处于亚健康状态，企业白领、机关公务员由于其工作性质，是亚健康的主要人群之一，企业干部的身体状况也不容乐观。因而开展对该类人群的健康风险评估预警技术方面的研究，实现对该类人群健康状况的早期预警、早期干预十分必要。

WHO的一项全球性调查表明，真正健康的人仅占5％，患有疾病的人占20％，而75％的人处于健康低质量状态。健康低质量状态又称亚健康状态(也称第三状态、灰色状态、病前状态、亚临床期、临床前期、潜病期等)，此时人体无临床症状或症状感觉轻微，一般的临床检查指标尚未发生明显改变，但身体已有潜在病理信息。疾病的形成绝非一朝一夕，经历了从细胞能量改变——组织能量改变——器官功能性改变——器官发生病变的过程，绝大多数人对器官发生病变之前的一系列变化是很难察觉的，只有当器官功能性改变积累到一定程度，器官发生病变了，这时人们才能感觉到生病了。所以说，身体的一些疾病是经历了从健康——亚健康——发病的过程。当身体处在组织能量改变和器官功能性改变阶段时，人的身体就处在亚健康状态。如果此时人们能够及时发现身体存在的健康风险，并采取健康干预措施，就可防止器官发生病变。目前，一般的身体健康检查手段只能发现人体的组织器官发生病变或组织器官已经出现明显损伤，而不能及时发现人体亚健康阶段的组织能量改变和器官功能性改变的情况。因此，健康风险预警技术，以及基于健康风险预警技术基础上的健康干预对预防疾病的发生有其十分重要的意义！

健康风险预警技术就是运用先进的人体全自动全身扫描技术手段对人体进行全面检测，在对人体各系统主要器官功能性进行评估基础上，结合基础医学、临床医学、预防医学、中医学知识，对人体的八大系统健康风险进行早期预警。应用此技术可以对处于亚健康状态的人进行有针对性地早期健康干预，防止器官发生病变。目前，人们进行一般的身体健康检查仍然没有摆脱由发现疾病到治疗疾病的诊疗模式。这种诊疗模式只能做到“有病治病”，无法实现“无病防病”的目的。一般的身体健康检查项目只针对人体某些器官进行检查。同时，还受到医生专业知识水平和诊察思维的局限性影响，无法做到系统、全面地筛查人体各个器官和系统的健康状况，也无法真正实现人体健康异常信息的早期发现、早期干预。况且，一般的身体健康检查经常使用X线、介入手段，常常给受检者带来额外的损伤。这种身体健康检查方式不仅与现代健康整体观和无创性的要求相悖，而且可能引起潜在的辐射损害和医源性传染。

国内外流行病学情况：据统计，美国每年有600万人被怀疑处于亚健康状态，年龄多在20～45岁之间。有14％的成年男性和20％的妇女表现有明显的疲劳，其中1/8发展成为亚健康状态中存在的慢性疲劳综合征。我国的亚健康问题也相当严峻，有数据表明，我国约有7亿人口处于亚健康状态，机关公务员由于其工作性质，是亚健康的主要人群之一，企业干部的身体状况也不容乐观。

正常的消化系统表现在，规律性的进餐需求，食欲正常，不挑食，咀嚼完全，吞咽顺畅，消化充分，吸收完善，排泄正常等，任何一个环节出问题，都会影响消化功能，其中以胃和肠的功能最为重要。消化系统的亚健康状况在现代人类中非常普遍，长期慢性的食物消化障碍和消化状态不完善，营养吸收不充分，形成慢性胃痛胃胀，烧心感，暖气打嗝，食欲不振，特殊的食物偏好，慢性便秘和腹泄等症状，没有明显的形态学病理改变，因而不能被现代医学明确诊断，都可视为消化系统的亚健康状态。

中国中医研究院的刘保延等人设计出亚健康状态中医基本证候特征调查问卷,包括躯体状况、生活状况、情志状况、精力状况、禀赋状况、社会环境状况等6个部分，共124个问题条目，采用5级评分，每个条目的分值从1分到5分，意义由好到不好。该问卷全面翔实，能够在一定程度上对人群的健康状态做出判断，揭示亚健康中医证候的分布规律。王学良等人在此基础上，研制了亚健康状态中医证候调查表，包含躯体症状、心理症状、社会症状3个方面，共72个条目，内容上大大简化，易于操作。

美国康奈尔大学编制的CMI问卷内容包括4个部分：躯体症状、家庭史和既往史、一般健康和习惯、精神症状。分成18个部分，共195个条目。每个条目回答“是”者记1分；回答“否”者记0分,全部条目相加得出CMI的总分。其中，有51个条目是与精神活动有关的情绪、情感和行为方面的问题，称为MR部分。CMI还确定了筛查标准,在我国的筛查标准是：男性总分≥935，M-R≥15分；女性总分≥40分，M-R≥20分。达到此标准的即为筛查到的躯体和心理障碍者。周玲玲等将该量表与自制量表结合，对372名中小学教师进行了亚健康调查，发现中小学教师亚健康发生率为55.11％。

很多学者用世界流行的MDI健康评估法对亚健康状态进行定量研究，它本来是WHO用于对人类死亡危害最大的疾病所提示的各项指标进行测定，根据被测者的实际检测状况逐项打分(采取百分制，满分为100分)，对应于WHO的健康定义，进行综合评价，其标准是：85分以上为健康状态，70分以下为疾病状态，70～85分为亚健康状态(第三状态)。MDI所依据的提示包括依次排列的对心脑血管疾病监测及中风预报、恶性肿瘤征象提示、脏器病变提示、血液及过敏性疾病提示、体内污染测定、内分泌系统检查、肢体损害探测、服药效果探测等躯体性指标，以及近年来增加的心理、社交障碍指标MDI健康评估量表。

机器学习是当今大数据时代的核心研究方向，机器学习的研究成果被广泛应用到模式识别、计算机视觉、数据挖掘、控制论等领域当中，并渗透到人们日常生活的方方面面当中。而在机器学习的研究当中，分类器的研究占据着举足轻重的地位，绝大部分的实际问题都可以转换成一个分类问题，分类器的性能往往是一个应用成果与否的关键。挖掘分类器(如支持向量机(SVM)、极限学习机(ELM)等)的巨大潜力已经成为了当今机器学习的主流研究方向。

极限学习机是从单隐藏层的神经网络发展而来的，并具有易于实现，速度快，泛化能力强等特点，而成为广大学者的研究对象。单隐藏层反馈神经网络具有两个比较突出的能力：(1)可以直接从训练样本中拟合出复杂的映射函数，(2)可以为大量难以用传统分类参数技术处理的自然或者人工现场提供模型。但是单隐藏层反馈神经网络缺少比较快速的学习方法。误差反向传播算法每次迭代需要更新很多个值，所花费的时间远远低于所容忍的时间。经常可以看到为训练一个单隐藏层反馈神经网络花费了数小时，数天或者更多的时间。极限学习机在很多领域进行分类预测时得到了广泛应用。

统计学习理论建立在结构风险最小化原则基础上，它是专门针对小样本情况下的机器学习问题而建立的一套新的理论体系。基于统计学习理论的支持向量机算法具有理论完备、全局优化、适应性强、推广能力好等优点，是机器学习研究的新热点。它在最小化经验风险的同时，有效提高了算法的泛化能力，具有良好的应用价值和发展前景。

基于数据的机器学习是现代智能技术中的重要方面，研究从观测数据样本出发寻找规律，利用这些规律对未来数据或无法观测的数据进行预测，包括模式识别、神经网络等在内的现有机器学习方法的重要基础是传统的统计学，前提是有足够多的样本，即传统统计学研究的是样本数目趋于无穷大时的渐近理论，当样本数目有限时难以取得理想的效果。Vapnik的统计学习理论(StatisticalLearningTheory,SLT)则着重提出了小样本情况下的统计规律和学习方法性质，为机器学习问题建立了一个较好的理论框架，并由此发展了一种新的通用学习方法——支持向量机(SupportVectorMachine,SVM)。

SVM通过引入核函数，将样本向量映射到高维特征空间，然后在高维空间中构造最优分类面，获得线性最优决策函数。SVM可以通过控制超平面的间隔度量来抑制函数的过拟合；通过采用核函数巧妙解决了维数问题，避免了学习算法计算复杂度与样本维数的直接相关；也由于SRM原则的使用，SVM具有了良好的推广能力。

支持向量机的特点

1.系统结构简单表面上支持向量机的结构类似与于三层前馈神经网络，但它们有着根本的不同。支持向量机结构非常简单，不需要过多的先验知识。它的隐层是由算法自动确定的，可以随实际问题的需要而自适应的调节规模与大小，不存在类似神经网络的结构选择问题。而神经网络的隐层数和每层的节点数目都是事先确定好的，神经网络的算法中仅自动产生网络权值。

2.全局最优性支持向量机是通过求解最优超平面来进行学习的，在高维特征空间中的超平面对应原始模式空间中的非线性分类面。寻找最优超平面的问题是利用Lagrange优化方法转化为二次规划问题，能够保证支持向量机算法得到的是全局最优解，使它成为一种优秀的学习算法。在神经网络中，得到的结果可能是局部最优解。特别是当训练样本的维数较高时，高维空间可能存在许多局部极值，且不同的局部极值之间有较大差异，神经网络的训练和测试结果会呈现出较大的随机性。

3.推广能力强支持向量机基于统计学习理论，采用结构风险最小化原则，能在经验风险与模型复杂度之间做合理的折衷，能够尽量提高学习机的推广性能，即使由有限训练样本得到的决策规则对独立的测试集仍能够得到较小的误差。神经网络采用了保持置信范围并最小化经验风险的策略，但并没有明确的依据来指导如何构造学习机器使得置信范围最小；而SVM采用的使保持经验风险固定并最小化置信范围的方法。从获得良好推广能力的角度来看，SVM显然比神经网络要高明得多。

极限学习机(ELM)和支持向量机(SVM)比较分析：

极限学习机ELM是一种简单易用、有效的单隐层前馈神经网络SLFNs学习算法。传统的神经网络学习算法(如BP算法)需要人为设置大量的网络训练参数,并且很容易产生局部最优解。极限学习机只需要设置网络的隐层节点个数,在算法执行过程中不需要调整网络的输入权值以及隐元的偏置,并且产生唯一的最优解,因此具有学习速度快且泛化性能好的优点。本文将极限学习机引入到储层渗透率的预测中,通过对比支持向量机,分析其在储层渗透率预测中的可行性和优势。实验结果表明,极限学习机与支持向量机有近似的预测精度,但在参数选择以及学习速度上极限学习机具有明显的优势。

对支持向量机(SupportVectorMachine,简称SVM)而言，在学习过程中，需要人为设置核函数、误差控制参数以及惩罚系数等参数,参数确定困难,且需要消耗大量时间进行参数调整。极限学习机(ExtremeLearningMachine,简称ELM)作为单隐层前馈神经网络的一种新型学习算法，只需要设置网络的隐层节点个数，在算法执行过程中不需要调整网络的输入权值以及隐元的偏置，并且产生唯一的最优解。因此，具有参数选择容易、学习速度快且泛化性能好的优点。

亚健康的研究目前还存在着许多问题，比较突出的有如下三点：(1)病因尚未达成共识。例如慢性疲劳综合征是亚健康状态的一种，有人认为其成因是病毒感染引起的，也有人认为是免疫系统功能失调造成的。(2)缺乏统一的评判标准。关于亚健康状态，在世界范围内尚未形成统一的评判标准。(3)治疗效果难以评估。亚健康的表现多种多样，而且对亚健康的治疗多属于对症治疗，给疗效评价带来困难。

发明内容

针对现有技术存在的问题，本发明提供一种人体消化系统健康风险预警系统。

本发明的技术方案如下：

一种人体消化系统健康风险预警系统，包括：

人体健康扫描系统：用于扫描和评估人体消化系统各组织和器官的功能值，包括胆囊区域、肝右页、降结肠区域、盲肠和阑尾区、结肠肝区、胃区、结肠脾区、升结肠区域、十二指肠区域、食道上段、食道下、胰腺区域、小肠区域、乙状结肠区域、直肠区域的功能值与肠系膜淋巴结的功能值；

消化系统健康风险预警数据处理器：获取消化系统的临床指标数据，利用人体消化系统健康风险预警模型，基于人体消化系统各组织和器官的功能值和消化系统的临床指标数据进行人体消化系统健康风险预警；所述人体消化系统健康风险预警模型的输入为人体消化系统各组织和器官的功能值和消化系统的临床指标数据，输出为消化系统健康风险预警结果；所述消化系统的临床指标数据包括：消化系统病史、查体、影像检查、实验室检查的消化化验指标；所述消化系统健康风险预警结果包括：消化系统健康状态、肝脏亢进、肝脏抑制、胆囊亢进、胆囊抑制、胃肠亢进、胃肠抑制；

消化系统健康风险预警结果显示器：显示消化系统健康风险预警数据处理器输出的消化系统健康风险预警结果；

人体健康扫描系统的输出端连接消化系统健康风险预警数据处理器的输入端，消化系统健康风险预警数据处理器的输出端连接消化系统健康风险预警结果显示器。

所述消化系统健康风险预警数据处理器包括：

数据采集单元：采集人体健康扫描系统扫描和评估的人体消化系统各组织和器官的功能值、消化系统的临床指标数据；

人体消化系统健康风险预警模型建立单元：根据扫描和评估的人体消化系统各组织和器官的功能值历史数据和消化系统的临床指标历史数据以及相应的消化系统健康风险历史预警结果训练人体消化系统健康风险预警模型；

人体消化系统健康风险预警单元：利用人体消化系统健康风险预警模型，基于当前采集到的人体消化系统各组织和器官的功能值、消化系统的临床指标数据，进行人体消化系统健康风险预警，得到人体消化系统健康风险预警结果，输出至消化系统健康风险预警结果显示器。

所述人体消化系统健康风险预警模型建立单元包括：

样本生成模块：根据扫描和评估的人体消化系统各织和器官的功能值历史数据和消化系统的临床指标历史数据以及相应的消化系统健康风险历史预警结果生成样本集，将样本集中的一部分样本作为训练样本，其余作为测试样本；

模型训练模块：将样本集中的训练样本作为输入，将消化系统健康风险历史预警结果作为输出，分别采用极限学习机ELM和支持向量机SVM模型，进行人体消化系统健康风险预警模型训练，训练得到人体消化系统健康风险预警模型；

模型测试模块：利用样本集中的测试样本，分别对采用极限学习机ELM训练出的人体消化系统健康风险预警模型和采用支持向量机SVM模型训练出的人体消化系统健康风险预警模型的训练结果进行测试；

模型选择模块：选择测试结果评价高即训练结果准确率高的人体消化系统健康风险预警模型作为最终的人体消化系统健康风险预警模型。

有益效果：

本发明利用全身健康扫描系统，作为一种快速、无痛、无创、低成本的健康检测设备，可在短时间内对肌体消化系统主要器官功能进行全面扫描就可获取个体的健康信息，对人体消化系统主要器官功能性进行评估，及时发现人体的组织能量改变和器官功能性改变情况。并通过结合消化系统的临床指标数据，预测潜在的危险因素及疾病发展方向，对人体的消化系统健康风险进行早期预警。同时，运用健康风险预警结果对处于亚健康状态的人进行有针对性的健康干预，实现“无病防病”的目的。

本发明突破了传统的体检模式，以全自动全身健康扫描系统设备为依托的无创伤筛查为基础，结合基础医学、临床医学、预防医学、中医学知识，建立人体消化系统健康风险预警系统。同时，将该预警结果可应用于健康干预。探索建立一套以环境医学、运动医学、中医学、心理学、营养学、保健学为基础的综合健康干预措施的数据库，开发建立适合我国出入境人员的健康风险预警和健康干预管理系统。并且，还可在我国企事业单位职工、社区居民中逐步推广应用。真正实现人体健康异常信息的早期发现、早期干预的目的，达到减少病痛、延缓衰老，降低医疗支出，减轻政府负担的效果。

本发明可以对国家机关的外交人员、国际合作科研项目的人员、我国维和部队军人，以及海外工程项目技术人员等高精尖出入境人才的身体状况进行长期常态化的健康管理，实现这些人才健康状况风险早期预警，并通过科学的综合健康干预措施和及时跟踪指导，使他们保持一个良好的健康状况和充沛的精力，高效率的完成他们的工作，为我国对外开的发展做出贡献。

美国疾病管理协会一项研究成果表明：90％的个人和企业通过健康管理，医疗费用可减少90％；而10％的个人和企业未参加健康管理，医疗费用则增加90％。可见本发明的实施及推广应用可以大大提高劳动生产率，节约医疗费用，增加企业效益。

我国慢性病死亡人数占总死亡人数的比例已由1993年的73.8％上升到2000年的80.9％，2005年中国慢性病死亡人数高达750万。本发明的系统能够尽早发现人体的患病风险，使人们还处于亚健康的状态时就通过健康干预手段控制健康风险进一步发展，达到恢复健康的目的。这将极大的降低我国居民疾病患病率上升的速度。同时减少人们遭受病痛的折磨，降低了看病、治病的费用，对个人、家庭、单位乃至整个社会都减轻了负担。

附图说明

图1是本发明具体实施方式的人体消化系统健康风险预警系统框图；

图2是本发明具体实施方式的消化系统健康风险预警数据处理器框图；

图3是本发明具体实施方式的利用人体消化系统健康风险预警系统进行人体消化系统健康风险预警的流程图。

具体实施方式

下面结合附图对本发明的具体实施方式做详细说明。

本实施方式采集2012年1月至2013年6月期间出入境人员的人体健康扫描系统数据和临床指标数据，样本量为两万份，采集地点为呼和浩特市、四平市、沈阳市、张家口市、武汉市。人群的年龄段为：18岁-70岁，男性数量8000例，女性数量为12000例，男女比例为4:5。

人体健康扫描系统采用鹰演全身健康扫描系统，全称为DDFAO全身健康扫描系统，其采用低压直流电刺激感应技术，额头、手、脚对称放置6个电极，22个体区持续发送平均每3秒255次的自适应、自动调节低电压(1.28V)直流电信号，电信号在人体组织内转化为离子流，依据离子流在阴、阳两极的极化运动获得穿过组织的电阻、电传导性、PH值、电压以及所穿过细胞膜的动作电位，激活人体各脏器的间质细胞的电生理活性。并根据生理反馈信号的单向导通性，进行即时电流分析法分析，以数字化形式采集人体功能的信息，通过数字模型对数据进行3D重建。鹰演通过3～5分钟扫描，就可对整个机体的各消化组织、各器官进行比较全面的功能状态进行评估。应用量子物理学、神经生理学、神经功能学，现代医学、临床医学、数学、统计学、计算机技术等多门学科，是目前国际上用于预防医学的典范。鹰演系统对人体亚健康的评估需要建立在大量人群的信息基础之上，需要采集不同国家、不同人种检测的各种生理、病理指标的大量信息库，而针对亚洲人群的数据信息还有巨大的完善空间。

本实施方式中，人体消化系统健康风险预警系统，如图1所示，包括：

人体健康扫描系统：采用鹰演全身健康扫描系统，用于扫描和评估人体消化系统各组织和器官的功能值；

鹰演全身健康扫描系统的扫描指标，包括：胆囊区域、肝右页、降结肠区域、盲肠和阑尾区、结肠肝区、胃区、结肠脾区、升结肠区域、十二指肠区域、食道上段、食道下、胰腺区域、小肠区域、乙状结肠区域、直肠区域的功能值与肠系膜淋巴结的功能值。其中，胆囊区域、肝右页、降结肠区域、盲肠和阑尾区、结肠肝区、胃区、结肠脾区、升结肠区域、十二指肠区域、食道上段、食道下、胰腺区域的功能值的判定标准是小于-30或大于20，小肠区域、乙状结肠区域、直肠区域的功能值的判定标准是小于-50或大于30，肠系膜淋巴结的功能值的判定标准是小于-20或大于20。评估人体消化系统各组织和器官的功能值时，对以上条件综合筛选：肠系膜淋巴结的功能值小于-20或大于20的同时，其他器官区域中除胰腺外的任何一个器官区域的功能值小于-50或大于30，则消化系统标为异常。或者，肠系膜淋巴结的功能值小于-20或大于20的同时，胰腺的功能值小于-30或大于20，则消化系统标为异常。

消化系统健康风险预警数据处理器：获取消化系统的临床指标数据，利用人体消化系统健康风险预警模型，基于人体消化系统各组织和器官的功能值和消化系统的临床指标数据进行人体消化系统健康风险预警；所述人体消化系统健康风险预警模型的输入为人体消化系统各组织和器官的功能值和消化系统的临床指标数据，输出为消化系统健康风险预警结果；

消化系统健康风险预警数据处理器包括：

数据采集单元：采集人体健康扫描系统扫描和评估的人体消化系统各组织和器官的功能值、消化系统的临床指标数据；临床指标：①病史：反酸、便秘、腹泻，呕吐，溃疡、胃炎、肠炎、克罗恩病、脂肪肝、黄疸、肝炎、胆囊炎、胆囊结石、血管瘤、吸虫病等消化系统病史(在病史及健康体检的总检报告中筛选)②查体：气过水音，亢进，压痛及反跳痛、肝界大等(在内外科小结中筛选)③影像检查：DR(立位腹平片)彩超、CT、MR、胃肠镜等异常，如含气液平面、肠梗阻、肠套叠、脂肪肝、肝囊肿、血管瘤、肝内胆管结石、胆囊结石、胆囊息肉、胆囊炎、胰腺炎、胃炎、肠炎等疾病诊断字样(在各检查结论、总检小结筛选)④实验室检查：所有相关的消化化验指标。

人体消化系统健康风险预警模型建立单元：根据扫描和评估的人体消化系统各组织和器官的功能值历史数据和消化系统的临床指标历史数据以及相应的消化系统健康风险历史预警结果训练人体消化系统健康风险预警模型；通过临床经验以及综合判断指标，形成消化系统健康风险历史预警结果7项。消化系统健康风险历史预警结果分别是：消化系统健康状态、肝脏亢进、肝脏抑制、胆囊亢进、胆囊抑制、胃肠亢进、胃肠抑制。消化系统健康状况，包括消化系统整体功能的亢进或者抑制。

人体消化系统健康风险预警模型建立单元包括：

样本生成模块：根据扫描和评估的人体消化系统各组织和器官的功能值历史数据和消化系统的临床指标历史数据以及相应的消化系统健康风险历史预警结果生成样本集，样本集中共7000个样本，将样本集中的2894个样本作为训练样本，剩余的4106个样本作为测试样本；每个样本包含鹰演全身健康扫描系统的扫描指标、临床指标、评估结论共计433项信息。

模型训练模块：机器学习是当今大数据时代的核心研究方向，其研究成果被广泛应用到模式识别、计算机视觉、数据挖掘、控制论等领域当中。在本实施方式采用性能优异的两种挖掘分类器，分别为支持向量机SVM和极限学习机ELM。

将样本集中的训练样本作为输入，将消化系统健康风险历史预警结果作为输出，分别采用极限学习机ELM和支持向量机SVM模型，进行人体消化系统健康风险预警模型训练，训练得到人体消化系统健康风险预警模型；

极限学习机是从单隐藏层的神经网络发展而来的，并具有易于实现，速度快，泛化能力强等特点。极限学习机比单隐藏层反馈神经网络缺乏了输出层偏置，而输入权重w_i和隐藏层偏置b_i随机产生，不需要调整，那么整个网络仅仅剩下输出权重β一项没有确定。

令神经网络的输出等于样本标签，如式(1)表示

T＝Hβ(1)

求出式(1)的解即能完成整个神经网络的构建。当隐藏神经元的个数L与训练样本的个数N一致时，即L＝N，矩阵H为可逆方阵，那么取输出权重β＝H^-1T，可使神经网络以0误差拟合映射函数f:x→y。

然而，在大多数情况下，隐藏神经元的个数L是远小于训练样本的个数N的，即L＜＜N，这时不存在使得式(1)成立的解，因此转而求使损失函数C最小的解，如式(2)表示。

$\widehat{\mathrm{\β}}=\arg \min \left|\right|T-H\mathrm{\β}|{|}_F---\left(2\right)$

根据极小范数解准则(即同时满足min||Hβ-T||和min||β||)，则式(2)存在如下极小范数选最小二乘解：

$\widehat{\mathrm{\β}}=H^{+}T---\left(3\right)$

其中H⁺是隐藏层响应矩阵H的Moore-Penrose增广逆，简称伪逆。H⁺有多种计算方式。在极限学习机当中，正交法经常被用于H⁺的计算：当H^TH非奇异时，HH⁺＝(H^TH)^-1H^T；当HH^T非奇异时，H⁺＝H^T(HH^T)^-1。

算法1总结了极限学习机的流程。

Input:训练样本集隐藏神经元个数L和激励函数g(·)

Output:输出权重β

1.随机生成w_i，b_i，i＝1,...,L；

2.计算H；

3.根据公式(3)计算β；

当计算完毕时，一个单隐藏层反馈神经网络就完成了。对于一个标签未知的测试样本x，可以通过单隐藏层反馈神经网络推测它的标签，它的标签可用下式推测：

$f_L\left(x\right)=h\left(x\right)\widehat{\mathrm{\β}}---\left(4\right)$

其中h(x)＝[G(w₁,b₁,x)…G(w_L,b_L,x)]是神经网络隐藏层关于x的响应。

极限学习机与传统的基于梯度求解的单隐藏层反馈神经网络算法相比具有以下几个特征：

(1)极限学习机的速度非常快，或者说不需要学习，只需要将输出权重β(复杂度为o(min(L³,N³)))求出即可；而反向误差传播算法每迭代一次需要调整n×(L+1)+L×(m+1)个值，且反向传播算法为了保证系统的稳定性通常选取较小的学习率，使得学习时间大大加长。因此极限学习机在这一方法优势非常巨大，在实验中，极限学习机往往在数秒内就完成了运算。而一些比较经典的算法在训练一个单隐藏层神经网络的时候即使是很小的应用也要花费大量的时间，似乎这些算法存在着一个无法逾越的虚拟速度壁垒。

(2)在大多数的应用中，极限学习机的泛化能力大于类似于误差反向传播算法这类的基于梯度的算法。

(3)传统的基于梯度的算法需要面对诸如局部最小，合适的学习率、过拟合等问题，而机选学习机一步到位直接构建起单隐藏层反馈神经网络，避免了这些难以处理的棘手问题。

极限学习机由于这些优势，极限学习机在很多领域进行分类预测时得到了广泛应用。

而支持向量机SVM通过引入核函数，将样本向量映射到高维特征空间，然后在高维空间中构造最优分类面，获得线性最优决策函数。SVM可以通过控制超平面的间隔度量来抑制函数的过拟合；通过采用核函数巧妙解决了维数问题，避免了学习算法计算复杂度与样本维数的直接相关。

SVM定义最优线性超平面，并把寻找最优线性超平面转化为求解二次规划问题，进而基于Mercer定理，通过非线性映射，把样本空间映射到高维特征空间，从而使用线性方法解决样本空间中的高度非线性问题。支持向量机是针对二类别分类提出的。假设给定训练样本{x_i,y_i},i＝1,2,...,l，x∈R^d，y_i∈{-1,1}，存在分类超平面w·x+b＝0，为使分类面对所有样本正确分类且具备分类间隔，必须满足

y_i[(w·x_i)+b]-1≥0(5)

可以计算出分类间隔为

$\underset{\left\{x_i\right|y_i=+1\}}{\min }\frac{w\·x_i+b}{\left|\right|w\left|\right|}-\underset{\left\{x_i\right|y_i=-1\}}{\min }\frac{w\·x_i+b}{\left|\right|w\left|\right|}=\frac{2}{\left|\right|w\left|\right|}---\left(6\right)$

要求最大分类间隔2/||w||，即要求最小化||w||。则求解最优分类超平面问题就可以表示成约束优化问题，即在式(5)的约束下，最小化函数

$\mathrm{\Ψ}\left(w\right)=\frac{1}{2}\left|\right|w|{|}^2=\frac{1}{2}(w\·w)---\left(7\right)$

引入Lagrange函数：

$L=\frac{1}{2}\left|\right|w|{|}^2-\underset{i=1}{\overset{l}{\Σ}}{\mathrm{\α}}_i{y}_i(w\·x_i+b)+\underset{i=1}{\overset{l}{\Σ}}{\mathrm{\α}}_i---\left(8\right)$

其中，α_i＞0为Lagrange系数。将式(8)分别对w和b求偏导并令其等于0，就可以将上述问题转化为简单的对偶问题。

$\frac{\∂L}{\∂w}=w-\underset{i=1}{\overset{l}{\Σ}}{\mathrm{\α}}_i{y}_i{x}_i=0---\left(9\right)$

$\frac{\∂L}{\∂b}=-\underset{i=1}{\overset{l}{\Σ}}{\mathrm{\α}}_i{y}_i=0---\left(10\right)$

将式(9)和式(10)带入式(8)中，即可得到对偶最优化问题：求解下列函数的最大值

$\begin{array}{c}W\left(\mathrm{\α}\right)=\underset{i=1}{\overset{l}{\Σ}}{\mathrm{\α}}_i-\frac{1}{2}\underset{i,j=1}{\overset{l}{\Σ}}{\mathrm{\α}}_i{\mathrm{\α}}_j{y}_i{y}_j\left(x_i\·x_j\right)\\ \begin{array}{cc}s.t.& y_i\[\left(w\·x_i\right)+b\]-1\≥0\end{array}\\ \underset{i=1}{\overset{n}{\Σ}}{y}_i{\mathrm{\α}}_i=0\\ {\mathrm{\α}}_i\≥0,i=1,\mathrm{...},l\end{array}---\left(11\right)$

这是一个不等式约束下的二次函数极值问题(QP，QuadraticProgramming)。根据Karush-Kuhn-Tucker(KKT)条件，该优化问题的解必须满足：

α_i{y_i[(w·x_i)+b]-1}＝0,i＝1,...,l(12)

因此，多数样本对应的α_i是为0的，把α_i≠0对应于使式(5)中等号成立的样本称为支持向量(SVs)。在支持向量机算法中，支持向量是训练集中的关键元素，它们离决策边界最近。如果去掉其它所有的训练样本，再重新进行训练，将得到相同的分类面。

求解上述二次规划问题后，则分类决策函数可表示为

$f\left(x\right)=\mathrm{sgn}(\underset{i=1}{\overset{n}{\Σ}}{\mathrm{\α}}_i^{*}{y}_i(x_i\·x)+b^{*})---\left(13\right)$

式中的求和只对支持向量进行，即只有不为零的α_i对应的训练样本决定分类结果，而其它样本与分类结果无关。b^*是分类阈值。当训练样本集为线性不可分时，引入非负松弛变量ξ_i,i＝1,2,...,l，分类超平面的最优问题为

$\underset{w,b,{\mathrm{\ξ}}_i}{\min }\frac{1}{2}\left|\right|w|{|}^2+C\underset{i=1}{\overset{l}{\Σ}}{\mathrm{\ξ}}_i---\left(14\right)$

其对偶问题为对α求解下列函数的最大值：

$\begin{array}{c}\underset{i=1}{\overset{l}{\Σ}}{\mathrm{\α}}_i-\frac{1}{2}\underset{i,j=1}{\overset{l}{\Σ}}{\mathrm{\α}}_i{\mathrm{\α}}_j{y}_i{y}_j\left(x_i\·x_j\right)\\ \begin{array}{cc}s.t.& y_i\[\left(w\·x_i\right)+b\]\≥1-{\mathrm{\ξ}}_i\end{array}\\ \underset{i=1}{\overset{n}{\Σ}}{y}_i{\mathrm{\α}}_i=0\\ 0\≤{\mathrm{\α}}_i\≤C,{\mathrm{\ξ}}_i\≥0,i=1,\mathrm{...},l\end{array}---\left(15\right)$

其中C＞0是一个常数，称为误差惩罚参数，它控制对错分样本惩罚的程度；ξ_i是在训练样本线性不可分时引入的非负松弛变量。

当样本线性不可分时，分类决策函数也可表示为式(13)的形式。

对于非线性分类问题，则采用适当的内积函数K(x_i,x_j)就可以实现某一非线性变换后的线性分类，此时优化的目标函数变为

$Q\left(x\right)=\underset{i=1}{\overset{l}{\Σ}}{\mathrm{\α}}_i-\frac{1}{2}\underset{i,j=1}{\overset{l}{\Σ}}{\mathrm{\α}}_i{\mathrm{\α}}_j{y}_i{y}_{j}K(x_i\·x_j)---\left(16\right)$

而相应的分类决策函数表示为

$f\left(x\right)=\mathrm{sgn}(\underset{i=1}{\overset{l}{\Σ}}{\mathrm{\α}}_i^{*}{y}_{i}K(x_i\·x)+b^{*})---\left(17\right)$

以上的分类决策函数就是支持向量机。可以看到，把原问题转化为对偶问题，使得计算的复杂度不再取决于空间维数，而是取决于样本数，尤其是样本中的支持向量数，支持向量机的这个特点使它能有效的对付高维问题。

支持向量机的特点

1.系统结构简单表面上支持向量机的结构类似与于三层前馈神经网络，但它们有着根本的不同。支持向量机结构非常简单，不需要过多的先验知识。它的隐层是由算法自动确定的，可以随实际问题的需要而自适应的调节规模与大小，不存在类似神经网络的结构选择问题。而神经网络的隐层数和每层的节点数目都是事先确定好的，神经网络的算法中仅自动产生网络权值。

2.全局最优性支持向量机是通过求解最优超平面来进行学习的，在高维特征空间中的超平面对应原始模式空间中的非线性分类面。寻找最优超平面的问题是利用Lagrange优化方法转化为二次规划问题，能够保证支持向量机算法得到的是全局最优解，使它成为一种优秀的学习算法。在神经网络中，得到的结果可能是局部最优解。特别是当训练样本的维数较高时，高维空间可能存在许多局部极值，且不同的局部极值之间有较大差异，神经网络的训练和测试结果会呈现出较大的随机性。

3.推广能力强支持向量机基于统计学习理论，采用结构风险最小化原则，能在经验风险与模型复杂度之间做合理的折衷，能够尽量提高学习机的推广性能，即使由有限训练样本得到的决策规则对独立的测试集仍能够得到较小的误差。神经网络采用了保持置信范围并最小化经验风险的策略，但并没有明确的依据来指导如何构造学习机器使得置信范围最小；而SVM采用的使保持经验风险固定并最小化置信范围的方法。从获得良好推广能力的角度来看，SVM显然比神经网络要高明得多。

消化系统及其他器官亚健康人群比例如表1所示。

表1消化系统及其他器官亚健康人群比例

模型测试模块：利用样本集中的测试样本，分别对采用极限学习机ELM训练出的人体消化系统健康风险预警模型和采用支持向量机SVM模型训练出的人体消化系统健康风险预警模型的训练结果进行测试；

模型选择模块：选择测试结果评价高即测试结果准确率高的人体消化系统健康风险预警模型作为最终的人体消化系统健康风险预警模型。

表2ELM和SVM准确率比较

结果表明，极限学习机ELM在准确率上高于支持向量机SVM，因此本实施方式选择极限学习机ELM模型作为最终的人体消化系统健康风险预警模型。

人群中消化系统亚健康问题是普遍存在的，亚健康人群与健康人群在许多鹰演和临床指标上具有一定的差异性，基于大数据集，利用极限学习机ELM模型对亚健康人群的消化系统进行亚健康预测应用本技术完全可行，准确率高，能够更加全面和客观的对进行消化系统的亚健康状况进行预警。

人体消化系统健康风险预警单元：利用人体消化系统健康风险预警模型，基于当前采集到的人体消化系统各组织和器官的功能值、消化系统的临床指标数据，进行人体消化系统健康风险预警，得到人体消化系统健康风险预警结果，输出至消化系统健康风险预警结果显示器。

消化系统健康风险预警结果显示器：显示消化系统健康风险预警数据处理器输出的消化系统健康风险预警结果；

人体健康扫描系统的输出端连接消化系统健康风险预警数据处理器的输入端，消化系统健康风险预警数据处理器的输出端消化系统健康风险预警结果显示器。

如图3所示，利用人体消化系统健康风险预警系统进行人体消化系统健康风险预警的过程如下：

步骤1：利用人体健康扫描系统扫描和评估人体消化系统各组织和器官的功能值；

步骤2：获取消化系统的临床指标数据，利用人体消化系统健康风险预警模型，基于人体消化系统各组织和器官的功能值和消化系统的临床指标数据进行人体消化系统健康风险预警；

所述人体消化系统健康风险预警模型的输入为人体消化系统各组织和器官的功能值和消化系统的临床指标数据，输出为消化系统健康风险预警结果；

步骤2.1：采集人体健康扫描系统扫描和评估的人体消化系统各组织和器官的功能值、消化系统的临床指标数据；

步骤2.2：根据扫描和评估的人体消化系统各组织和器官的功能值历史数据和消化系统的临床指标历史数据以及相应的消化系统健康风险历史预警结果训练人体消化系统健康风险预警模型；

步骤2.2.1：根据扫描和评估人体消化系统各组织和器官的功能值历史数据和消化系统的临床指标历史数据以及相应的消化系统健康风险历史预警结果生成样本集，将样本集中的一部分样本作为训练样本，其余作为测试样本；

步骤2.2.2：将样本集中的训练样本作为输入，将消化系统健康风险历史预警结果作为输出，分别采用极限学习机ELM和支持向量机SVM模型，进行人体消化系统健康风险预警模型训练，训练得到人体消化系统健康风险预警模型；

步骤2.2.3：利用样本集中的测试样本，分别对采用极限学习机ELM训练出的人体消化系统健康风险预警模型和采用支持向量机SVM模型训练出的人体消化系统健康风险预警模型的训练结果进行测试；

步骤2.2.4：选择测试结果评价高即训练结果准确率高的人体消化系统健康风险预警模型作为最终的人体消化系统健康风险预警模型。

步骤2.3：利用人体消化系统健康风险预警模型，基于当前采集到的人体消化系统各组织和器官的功能值、消化系统的临床指标数据，进行人体消化系统健康风险预警，得到人体消化系统健康风险预警结果；

步骤3：消化系统健康风险预警结果显示器显示消化系统健康风险预警结果。

Claims (3)

1.一种人体消化系统健康风险预警系统，其特征在于，包括：

人体健康扫描系统：用于扫描和评估人体消化系统各组织和器官的功能值，包括胆囊区域、肝右页、降结肠区域、盲肠和阑尾区、结肠肝区、胃区、结肠脾区、升结肠区域、十二指肠区域、食道上段、食道下、胰腺区域、小肠区域、乙状结肠区域、直肠区域的功能值与肠系膜淋巴结的功能值；

消化系统健康风险预警数据处理器：获取消化系统的临床指标数据，利用人体消化系统健康风险预警模型，基于人体消化系统各组织和器官的功能值和消化系统的临床指标数据进行人体消化系统健康风险预警；所述人体消化系统健康风险预警模型的输入为人体消化系统各组织和器官的功能值和消化系统的临床指标数据，输出为消化系统健康风险预警结果；所述消化系统的临床指标数据包括：消化系统病史、查体、影像检查、实验室检查的消化化验指标；所述消化系统健康风险预警结果包括：消化系统健康状态、肝脏亢进、肝脏抑制、胆囊亢进、胆囊抑制、胃肠亢进、胃肠抑制；

消化系统健康风险预警结果显示器：显示消化系统健康风险预警数据处理器输出的消化系统健康风险预警结果；

人体健康扫描系统的输出端连接消化系统健康风险预警数据处理器的输入端，消化系统健康风险预警数据处理器的输出端连接消化系统健康风险预警结果显示器。

2.根据权利要求1所述的人体消化系统健康风险预警系统，其特征在于，所述消化系统健康风险预警数据处理器包括：

数据采集单元：采集人体健康扫描系统扫描和评估的人体消化系统各组织和器官的功能值、消化系统的临床指标数据；

人体消化系统健康风险预警模型建立单元：根据扫描和评估的人体消化系统各组织和器官的功能值历史数据和消化系统的临床指标历史数据以及相应的消化系统健康风险历史预警结果训练人体消化系统健康风险预警模型；

人体消化系统健康风险预警单元：利用人体消化系统健康风险预警模型，基于当前采集到的人体消化系统各组织和器官的功能值、消化系统的临床指标数据，进行人体消化系统健康风险预警，得到人体消化系统健康风险预警结果，输出至消化系统健康风险预警结果显示器。

3.根据权利要求2所述的人体消化系统健康风险预警系统，其特征在于，所述人体消化系统健康风险预警模型建立单元包括：

样本生成模块：根据扫描和评估的人体消化系统各组织和器官的功能值历史数据和消化系统的临床指标历史数据以及相应的消化系统健康风险历史预警结果生成样本集，将样本集中的一部分样本作为训练样本，其余作为测试样本；

模型训练模块：将样本集中的训练样本作为输入，将消化系统健康风险历史预警结果作为输出，分别采用极限学习机ELM和支持向量机SVM模型，进行人体消化系统健康风险预警模型训练，训练得到人体消化系统健康风险预警模型；

模型测试模块：利用样本集中的测试样本，分别对采用极限学习机ELM训练出的人体消化系统健康风险预警模型和采用支持向量机SVM模型训练出的人体消化系统健康风险预警模型的训练结果进行测试；

模型选择模块：选择测试结果评价高即测试结果准确率高的人体消化系统健康风险预警模型作为最终的人体消化系统健康风险预警模型。