CN110378394A - 基于神经网络的多生理数据融合分析方法 - Google Patents
基于神经网络的多生理数据融合分析方法 Download PDFInfo
- Publication number
- CN110378394A CN110378394A CN201910560138.XA CN201910560138A CN110378394A CN 110378394 A CN110378394 A CN 110378394A CN 201910560138 A CN201910560138 A CN 201910560138A CN 110378394 A CN110378394 A CN 110378394A
- Authority
- CN
- China
- Prior art keywords
- physiological data
- neural network
- hidden layer
- initial
- fusion analysis
- 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.)
- Withdrawn
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 76
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 70
- 238000012549 training Methods 0.000 claims abstract description 78
- 239000013598 vector Substances 0.000 claims abstract description 40
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 23
- 210000002569 neuron Anatomy 0.000 claims abstract description 21
- 238000003062 neural network model Methods 0.000 claims abstract description 13
- 230000004927 fusion Effects 0.000 claims description 50
- 238000000034 method Methods 0.000 claims description 18
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 13
- 239000008280 blood Substances 0.000 claims description 13
- 210000004369 blood Anatomy 0.000 claims description 13
- 230000036772 blood pressure Effects 0.000 claims description 13
- 230000036760 body temperature Effects 0.000 claims description 13
- 229910052760 oxygen Inorganic materials 0.000 claims description 13
- 239000001301 oxygen Substances 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 13
- 230000029058 respiratory gaseous exchange Effects 0.000 claims description 13
- 238000012937 correction Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000004613 tight binding model Methods 0.000 claims description 3
- 241001269238 Data Species 0.000 abstract 2
- 238000012360 testing method Methods 0.000 description 5
- 229910003798 SPO2 Inorganic materials 0.000 description 4
- 101100478210 Schizosaccharomyces pombe (strain 972 / ATCC 24843) spo2 gene Proteins 0.000 description 4
- 210000003414 extremity Anatomy 0.000 description 4
- 238000013507 mapping Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Physiology (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明公开了一种基于神经网络的多生理数据融合分析方法,其包括:采用神经网络模型构建多生理数据融合分析的初始模型;获取多组多生理数据向量和对应的高危、低危、正常三种状态数据,将多生理数据向量作为训练样本输入,高危、低危、正常三种状态数据作为分析输出,输入到多生理数据融合分析的初始模型中后,使用K‑Means算法和监督学习算法得到神经网络隐含层神经元的中心值和宽度,以及神经网络的隐含层和输出层之间的权值和神经网络的隐含层节点数,设置到初始模型中,再对初始模型进行训练,并选择一个对输出的误差最小的模型作为最终的模型用于多生理数据融合分析。
Description
技术领域
本发明涉及神经网络开发领域。更具体地说,本发明涉及一种基于神经网络的多生理数据融合分析方法。
背景技术
人工神经网络是20世纪80年代以来人工智能领域兴起的研究热点。在工程与学术界也常直接简称为神经网络或类神经网络。神经网络是一种运算模型,由大量的节点(或称神经元)之间相互联接构成。神经网络就像是一个爱学习的孩子,您教她的知识她是不会忘记而且会学以致用的。我们把学习集(Learning Set)中的每个输入加到神经网络中,并告诉神经网络输出应该是什么分类。在全部学习集都运行完成之后,神经网络就根据这些例子总结出她自己的想法,到底她是怎么归纳的就是一个黑盒了。之后我们就可以把测试集(Testing Set)中的测试例子用神经网络来分别作测试,如果测试通过(比如80%或90%的正确率),那么神经网络就构建成功了,之后就可以用这个神经网络来判断事务的分类了。这就是神经网络直观的运行过程。
目前的医疗模式都为对人体的多生理数据(比如血压、血氧饱和度、体温、呼吸、脉搏和痛感等)分别检测后,再拿给医生对比分析,判断结果,这用于日常检查来说比较麻烦。并且这些生理数据会根据人的不同心情和环境变化波动比较大,对于中老年人,这些生理数据的变化,有时候是会危及生命的,因此对中老年患者进行全天候的实时监控或者间隔一段时间的监测一次数据,然后能将数据快速方便地分析出结果,方便日常检查和健康保障,以防备突发病情的发生,非常必要。
针对以上医疗模式的不足,如何通过神经网络,构建神经网络算法的人体体征状态判别模型,将多生理数据快速方便准确地分析出结果,解决日常检查的耗时问题,提高医疗服务效率,还可以将分析结果发送到其他终端,用于所需人员查看或报警提醒。但是对于不同的应用场景,神经网络需要的驯化学习算法和数据处理不同,神经网络的性能表现不同,并且如何准确找到合适神经网络的权值与中心位置也是难点。因此,如何构建多生理数据融合分析的最佳神经网络模型是本发明的研究重点,用于方便人们日常检查,解决日常检查的耗时问题,提高医疗服务效率。
发明内容
本发明的一个目的是解决至少上述问题,并提供至少后面将说明的优点。
本发明还有一个目的是提供一种基于神经网络的多生理数据融合分析方法,包括:
采用神经网络模型构建多生理数据融合分析的初始模型;
获取多组多生理数据向量和对应的高危、低危、正常三种状态数据,将多生理数据向量作为训练样本输入,高危、低危、正常三种状态数据作为分析输出,输入到多生理数据融合分析的初始模型中后,使用K-Means算法,将多组经过预处理且数值互不相同的训练样本进行迭代计算与处理,得到隐含层神经元的初始中心值ci和初始宽度bi,再使用监督学习算法,对隐含层神经元的初始中心值ci和初始宽度bi分别调整,将神经网络隐含层神经元的中心值和宽度分别修改为ci(n+1)和bi(n+1),以及对初始模型中神经网络的隐含层和输出层之间的权值向量wi(n)进行处理得到权值向量wi(n+1),将神经网络的隐含层节点数修改为wi(n+1)中不为0的权值分量的个数r,再对多生理数据融合分析的初始模型进行训练,得到多个多生理数据融合分析修正模型,其中,n是迭代次数,i是指第i个隐含层节点数;
从得到的多个多生理数据融合分析修正模型中选择一个对输出的误差最小的模型作为最终的多生理数据融合分析模型;
将需要预测的多生理数据向量输入到多生理数据融合分析模型中,输出高危、低危、正常三种状态中的一种作为分析结果。
优选的是,所述多组多生理数据向量的每一组生理数据向量的分量为血压、血氧饱和度、体温、呼吸、脉搏和痛感,或者所述多组多生理数据向量的每一组生理数据向量的分量为四肢血压差、动静脉血氧差、体温、呼吸、四肢脉搏差和痛感。
优选的是,使用K-Means算法,将多组经过预处理且数值互不相同的训练样本进行迭代计算与处理,具体方法为:
S1、初始化聚类中心:从训练样本中抽取m组数值互不相同的训练样本作为初始聚类中心Cj(j=1,…,m);
S2、计算输入中每一个训练样本点与初始聚类中心的欧几里得距离||Xp-Cj(k)||,其中, Cj(k)为第j组训练样本计算出来的第k个聚类中心,一共有m组;Xp是指参与欧几里得距离计算的第p个训练样本点;
S3、根据最邻近距离原则将训练样本进行分配,把满足某个点的欧几里得距离的训练样本做一个集合,然后计算每个集合的平均值;把满足某个点的欧几里得距离的平均值做一个新集合,然后计算每个新集合的平均值,反复迭代,直到每个集合的平均值十分接近或者平均值的变化值小于规定值时,所得的平均值为隐含层神经元的初始中心值ci;
S4、计算Cj(k)和其初始中心值ci的最小间距di;
S5、计算隐含层神经元的初始宽度bi:通过公式bi=λdi,其中λ为重叠系数。
优选的是,使用监督学习算法,对隐含层到输出层的权值向量wi(n)进行处理得到向量wi(n+1)的具体方法为:
S6、定义误差代价函数:
其中,E为某输出点的误差;N是训练样本总组数;ej是第j组训练样本的误差信号,它是所得结果与期望结果之间的误差;ej的定义为:
其中k为隐含节点总个数,wi是第i个权值向量,xj是第j组训练样本,dj是指计算得到的第j组训练样本与初始中心值ci之间的距离,hi是指训练样本xj与隐含层中心值的期望距离,G指Green函数,Xj是指第j组训练样本集合;
S7、通过如下公式计算隐含层和输出层之间的权值向量wi(n+1):
其中,
其中,n为迭代次数;n3为隐含层和输出层之间的权值参数的学习速率,取值0.05。
优选的是,使用监督学习算法,对隐含层神经元的初始中心值ci调整为隐含层神经元的中心值ci(n+1)的具体方法为:
S8、通过如下公式计算中心值ci(n+1):
其中,
其中,n为迭代次数;b是偏置项;n1为中心与输出层之间的权值参数的学习效率,取值0.05。
优选的是,使用监督学习算法,对隐含层神经元的初始宽度bi调整为隐含层神经元的宽度bi(n+1)的具体方法为:
S9、通过如下公式计算宽度bi(n+1):
其中,
其中,n为迭代次数;b是指偏置项;n2为宽度与输出层之间的权值参数的学习效率,取值0.05。
优选的是,确定神经网络的隐含层节点数、隐含层神经元的中心值和宽度后,对初始模型进行训练前,还包括:基于模糊控制的原理,将训练样本数据乘以g,并将得到的数据作为新的训练样本,同时隐含层神经元的中心值也乘以g;
其中,0<g<1。
优选的是,在将训练样本输入到初始模型中进行训练之前,对人体血压、血氧饱和度、体温、呼吸、脉搏和痛感数据通过min-max标准归一化方法进行预处理,将处理后的血压、血氧饱和度、体温、呼吸、脉搏和痛感数据作为训练样本。
优选的是,其特征在于,构建多生理数据融合分析的初始模型所采用神经网络模型为广义回归神经网络模型。
本发明还提供了一种基于神经网络的多生理数据融合分析系统,其包括:
数据采集模块,其用于采集某一时刻或某一时间范围内的人体多生理数据,以及数据接收与发送;
移动设备,其用于接收数据采集模块的多生理数据并发送给云端服务器,以及查看历史生理数据,并接收云端服务器的分析结果,以高危、低危、正常三种状态中的一种作为分析输出;
云端服务器,其用于将多生理数据加密存储以及对多生理数据融合分析,将分析结果存储并发送给终端。这样可以将分析结果发送到其他终端,用于所需人员查看或报警提醒,还可以将历史生理数据存储,为后续病情诊断提供历史数据。
本发明首先根据RBF神经网络中的广义回归神经网络的特点选择其作为基本神经网络框架,使用K-Means算法得到隐含层神经元的初始中心值ci和初始宽度bi,再使用监督学习算法更准确的找到合适神经网络的权值与中心位置,结合选取的宽度和隐含层节点数,使构建的多生理数据融合分析模型,在处理连续的多生理数据时,神经网络会有更好的性能表现,适合一段时间内的人体多个非线性的体征数据的应用场景,分析判断精度高,能够应用到人们日常检查,解决日常检查的耗时问题,提高医疗服务效率。
本发明还通过min-max标准归一化方法对训练样本进行预处理,能进一步增加收敛速度,减少训练次数。
本发明的其它优点、目标和特征将部分通过下面的说明体现,部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。
附图说明
图1为本发明所述的基于神经网络的多生理数据融合分析方法的流程图。
具体实施方式
如图1所示,本发明提供一种基于神经网络的多生理数据融合分析方法,包括:
采用神经网络模型构建多生理数据融合分析的初始模型;
获取多组多生理数据向量和对应的高危、低危、正常三种状态数据,将多生理数据向量作为训练样本输入,高危、低危、正常三种状态数据作为分析输出,输入到多生理数据融合分析的初始模型中后,使用K-Means算法,将多组经过预处理且数值互不相同的训练样本进行迭代计算与处理,得到隐含层神经元的初始中心值ci和初始宽度bi,再使用监督学习算法,对隐含层神经元的初始中心值ci和初始宽度bi分别调整,将神经网络隐含层神经元的中心值和宽度分别修改为ci(n+1)和bi(n+1),以及对初始模型中神经网络的隐含层和输出层之间的权值向量wi(n)进行处理得到权值向量wi(n+1),将神经网络的隐含层节点数修改为wi(n+1)中不为0的权值分量的个数r,再对多生理数据融合分析的初始模型进行训练,得到多个多生理数据融合分析修正模型,其中,n是迭代次数,i是指第i个隐含层节点数;
从得到的多个多生理数据融合分析修正模型中选择一个对输出的误差最小的模型作为最终的多生理数据融合分析模型;
将需要预测的多生理数据向量输入到多生理数据融合分析模型中,输出高危、低危、正常三种状态中的一种作为分析结果。
本发明的技术方案中,可以选取300组原始体征数据的训练样本和对应的高危、低危、正常三种状态数据,输入建立输入/输出样本关系的多生理数据融合分析的初始模型中进行训练。本方案以血压、血氧饱和度、体温、呼吸、脉搏和痛感为一组多生理数据向量的训练样本为例,因此确认初始模型的输入层为6层,输出层为3层。
可以对训练样本先预处理再输入初始模型中,也可以只对抽取的多组数值互不相同的训练样本进行预处理用于计算中心值和宽度。
预处理的具体操作为:样本数据为记录有病人某一时刻或某一时间范围中,各生理数据的指标值,因此每一个输入的向量可以定义为:{BP,SPO2,T,R,P,PA}。其中BP表示血压, SPO2表示血氧饱和度,T表示体温,R表示呼吸,P表示脉搏,PA表示痛感。根据报警信息可以将样本分为“正常”、“低危”与“高危”三种体征状态输出,分别对应为状态“1”、“2”、“3”。使用min-max标准归一化方法对训练样本向量的每一个数据进行归一化,对原始数据进行线性变换,使结果落在[0,2]区间:
其中min为样本数据的最小值,max为样本数据的最大值。最大最小值根据报警阈值,即合理体征数据的最大值以及最小值进行设置。这样处理数据可以有效的增加收敛速度,在较少的迭代次数下找到最优解。
如果多生理数据向量的分量为四肢血压差、动静脉血氧差、体温、呼吸、四肢脉搏差和痛感,预处理方法同上。
设置多生理数据融合分析的初始模型的参数包括:神经网络隐含层神经元的中心值和宽度,以及神经网络的隐含层和输出层之间的权值和神经网络的隐含层节点数。
其中,神经网络隐含层神经元的中心值和宽度,以及神经网络的隐含层和输出层之间的权值和神经网络的隐含层节点数的选取具体为:
使用K-Means算法:
S1、从300组训练样本中抽取m组数值互不相同的训练样本作为初始聚类中心 Cj(j=1,…,m);
S2、计算输入中每一个训练样本点与初始聚类中心的欧几里得距离||Xp-Cj(k)||,
其中,Cj(k)为第j组训练样本计算出来的第k个聚类中心,一共有m组;Xp是指参与欧几里得距离计算的第p个训练样本点;
S3、根据最邻近距离原则将训练样本进行分配,把满足某个点的欧几里得距离的训练样本做一个集合,然后计算每个集合的平均值;把满足某个点的欧几里得距离的平均值做一个新集合,然后计算每个新集合的平均值,反复迭代,直到每个集合的平均值十分接近或者平均值的变化值小于规定值时,所得的平均值为隐含层神经元的初始中心值ci;比如:训练样本Xj分配给中心是Cj的聚类域Wj并且满足条件:d=min||Xj-Cj||,从而可以将样本划分为M个子集:U1,U2,…,UM。然后分别计算U1,U2,…,UM每个集合的平均值,相当于每一个聚类域Wj中训练样本的的平均值作为新的聚类中心:
其中x为Wj中的训练数据,N为聚类域Wj中含有的样本个数,n为迭代次数;反复迭代,直到每个集合的平均值(聚类中心)十分接近,或者平均值(聚类中心)的变化值小于规定值,或者聚类中心的位置不再变化时,所得的平均值(聚类中心)为隐含层神经元的初始中心值ci
S4、计算Cj(k)和其初始中心值ci的最小间距di,即di=min||Ci-Cj(k)||;
S5、计算隐含层神经元的初始宽度bi:通过公式bi=λdi,其中λ为重叠系数。
使用监督学习算法:
S6、定义误差代价函数:
其中,E为某输出点的误差;N是训练样本总组数;ej是第j组训练样本的误差信号,它是所得结果与期望结果之间的误差;ej的定义为:
其中k为隐含节点总个数,wi是第i个权值向量,xj是第j组训练样本,dj是指计算得到的第j组训练样本与初始中心值ci之间的距离,hi是指训练样本xj与隐含层中心值的期望距离,G指Green函数,Xj是指第j组训练样本集合;
S7、通过如下公式计算隐含层和输出层之间的权值向量wi(n+1):
其中,
其中,n为迭代次数;n3为隐含层和输出层之间的权值参数的学习速率,取值0.05。
S8、通过如下公式计算中心值ci(n+1):
其中,
其中,n为迭代次数;b是偏置项;n1为中心与输出层之间的权值参数的学习效率,取值0.05。
S9、通过如下公式计算宽度bi(n+1):
其中,
其中,n为迭代次数;b是指偏置项;n2为宽度与输出层之间的权值参数的学习效率,取值0.05。
S10、隐含层节点数:在Wi(n+1)中,将权值为0或者接近0的部分过滤与去除,剩下的分量个数即为计算得出的隐含层节点数。比如:设初始的隐含层节点数,人为设置为5,则假设连接隐含层与输出层的权值向量为W=[1.5,2.2,2.1,2.0,1.9,1.88]。经过以上算法后,权值被调整为W=[1.2,1.8,1.9,0,0,0],于是可以去除分量为0的3个节点,即可得到合适节点数:3。
在确定神经网络的隐含层节点数、隐含层神经元的中心值和宽度后,对初始模型进行训练前,还包括:基于模糊控制的原理,将训练样本数据乘以g,并将得到的数据作为新的训练样本,同时隐含层神经元的中心值也乘以g;其中,0<g<1。原理为当神经网络在训练的时候,人为的建立一个输入样本与体征状态输出结果的估算方式,即将输入数据与输出结果之间建立一个近似的神经网络输出结果。神经网络相当于一个对输入数据X与输出结果Y的映射关系f:Y=f(X)。由模糊控制的原理可以得出:将用于网络训练的数据与用于估算输出结果的数据同比例减小时,两种数据的差异也会随之减小,二者的相似性也会同步增加,二者的差距得到减小,估算的误差得到降低,提高了输出结果的准确性。
构建多生理数据融合分析的初始模型所采用神经网络模型为广义回归神经网络模型。广义回归神经网络是建立在数理统计基础上的径向基函数网络,其理论基础是非线性回归分析。GRNN具有很强的非线性映射能力和学习速度,比正则化网络具有更强的优势,网络最后普收敛于样本量集聚较多的优化回归,样本数据少时,预测效果很好,网络还可以处理不稳定数据,更有利于多生理数据融合分析模型的建立。
在建立成功多生理数据融合分析模型的条件下,设计一种基于神经网络的多生理数据融合分析系统的方案包括:数据采集模块,其用于采集某一时刻或某一时间范围内的人体多生理数据,以及数据接收与发送;移动设备,其用于接收数据采集模块的多生理数据并发送给云端服务器,以及查看历史生理数据,并接收云端服务器的分析结果,以高危、低危、正常三种状态中的一种作为分析输出;云端服务器,其用于将多生理数据加密存储以及对多生理数据融合分析,将分析结果存储并发送给终端。这样既可以方便对需预测的多生理数据采集发送,又可以将分析结果发送到其他终端,用于所需人员查看或报警提醒,还可以将历史生理数据存储,为后续病情诊断提供历史数据。
在普适监护中,利用神经网络所建立的多生理数据融合分析模型,可以建立个人的多生理状态与人体状态的合理映射关系。本系统中分别对人体的六种生理特征进行检测,能够很好的做到对异常体征状态的检测。利用神经网络的模式分类算法,可以根据多体征参数的数值分析其身体状态,并提前预知身体的变化。
首先将正常、低危、高危的输出分别定义为1,2,3。当神经网络模型接收到同一时刻无线体域网系统采集到的生理数据,立即将这些数据整合成为形式:{BP,SPO2,T,R,P,PA},其中BP表示血压,SPO2表示血氧饱和度,T表示体温,R表示呼吸,P表示脉搏,PA 表示痛感。将数据输入至训练好的神经网络里,在三个期望输出节点中以“1”或“0”来表示输出的定义,以此确定体征状态。系统输出结果如下形式:
尽管本发明的实施方案已公开如上,但其并不仅仅限于说明书和实施方式中所列运用,它完全可以被适用于各种适合本发明的领域,对于熟悉本领域的人员而言,可容易地实现另外的修改,因此在不背离权利要求及等同范围所限定的一般概念下,本发明并不限于特定的细节和这里示出与描述的实施方式。
Claims (10)
1.一种基于神经网络的多生理数据融合分析方法,其特征在于,包括:
采用神经网络模型构建多生理数据融合分析的初始模型;
获取多组多生理数据向量和对应的高危、低危、正常三种状态数据,将多生理数据向量作为训练样本输入,高危、低危、正常三种状态数据作为分析输出,输入到多生理数据融合分析的初始模型中后,使用K-Means算法,将多组经过预处理且数值互不相同的训练样本进行迭代计算与处理,得到隐含层神经元的初始中心值ci和初始宽度bi,再使用监督学习算法,对隐含层神经元的初始中心值ci和初始宽度bi分别调整,将神经网络隐含层神经元的中心值和宽度分别修改为ci(n+1)和bi(n+1),以及对初始模型中神经网络的隐含层和输出层之间的权值向量wi(n)进行处理得到权值向量wi(n+1),将神经网络的隐含层节点数修改为wi(n+1)中不为0的权值分量的个数r,再对多生理数据融合分析的初始模型进行训练,得到多个多生理数据融合分析修正模型,其中,n是迭代次数,i是指第i个隐含层节点数;
从得到的多个多生理数据融合分析修正模型中选择一个对输出的误差最小的模型作为最终的多生理数据融合分析模型;
将需要预测的多生理数据向量输入到多生理数据融合分析模型中,输出高危、低危、正常三种状态中的一种作为分析结果。
2.如权利要求1所述的基于神经网络的多生理数据融合分析方法,其特征在于,所述多组多生理数据向量的每一组生理数据向量的分量为血压、血氧饱和度、体温、呼吸、脉搏和痛感,或者所述多组多生理数据向量的每一组生理数据向量的分量为四肢血压差、动静脉血氧差、体温、呼吸、四肢脉搏差和痛感。
3.如权利要求1或2所述的基于神经网络的多生理数据融合分析方法,其特征在于,使用K-Means算法,将多组经过预处理且数值互不相同的训练样本进行迭代计算与处理,具体方法为:
S1、初始化聚类中心:从训练样本中抽取m组数值互不相同的训练样本作为初始聚类中心Cj(j=1,…,m);
S2、计算输入中每一个训练样本点与初始聚类中心的欧几里得距离||Xp-Cj(k)||,其中,Cj(k)为第j组训练样本计算出来的第k个聚类中心,一共有m组;Xp是指参与欧几里得距离计算的第p个训练样本点;
S3、根据最邻近距离原则将训练样本进行分配,把满足某个点的欧几里得距离的训练样本做一个集合,然后计算每个集合的平均值;把满足某个点的欧几里得距离的平均值做一个新集合,然后计算每个新集合的平均值,反复迭代,直到每个集合的平均值十分接近或者平均值的变化值小于规定值时,所得的平均值为隐含层神经元的初始中心值ci;
S4、计算Cj(k)和其初始中心值ci的最小间距di;
S5、计算隐含层神经元的初始宽度bi:通过公式bi=λdi,其中λ为重叠系数。
4.如权利要求3所述的基于神经网络的多生理数据融合分析方法,其特征在于,
使用监督学习算法,对隐含层到输出层的权值向量wi(n)进行处理得到向量wi(n+1)的具体方法为:
S6、定义误差代价函数:
其中,E为某输出点的误差;N是训练样本总组数;ej是第j组训练样本的误差信号,它是所得结果与期望结果之间的误差;ej的定义为:
其中k为隐含节点总个数,wi是第i个权值向量,xj是第j组训练样本,dj是指计算得到的第j组训练样本与初始中心值ci之间的距离,hi是指训练样本xj与隐含层中心值的期望距离,G指Green函数,Xj是指第j组训练样本集合;
S7、通过如下公式计算隐含层和输出层之间的权值向量wi(n+1):
其中,
其中,n为迭代次数;n3为隐含层和输出层之间的权值参数的学习速率,取值0.05。
5.如权利要求4所述的基于神经网络的多生理数据融合分析方法,其特征在于,
使用监督学习算法,对隐含层神经元的初始中心值ci调整为隐含层神经元的中心值ci(n+1)的具体方法为:
S8、通过如下公式计算中心值ci(n+1):
其中,
其中,n为迭代次数;b是偏置项;n1为中心与输出层之间的权值参数的学习效率,取值0.05。
6.如权利要求5所述的基于神经网络的多生理数据融合分析方法,其特征在于,
使用监督学习算法,对隐含层神经元的初始宽度bi调整为隐含层神经元的宽度bi(n+1)的具体方法为:
S9、通过如下公式计算宽度bi(n+1):
其中,
其中,n为迭代次数;b是指偏置项;n2为宽度与输出层之间的权值参数的学习效率,取值0.05。
7.如权利要求6所述的基于神经网络的多生理数据融合分析方法,其特征在于,确定神经网络的隐含层节点数、隐含层神经元的中心值和宽度后,对初始模型进行训练前,还包括:基于模糊控制的原理,将训练样本数据乘以g,并将得到的数据作为新的训练样本,同时隐含层神经元的中心值也乘以g;
其中,0<g<1。
8.如权利要求7所述的基于神经网络的多生理数据融合分析方法,其特征在于,在将训练样本输入到初始模型中进行训练之前,对人体血压、血氧饱和度、体温、呼吸、脉搏和痛感数据通过min-max标准归一化方法进行预处理,将处理后的血压、血氧饱和度、体温、呼吸、脉搏和痛感数据作为训练样本。
9.如权利要求1或2或4-8任一项所述的基于神经网络的多生理数据融合分析方法,其特征在于,构建多生理数据融合分析的初始模型所采用神经网络模型为广义回归神经网络模型。
10.基于神经网络的多生理数据融合分析系统,其特征在于,包括:
数据采集模块,其用于采集某一时刻或某一时间范围内的人体多生理数据,以及数据接收与发送;
移动设备,其用于接收数据采集模块的多生理数据并发送给云端服务器,以及查看历史生理数据,并接收云端服务器的分析结果,以高危、低危、正常三种状态中的一种作为分析输出;
云端服务器,其用于将多生理数据加密存储以及对多生理数据融合分析,将分析结果存储并发送给终端。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910560138.XA CN110378394A (zh) | 2019-06-26 | 2019-06-26 | 基于神经网络的多生理数据融合分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910560138.XA CN110378394A (zh) | 2019-06-26 | 2019-06-26 | 基于神经网络的多生理数据融合分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110378394A true CN110378394A (zh) | 2019-10-25 |
Family
ID=68249515
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910560138.XA Withdrawn CN110378394A (zh) | 2019-06-26 | 2019-06-26 | 基于神经网络的多生理数据融合分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110378394A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111951948A (zh) * | 2020-08-19 | 2020-11-17 | 郑州大学第一附属医院 | 一种神经重症监测装置 |
CN113397562A (zh) * | 2021-07-20 | 2021-09-17 | 电子科技大学 | 基于深度学习的睡眠纺锤波检测方法 |
CN114617555A (zh) * | 2022-03-16 | 2022-06-14 | 山东大学 | 基于生理特征稳定性检测的心理评估系统、介质及设备 |
CN115568861A (zh) * | 2022-10-17 | 2023-01-06 | 天津工业大学 | 一种生理信号的融合方法及系统、解析方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104200076A (zh) * | 2014-08-19 | 2014-12-10 | 钟亚平 | 一种运动员运动损伤风险预警方法 |
WO2015172560A1 (zh) * | 2014-05-16 | 2015-11-19 | 华南理工大学 | 基于bp神经网络的中央空调冷负荷的预测方法 |
CN107037373A (zh) * | 2017-05-03 | 2017-08-11 | 广西大学 | 基于神经网络的蓄电池剩余电量预测方法 |
CN108852282A (zh) * | 2017-05-16 | 2018-11-23 | 清华大学深圳研究生院 | 一种远程住院监护系统与方法 |
-
2019
- 2019-06-26 CN CN201910560138.XA patent/CN110378394A/zh not_active Withdrawn
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015172560A1 (zh) * | 2014-05-16 | 2015-11-19 | 华南理工大学 | 基于bp神经网络的中央空调冷负荷的预测方法 |
CN104200076A (zh) * | 2014-08-19 | 2014-12-10 | 钟亚平 | 一种运动员运动损伤风险预警方法 |
CN107037373A (zh) * | 2017-05-03 | 2017-08-11 | 广西大学 | 基于神经网络的蓄电池剩余电量预测方法 |
CN108852282A (zh) * | 2017-05-16 | 2018-11-23 | 清华大学深圳研究生院 | 一种远程住院监护系统与方法 |
Non-Patent Citations (1)
Title |
---|
苏杰: "基于数据挖掘技术的高血压疾病评估方法研究", 中国优秀硕士学位论文全文数据库医药卫生科技辑, no. 9, pages 80 - 12 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111951948A (zh) * | 2020-08-19 | 2020-11-17 | 郑州大学第一附属医院 | 一种神经重症监测装置 |
CN113397562A (zh) * | 2021-07-20 | 2021-09-17 | 电子科技大学 | 基于深度学习的睡眠纺锤波检测方法 |
CN114617555A (zh) * | 2022-03-16 | 2022-06-14 | 山东大学 | 基于生理特征稳定性检测的心理评估系统、介质及设备 |
CN115568861A (zh) * | 2022-10-17 | 2023-01-06 | 天津工业大学 | 一种生理信号的融合方法及系统、解析方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110378394A (zh) | 基于神经网络的多生理数据融合分析方法 | |
CN113627518A (zh) | 利用迁移学习实现多通道卷积-递归神经网络脑电情感识别模型的方法 | |
Übeyli | Adaptive neuro-fuzzy inference systems for automatic detection of breast cancer | |
Yin et al. | Physiological-signal-based mental workload estimation via transfer dynamical autoencoders in a deep learning framework | |
US10610109B2 (en) | Emotion representative image to derive health rating | |
CN117542524A (zh) | 智能护理信息处理系统及方法 | |
Begum et al. | Classification of physiological signals for wheel loader operators using multi-scale entropy analysis and case-based reasoning | |
CN117598700B (zh) | 智能化血氧饱和度检测系统及方法 | |
Dora et al. | A two stage learning algorithm for a growing-pruning spiking neural network for pattern classification problems | |
Rongjun et al. | Collaborative extreme learning machine with a confidence interval for P2P learning in healthcare | |
Chen et al. | Improved neural networks based on genetic algorithm for pulse recognition | |
Zhang et al. | Gated recurrent unit-enhanced deep convolutional neural network for real-time industrial process fault diagnosis | |
Qiao et al. | A fast and accurate recognition of ECG signals based on ELM-LRF and BLSTM algorithm | |
US20230088974A1 (en) | Method, device, and computer program for predicting occurrence of patient shock using artificial intelligence | |
CN115482932A (zh) | 一种基于迁移学习和糖化血红蛋白的多变量血糖预测算法 | |
Perova et al. | Deep hybrid system of computational intelligence with architecture adaptation for medical fuzzy diagnostics | |
CN108665001B (zh) | 一种基于深度置信网络的跨被试空闲态检测方法 | |
Abououf et al. | Explainable AI for event and anomaly detection and classification in healthcare monitoring systems | |
Chen et al. | A situation awareness assessment method based on fuzzy cognitive maps | |
Zhang et al. | A pruned deep learning approach for classification of motor imagery electroencephalography signals | |
CN110598789A (zh) | 一种基于模糊感知器的人体疲劳状态预测方法及系统 | |
Khazaee | Automated cardiac beat classification using RBF neural networks | |
CN108021873B (zh) | 一种聚类非对称互信息的脑电信号癫痫分类方法及系统 | |
Zhang et al. | Fault diagnosis of body sensor networks using hidden Markov model | |
CN111988192A (zh) | 一种基于机器学习的列车通信网络故障诊断方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20191025 |
|
WW01 | Invention patent application withdrawn after publication |