CN106339605A - 一种基于增量式神经网络模型的结肠炎预测方法和预测系统 - Google Patents
一种基于增量式神经网络模型的结肠炎预测方法和预测系统 Download PDFInfo
- Publication number
- CN106339605A CN106339605A CN201610861997.9A CN201610861997A CN106339605A CN 106339605 A CN106339605 A CN 106339605A CN 201610861997 A CN201610861997 A CN 201610861997A CN 106339605 A CN106339605 A CN 106339605A
- Authority
- CN
- China
- Prior art keywords
- colitis
- neuron
- network model
- neural network
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明公开了一种基于增量式神经网络模型的结肠炎预测方法,包括如下步骤:建立结肠炎日常数据数据库;对神经网络模型进行训练;采集日常生活数据发送至服务器,保存至用户日常数据记录表中;从用户日常数据记录表中提取当日数据,形成n维向量,做归一化处理后输入结肠炎病理神经网络模型中进行结肠炎概率预测;智能家庭结肠炎护理设备判断结肠炎概率值是否大于0.5;当用户判定为得了结肠炎时,用户自行去医院检查,并将检查结果通过智能家庭结肠炎护理设备传送回服务器,服务器判断检查结果是否正确;当检查结果错误时执行增量式算法,对神经网络模型进行动态修正。本发明预测准确,针对每个用户量身定做神经网络模型。
Description
技术领域
本发明属于医疗技术领域,特别是涉及一种基于增量式神经网络模型的结肠炎预测方法和预测系统。
背景技术
当前国内各健康管理系统均设置结肠炎预测评价,其使用的预测方式为数据匹配。其原理是将个人生活数据输入系统由系统匹配固定数据然后得出患病几率。但由于人体和疾病的复杂性、不可预测性,在生物信号与信息的表现形式上、变化规律(自身变化与医学干预后变化)上,对其进行检测与信号表达,获取的数据及信息的分析、决策等诸多方面都存在非常复杂的非线性联系。所以使用传统的数据匹配只能是盲目的数据筛查,无法判断数据与数据之间的逻辑关联以及变量,得到的值域偏差大,造成系统预测的特异性十分差,所以目前的国内健康管理系统无法有效对个人的结肠炎进行准确预测。
此前大部分对结肠炎预测都是使用BP神经网络模型,但是当新的检测数据产生的时候,都必须再次训练神经网络模型,运算效率极低。而且当系统用户规模增加后,服务器将无法及时完成训练任务。
发明内容
本发明的目的就在于克服现有技术的不足,提供了一种基于增量式神经网络模型的结肠炎预测方法和预测系统,本发明通过神经网络模型训练预测大量医院患者病理数据,找到结肠炎病理与结肠炎早期生活细节变化、临床症状、检测标准值、高危人群特征,这几项病因之间的逻辑关联和变量,最终形成对结肠炎患病几率准确预测的结肠炎病理神经网络模型,本发明通过采集用户日常生活数据,主动分析其数据的周期性、规律性最终通过结肠炎病理神经网络模型预测用户的患结肠炎概率,以视觉效果的方式提醒用户即时就医,当神经网络模型预测不准确时通过增量式算法不断修正神经网络模型,以针对每个设备用户建立训练出针对该用户的神经网络模型,随着使用时间的增加,以建立对该用户量身定做 的神经网络模型,准确率被大幅提高。
为了实现上述目的,本发明提供了一种基于增量式神经网络模型的结肠炎预测方法,包括如下步骤:
步骤(1)、获取医院结肠炎病因病理数据源与病人日常监控数据,从而建立结肠炎日常数据数据库;
步骤(2)、根据步骤(1)建立的结肠炎日常数据数据库以离线的方式对神经网络模型进行训练,以得到训练好的结肠炎病理神经网络模型;
步骤(3)、通过智能监控设备对用户的日常生活数据进行采集,并将采集的日常生活数据发送至服务器,服务器将用户的日常生活数据保存至用户日常数据记录表中;
步骤(4)、从用户日常数据记录表中提取当日数据,形成n维向量,并对n维向量做归一化处理后输入步骤(2)中训练好的结肠炎病理神经网络模型中进行结肠炎概率预测,得到结肠炎概率,服务器将结肠炎概率传送给智能家庭结肠炎护理设备;
步骤(5)、智能家庭结肠炎护理设备接收服务器传送的结肠炎概率后,判断结肠炎概率值是否大于0.5,如果大于0.5,则判定为该用户得了结肠炎,警示器警示以提醒用户,如果小于0.5,则判定为该用户没有得结肠炎;
步骤(6)、当用户判定为得了结肠炎时,用户自行去医院检查,并将检查结果通过智能家庭结肠炎护理设备传送回服务器,服务器判断检查结果是否正确,如果检查结果错误,则说明结肠炎病理神经网络模型预测不准确,如果检查结果正确,则说明结肠炎病理神经网络模型预测准确;
步骤(7)、当检查结果错误时,从用户日常数据记录表中抽取m天内的记录保存至增量数据表中,当增量数据表中的记录数量大于h条时,执行增量式算法,对结肠炎病理神经网络模型进行动态修正;
步骤(8)、重复步骤(3)~(7)。
进一步地,神经网络模型的输入层为n个节点,隐含层个数为n*2+1,输出层为1个节点,从结肠炎日常数据数据库表中提取k条记录进行训练,每条记录是一个n维向量,所有数据在使用前先经归一化处理,使其数值在[0,1]区间,然后执行如下步骤对神经网络模型进行训练:
1)输入一个n维向量到神经网络模型,计算神经网络模型中所有的权
向量到该输入n维向量的距离,距离最近的神经元即为获胜神经元,其计算
公式如下:
其中:Wk是获胜神经元的权向量,||...||为欧几里得距离;
2)调整获胜神经元和获胜神经元领域内的神经元的权向量,公式如下:
其中:Wj(t)是神经元;Wj(t+1)是调整前和调整后的权向量;j属于获胜神经元领域;α(t)是学习率,它是随着迭代次数的增加逐渐递减的函数,取值范围为[0 1],经过多次实验选取最佳学习率为0.62;Dj是神经元j与获胜神经元的距离;σ(t)是随着时间递减的函数;每一次迭代都将所有输入n维向量输入到神经网络模型中进行训练,当达到规定的迭代次数后,神经网络模型训练结束。
进一步地,智能家庭结肠炎护理设备将检查结果传送回服务器的结果信息的格式为:{检查是否正确,血糖值},服务器在接收到结果信息后,判断检查结果是否正确。
进一步地,对结肠炎病理神经网络模型进行动态修正的增量式算法为:
把增量数据表中的每条向量V{V1,V2,…,Vn},传送至神经网络模型学习函数中进行学习,学习步骤如下:
1)首先对输出层各权向量赋小随机数并做归一化处理,然后利用输入模式向量V的平均值Avg(V),初始化为神经网络模型第0层中唯一神经元的权值,并设置为获胜神经元,计算其量化误差QE;
2)从第0层的神经元中拓展出一个2×2结构SOM,并将其层次标识Layer置为1;
3)对于第Layer层中拓展出的每一个2×2结构SOM子网,初始化这4个 神经元的权值;将第i个神经元的输入向量集合Ci设置为空,主标签置为NULL,神经元i的主标签比率ri置为0;新的SOM的异常预警数据向量V继承其父神经元的获胜输入向量集合VX;
4)从VX中挑选一个向量VXi做以下判断:
如果VXi为不带标签的数据,则计算它与每个神经元的欧氏距离,选择距离最短的神经元作为获胜神经元;
如果VXi为带标签的数据,则选择主标签与VXi的标签相同且ri值最大的神经元作为获胜神经元,更新该获胜神经元主标签;
如果找不到主标签与VXi的标签相同的神经元,则找到与VXi距离最近的神经元i作为获胜神经元;
5)对获胜神经元及其邻域内神经元的权值进行调整,更新获胜向量集合W=W∪{VXi},计算获胜神经元的主标签、主标签比率ri和信息熵Ei.如果未达到预定训练次数,则转步骤4);
6)计算经调整后的该神经网络模型中每个神经元的量化误差QEi、神经元信息熵Ei和子网的平均量化误差MQE,公式如下:
其中:Wi为神经元i的权值向量,Ci为映射到神经元i的所有输入向量构成的集合;
其中:ni表示落在神经元上标签为i的样本个数,m表示落在神经元上有标签数据的总数,T表示落在神经元上的样本标签种类集合;
然后判断:
如果MQE>父节点的QE×阈值q,其中q=0.71,则在该SOM中插入一行神经元,转步骤4);
如果Ei>父节点的Ei×阈值p,其中p=0.42,则从该神经元上长出一层新的子网,将新长出的子网增加到Layer+1层的子网队列中;
如果SOM中没有插入新的神经元也没有长出新的子网,说明该子网训练完 成;
7)对于新拓展出的Layer+1层的所有2×2结构SOM,迭代运行步骤3)~5)对其重新进行训练,直至神经网络模型不再产生新的神经元和新的分层,整个训练结束。
进一步地,如果用户通过其他方式包括体检和自查,得知自己已患结肠炎,而智能家庭结肠炎护理设备的警示器没有警示,则表示智能家庭结肠炎护理设备判断不准确,此时执行步骤(6)~(7),智能家庭结肠炎护理设备把结果信息传送到服务器上。
本发明还提供了一种所述结肠炎预测方法的预测系统,包括智能监控设备、智能设备数据采集器、服务器和智能家庭结肠炎护理设备,所述智能监控设备与所述智能设备数据采集器相连接,所述智能设备数据采集器通过通讯装置一与所述服务器网络通讯,所述智能家庭结肠炎护理设备通过通讯装置二与所述服务器网络通讯。
进一步地,所述智能家庭结肠炎护理设备上设置有警示器。
进一步地,所述智能监控设备包括智能穿戴设备、智能水杯、智能体重称、智能马桶和智能光感设备。
本发明的有益效果:
1、本发明通过神经网络模型训练预测大量医院患者病理数据,找到结肠炎病理与结肠炎早期生活细节变化、临床症状、检测标准值、高危人群特征,这几项病因之间的逻辑关联和变量,最终形成对结肠炎患病几率准确预测的结肠炎病理神经网络模型,本发明通过采集用户日常生活数据,主动分析其数据的周期性、规律性最终通过结肠炎病理神经网络模型预测用户的患结肠炎概率,以视觉效果的方式提醒用户即时就医和预防。
2、当神经网络模型预测不准确时通过增量式算法不断修正神经网络模型,以针对每个设备用户建立训练出针对该用户的神经网络模型,随着使用时间的增加,以建立对该用户量身定做的神经网络模型,准确率被大幅提高。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例 或现有技术描述中所需要使用的附图作简单地介绍,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为本发明实施例的流程图。
具体实施方式
下面结合附图对发明进一步说明,但不用来限制本发明的范围。
实施例
如图1所示,本发明提供的一种基于增量式神经网络模型的结肠炎预测方法,包括如下步骤:
步骤(1)、获取医院结肠炎病因病理数据源与病人日常监控数据,从而建立结肠炎日常数据数据库;
其中日常监控数据为16项数据,其16项数据为年龄,性别,体脂,喝水量及频率,大便次数,直肠疼痛感情况,体重,食物辛辣程度,睡眠时间,睡眠质量,入睡时间,吸烟量(每日),喝酒量(每日),从事职业,每日行走距离等16项数据,本发明以16项数据建立16维向量;
步骤(2)、根据步骤(1)建立的结肠炎日常数据数据库以离线的方式对神经网络模型进行训练,以得到训练好的结肠炎病理神经网络模型;
步骤(3)、通过智能监控设备对用户的日常生活数据进行采集,并将采集的日常生活数据发送至服务器,服务器将用户的日常生活数据保存至用户日常数据记录表中;
步骤(4)、从用户日常数据记录表中提取当日数据,形成16维向量,并对16维向量做归一化处理后输入步骤(2)中训练好的结肠炎病理神经网络模型中进行结肠炎概率预测,得到结肠炎概率,服务器将结肠炎概率传送给智能家庭结肠炎护理设备;
步骤(5)、智能家庭结肠炎护理设备接收服务器传送的结肠炎概率后,判断结肠炎概率值是否大于0.5,如果大于0.5,则判定为该用户得了结肠炎,警示器警示以提醒用户,如果小于0.5,则判定为该用户没有得结肠炎;
步骤(6)、当用户判定为得了结肠炎时,用户自行去医院检查,并将检查结 果通过智能家庭结肠炎护理设备传送回服务器,服务器判断检查结果是否正确,如果检查结果错误,则说明结肠炎病理神经网络模型预测不准确,如果检查结果正确,则说明结肠炎病理神经网络模型预测准确;
步骤(7)、当检查结果错误时,从用户日常数据记录表中抽取7天内的记录保存至增量数据表中,当增量数据表中的记录数量大于100条时,执行增量式算法,对结肠炎病理神经网络模型进行动态修正;
步骤(8)、重复步骤(3)~(7)。
本发明的神经网络模型的输入层为16个节点,隐含层个数为33,输出层为1个节点(即结肠炎的概率),从结肠炎日常数据数据库表中提取400000条记录进行训练,每条记录是一个16维向量,所有数据在使用前先经归一化处理,使其数值在[0,1]区间,然后执行如下步骤对神经网络模型进行训练:
1)输入一个16维向量到神经网络模型,计算神经网络模型中所有的权向量到该输入16维向量的距离,距离最近的神经元即为获胜神经元,其计算公式如下:
其中:Wk是获胜神经元的权向量,||...||为欧几里得距离;
2)调整获胜神经元和获胜神经元领域内的神经元的权向量,公式如下:
其中:Wj(t)是神经元;Wj(t+1)是调整前和调整后的权向量;j属于获胜神经元领域;α(t)是学习率,它是随着迭代次数的增加逐渐递减的函数,取值范围为[0 1],经过多次实验选取最佳学习率为0.62;Dj是神经元j与获胜神经元的距离;σ(t)是随着时间递减的函数;每一次迭代都将所有输入n维向量输入到神经网络模型中进行训练,当达到规定的迭代次数后,神经网络模型训练结束。
本发明的智能家庭结肠炎护理设备将检查结果传送回服务器的结果信息的 格式为:{检查是否正确,血糖值},服务器在接收到结果信息后,判断检查结果是否正确。
本发明的对结肠炎病理神经网络模型进行动态修正的增量式算法为:
把增量数据表中的每条向量V{V1,V2,…,Vn},传送至神经网络模型学习函数中进行学习,学习步骤如下:
1)首先对输出层各权向量赋小随机数并做归一化处理,然后利用输入模式向量V的平均值Avg(V),初始化为神经网络模型第0层中唯一神经元的权值,并设置为获胜神经元,计算其量化误差QE;
2)从第0层的神经元中拓展出一个2×2结构SOM,并将其层次标识Layer置为1;
3)对于第Layer层中拓展出的每一个2×2结构SOM子网,初始化这4个神经元的权值;将第i个神经元的输入向量集合Ci设置为空,主标签置为NULL,神经元i的主标签比率ri置为0;新的SOM的异常预警数据向量V继承其父神经元的获胜输入向量集合VX;
4)从VX中挑选一个向量VXi做以下判断:
如果VXi为不带标签的数据,则计算它与每个神经元的欧氏距离,选择距离最短的神经元作为获胜神经元;
如果VXi为带标签的数据,则选择主标签与VXi的标签相同且ri值最大的神经元作为获胜神经元,更新该获胜神经元主标签;
如果找不到主标签与VXi的标签相同的神经元,则找到与VXi距离最近的神经元i作为获胜神经元;
5)对获胜神经元及其邻域内神经元的权值进行调整,更新获胜向量集合W=W∪{VXi},计算获胜神经元的主标签、主标签比率ri和信息熵Ei.如果未达到预定训练次数,则转步骤4);
6)计算经调整后的该神经网络模型中每个神经元的量化误差QEi、神经元信息熵Ei和子网的平均量化误差MQE,公式如下:
其中:Wi为神经元i的权值向量,Ci为映射到神经元i的所有输入向量构成 的集合;
其中:ni表示落在神经元上标签为i的样本个数,m表示落在神经元上有标签数据的总数,T表示落在神经元上的样本标签种类集合;
然后判断:
如果MQE>父节点的QE×阈值q,其中q=0.71,则在该SOM中插入一行神经元,转步骤4);
如果Ei>父节点的Ei×阈值p,其中p=0.42,则从该神经元上长出一层新的子网,将新长出的子网增加到Layer+1层的子网队列中;
如果SOM中没有插入新的神经元也没有长出新的子网,说明该子网训练完成;
7)对于新拓展出的Layer+1层的所有2×2结构SOM,迭代运行步骤3)~5)对其重新进行训练,直至神经网络模型不再产生新的神经元和新的分层,整个训练结束。
本发明的如果用户通过其他方式包括体检和自查,得知自己已患结肠炎,而智能家庭结肠炎护理设备的警示器没有警示,则表示智能家庭结肠炎护理设备判断不准确,此时执行步骤(6)~(7),智能家庭结肠炎护理设备把结果信息传送到服务器上。
本发明还提供了一种所述结肠炎预测方法的预测系统,包括智能监控设备、智能设备数据采集器、服务器和智能家庭结肠炎护理设备,所述智能监控设备与所述智能设备数据采集器相连接,所述智能设备数据采集器通过通讯装置一与所述服务器网络通讯,所述智能家庭结肠炎护理设备通过通讯装置二与所述服务器网络通讯。
本发明的所述智能家庭结肠炎护理设备上设置有警示器。
本发明的所述智能监控设备包括智能穿戴设备、智能水杯、智能体重称、智能马桶和智能光感设备等。
本发明通过神经网络模型训练预测大量医院患者病理数据,找到结肠炎病理与结肠炎早期生活细节变化、临床症状、检测标准值、高危人群特征,这几项病 因之间的逻辑关联和变量,最终形成对结肠炎患病几率准确预测的结肠炎病理神经网络模型,本发明通过采集用户日常生活数据,主动分析其数据的周期性、规律性最终通过结肠炎病理神经网络模型预测用户的患结肠炎概率,以视觉效果的方式提醒用户即时就医和预防。
本发明的所有数据保存至服务器中,可以大幅节省计算成本,硬件配置低,从而售价也低。
本发明自带通讯装置一和通讯装置二,可以通过wifi自动连接互联网,并长期保持在线。各种智能监控设备都可以通过网络或蓝牙等方式轻松接入本发明设备,在获取设备授权后即可自动上传智能监控设备的监控的日常生活数据,因此本发明设备获取的数据是实时的、准确的、多元的。
由于每个人的身体特征不一样,结肠炎发病时所表现出的数据特征也会不同。因此以往的通过神经网络预测结肠炎的方法准确率不高。本发明针对每个设备用户建立训练出针对该用户的神经网络模型,在运行过一段时间后,将产生对该用户量身定做神经网络预测模型,准确率被大幅提高。
当神经网络模型误判时,智能家庭结肠炎护理设备将错误信息将反馈给服务器,针对该用户动态修正神经网络模型,当下次该用户出现类似特征数据时,将不会再误判。因此,随着使用时间的增加,本发明的智能家庭结肠炎护理设备的判断将会越来越准确。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等同物界定。
Claims (8)
1.一种基于增量式神经网络模型的结肠炎预测方法,其特征在于,包括如下步骤:
步骤(1)、获取医院结肠炎治病病因病理数据源与病人日常监控数据,从而建立结肠炎日常数据数据库;
步骤(2)、根据步骤(1)建立的结肠炎日常数据数据库以离线的方式对神经网络模型进行训练,以得到训练好的结肠炎病理神经网络模型;
步骤(3)、通过智能监控设备对用户的日常生活数据进行采集,并将采集的日常生活数据发送至服务器,服务器将用户的日常生活数据保存至用户日常数据记录表中;
步骤(4)、从用户日常数据记录表中提取当日数据,形成n维向量,并对n维向量做归一化处理后输入步骤(2)中训练好的结肠炎病理神经网络模型中进行结肠炎概率预测,得到结肠炎概率,服务器将结肠炎概率传送给智能家庭结肠炎护理设备;
步骤(5)、智能家庭结肠炎护理设备接收服务器传送的结肠炎概率后,判断结肠炎概率值是否大于0.5,如果大于0.5,则判定为该用户得了结肠炎,警示器警示以提醒用户,如果小于0.5,则判定为该用户没有得结肠炎;
步骤(6)、当用户判定为得了结肠炎时,用户自行去医院检查,并将检查结果通过智能家庭结肠炎护理设备传送回服务器,服务器判断检查结果是否正确,如果检查结果错误,则说明结肠炎病理神经网络模型预测不准确,如果检查结果正确,则说明结肠炎病理神经网络模型预测准确;
步骤(7)、当检查结果错误时,从用户日常数据记录表中抽取m天内的记录保存至增量数据表中,当增量数据表中的记录数量大于h条时,执行增量式算法,对结肠炎病理神经网络模型进行动态修正;
步骤(8)、重复步骤(3)~(7)。
2.根据权利要求1所述的一种基于增量式神经网络模型的结肠炎预测方法,其特征在于,神经网络模型的输入层为n个节点,隐含层个数为n*2+1,输出层为1个节点,从结肠炎日常数据数据库表中提取k条记录进行训练,每条记录是一个n维向量,所有数据在使用前先经归一化处理,使其数值在[0,1]区间,然后执行如下步骤对神经网络模型进行训练:
1)输入一个n维向量到神经网络模型,计算神经网络模型中所有的权向量到该输入n维向量的距离,距离最近的神经元即为获胜神经元,其计算公式如下:
其中:Wk是获胜神经元的权向量,||...||为欧几里得距离;
2)调整获胜神经元和获胜神经元领域内的神经元的权向量,公式如下:
其中:Wj(t)是神经元;Wj(t+1)是调整前和调整后的权向量;j属于获胜神经元领域;α(t)是学习率,它是随着迭代次数的增加逐渐递减的函数,取值范围为[0 1],经过多次实验选取最佳学习率为0.62;Dj是神经元j与获胜神经元的距离;σ(t)是随着时间递减的函数;每一次迭代都将所有输入n维向量输入到神经网络模型中进行训练,当达到规定的迭代次数后,神经网络模型训练结束。
3.根据权利要求1所述的一种基于增量式神经网络模型的结肠炎预测方法,其特征在于,智能家庭结肠炎护理设备将检查结果传送回服务器的结果信息的格式为:{检查是否正确,血糖值},服务器在接收到结果信息后,判断检查结果是否正确。
4.根据权利要求1所述的一种基于增量式神经网络模型的结肠炎预测方法,其特征在于,对结肠炎病理神经网络模型进行动态修正的增量式算法为:
把增量数据表中的每条向量V{V1,V2,…,Vn},传送至神经网络模型学习函数中进行学习,学习步骤如下:
1)首先对输出层各权向量赋小随机数并做归一化处理,然后利用输入模式向量V的平均值Avg(V),初始化为神经网络模型第0层中唯一神经元的权值,并设置为获胜神经元,计算其量化误差QE;
2)从第0层的神经元中拓展出一个2×2结构SOM,并将其层次标识Layer 置为1;
3)对于第Layer层中拓展出的每一个2×2结构SOM子网,初始化这4个神经元的权值;将第i个神经元的输入向量集合Ci设置为空,主标签置为NULL,神经元i的主标签比率ri置为0;新的SOM的异常预警数据向量V继承其父神经元的获胜输入向量集合VX;
4)从VX中挑选一个向量VXi做以下判断:
如果VXi为不带标签的数据,则计算它与每个神经元的欧氏距离,选择距离最短的神经元作为获胜神经元;
如果VXi为带标签的数据,则选择主标签与VXi的标签相同且ri值最大的神经元作为获胜神经元,更新该获胜神经元主标签;
如果找不到主标签与VXi的标签相同的神经元,则找到与VXi距离最近的神经元i作为获胜神经元;
5)对获胜神经元及其邻域内神经元的权值进行调整,更新获胜向量集合W=W∪{VXi},计算获胜神经元的主标签、主标签比率ri和信息熵Ei.如果未达到预定训练次数,则转步骤4);
6)计算经调整后的该神经网络模型中每个神经元的量化误差QEi、神经元信息熵Ei和子网的平均量化误差MQE,公式如下:
其中:Wi为神经元i的权值向量,Ci为映射到神经元i的所有输入向量构成的集合;
其中:ni表示落在神经元上标签为i的样本个数,m表示落在神经元上有标签数据的总数,T表示落在神经元上的样本标签种类集合;
然后判断:
如果MQE>父节点的QE×阈值q,其中q=0.71,则在该SOM中插入一行神经元,转步骤4);
如果Ei>父节点的Ei×阈值p,其中p=0.42,则从该神经元上长出一层新的 子网,将新长出的子网增加到Layer+1层的子网队列中;
如果SOM中没有插入新的神经元也没有长出新的子网,说明该子网训练完成;
7)对于新拓展出的Layer+1层的所有2×2结构SOM,迭代运行步骤3)~5)对其重新进行训练,直至神经网络模型不再产生新的神经元和新的分层,整个训练结束。
5.根据权利要求1所述的一种基于增量式神经网络模型的结肠炎预测方法,其特征在于,如果用户通过其他方式包括体检和自查,得知自己已患结肠炎,而智能家庭结肠炎护理设备的警示器没有警示,则表示智能家庭结肠炎护理设备判断不准确,此时执行步骤(6)~(7),智能家庭结肠炎护理设备把结果信息传送到服务器上。
6.一种采用权利要求1~6所述结肠炎预测方法的预测系统,其特征在于,包括智能监控设备、智能设备数据采集器、服务器和智能家庭结肠炎护理设备,所述智能监控设备与所述智能设备数据采集器相连接,所述智能设备数据采集器通过通讯装置一与所述服务器网络通讯,所述智能家庭结肠炎护理设备通过通讯装置二与所述服务器网络通讯。
7.根据权利要求7所述结肠炎预测方法的预测系统,其特征在于,所述智能家庭结肠炎护理设备上设置有警示器。
8.根据权利要求7所述结肠炎预测方法的预测系统,其特征在于,所述智能监控设备包括智能穿戴设备、智能水杯、智能体重称、智能马桶和智能光感设备。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610861997.9A CN106339605A (zh) | 2016-09-28 | 2016-09-28 | 一种基于增量式神经网络模型的结肠炎预测方法和预测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610861997.9A CN106339605A (zh) | 2016-09-28 | 2016-09-28 | 一种基于增量式神经网络模型的结肠炎预测方法和预测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106339605A true CN106339605A (zh) | 2017-01-18 |
Family
ID=57840361
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610861997.9A Pending CN106339605A (zh) | 2016-09-28 | 2016-09-28 | 一种基于增量式神经网络模型的结肠炎预测方法和预测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106339605A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106910184A (zh) * | 2017-01-12 | 2017-06-30 | 杭州电子科技大学 | 基于深度卷积神经网络的内窥镜图像肠道出血检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1477581A (zh) * | 2003-07-01 | 2004-02-25 | �Ϻ���ͨ��ѧ | 一种适用于计算机辅助医疗诊断的预测建模方法 |
WO2009136520A1 (ja) * | 2008-05-07 | 2009-11-12 | 株式会社大塚製薬工場 | Peg施行患者の予後の予測装置、peg施行患者の予後の予測方法、及びコンピュータ記録媒体 |
CN102647292A (zh) * | 2012-03-20 | 2012-08-22 | 北京大学 | 一种基于半监督神经网络模型的入侵检测方法 |
CN105118010A (zh) * | 2015-09-30 | 2015-12-02 | 成都信汇聚源科技有限公司 | 一种具备实时数据处理、实时信息分享以及生活干预信息的慢性疾病管理方法 |
-
2016
- 2016-09-28 CN CN201610861997.9A patent/CN106339605A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1477581A (zh) * | 2003-07-01 | 2004-02-25 | �Ϻ���ͨ��ѧ | 一种适用于计算机辅助医疗诊断的预测建模方法 |
WO2009136520A1 (ja) * | 2008-05-07 | 2009-11-12 | 株式会社大塚製薬工場 | Peg施行患者の予後の予測装置、peg施行患者の予後の予測方法、及びコンピュータ記録媒体 |
CN102647292A (zh) * | 2012-03-20 | 2012-08-22 | 北京大学 | 一种基于半监督神经网络模型的入侵检测方法 |
CN105118010A (zh) * | 2015-09-30 | 2015-12-02 | 成都信汇聚源科技有限公司 | 一种具备实时数据处理、实时信息分享以及生活干预信息的慢性疾病管理方法 |
Non-Patent Citations (2)
Title |
---|
MATLAB中文论坛: "《MATLAB 神经网络30个案例分析》", 30 April 2010 * |
陆婉珍 等: "《现代近红外光谱分析技术》", 31 January 2007 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106910184A (zh) * | 2017-01-12 | 2017-06-30 | 杭州电子科技大学 | 基于深度卷积神经网络的内窥镜图像肠道出血检测方法 |
CN106910184B (zh) * | 2017-01-12 | 2020-10-09 | 杭州电子科技大学 | 基于深度卷积神经网络的内窥镜图像肠道出血检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106407699A (zh) | 一种基于增量式神经网络模型的冠心病预测方法和预测系统 | |
CN106250712A (zh) | 一种基于增量式神经网络模型的输尿管结石预测方法和预测系统 | |
CN106446552A (zh) | 一种基于增量式神经网络模型的睡眠障碍预测方法和预测系统 | |
CN106355035A (zh) | 一种基于增量式神经网络模型的肺炎预测方法和预测系统 | |
CN106446560A (zh) | 一种基于增量式神经网络模型的高血脂症预测方法和预测系统 | |
CN108366763A (zh) | 用于评估精神状态的方法和系统 | |
CN106384013A (zh) | 一种基于增量式神经网络模型的ii型糖尿病预测方法和预测系统 | |
CN106650206A (zh) | 一种基于增量式神经网络模型的高血压预测方法和预测系统 | |
CN106384005A (zh) | 一种基于增量式神经网络模型的抑郁症预测方法和预测系统 | |
CN106355034A (zh) | 一种基于增量式神经网络模型的亚健康预测方法和预测系统 | |
CN106384012A (zh) | 一种基于增量式神经网络模型的过敏性皮炎预测方法和预测系统 | |
CN106384008A (zh) | 一种基于增量式神经网络模型的过敏性鼻炎预测方法和预测系统 | |
Angdresey et al. | Monitoring and predicting water quality in swimming pools | |
CN106295238A (zh) | 一种基于增量式神经网络模型的高血压肾病预测方法和预测系统 | |
CN106446561A (zh) | 一种基于增量式神经网络模型的荨麻疹预测方法和预测系统 | |
CN106384009A (zh) | 一种基于增量式神经网络模型的hiv预测方法和预测系统 | |
CN106407694A (zh) | 一种基于增量式神经网络模型的神经衰弱预测方法和预测系统 | |
CN106407693A (zh) | 一种基于增量式神经网络模型的乙肝预测方法和预测系统 | |
CN106250715A (zh) | 一种基于增量式神经网络模型的慢性咽喉炎预测方法和预测系统 | |
CN106202986A (zh) | 一种基于增量式神经网络模型的扁桃体炎预测方法和预测系统 | |
CN106339605A (zh) | 一种基于增量式神经网络模型的结肠炎预测方法和预测系统 | |
CN106372442A (zh) | 一种基于增量式神经网络模型的口腔溃疡预测方法和预测系统 | |
CN106407695A (zh) | 一种基于增量式神经网络模型的焦虑症预测方法和预测系统 | |
CN106446553A (zh) | 一种基于增量式神经网络模型的胃病预测方法和预测系统 | |
CN106250714A (zh) | 一种基于增量式神经网络模型的肾结石预测方法和预测系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170118 |