CN111341435B - 一种用于疾病诊断的用户IoT设备 - Google Patents

Abstract

本发明公开了一种基于分布式深度学习的智能病理诊断方法。该方法采用分布式深度学习机制对病患者的病理进行精准分析，实时主动地智能诊断。在用户IoT设备端，结合能量模型，采用深度Q网络学习的方法，对病人的生理特征等检测数据进行网络学习，将学习后的结果建模，以便于后续数据的精准化分析，并将分析结果反馈给病患者；在医疗服务器端，结合小批量梯度下降的方法和深度Q网络学习的方法对每个IoT设备的数据综合学习，经过深度学习网络的自训练，将训练学习结果反馈给设备端，由设备端报备给病患者。从而，弥补国内机械式、被动式和“自认为”式的病理诊断的不足。

Description

一种用于疾病诊断的用户IoT设备

技术领域

本发明涉及智能医学诊断领域，尤其涉及物联网(Internet of Things，IoT)设备结合人工智能技术和医学诊断知识库对病患者的病理情况进行智能诊断的方法及系统。

背景技术

目前，国内的智能医护机器人的应用尚处于发展初期，应用并不普遍，而医院医生的需求量也在普遍增加。对于非医学相关专业的病患人员，对于医护常识和医学专业知识缺乏深入了解。有病去医院就诊或者去药店买自认为可以治病的药物。在医院，有专业的医疗设备对病人做生理病症进行判断，其判断结果辅助专业医生进行开对应的药物。然而，病人需要亲自在专业的医疗设备和专业的医务人员的帮助下才能准确判断病理。而在药店，病人购买自认为对症的药物进行治疗。这种主观的“自认为”的做法通常不能精准的把握病因，不能给出正确全面的病理分析结果，即药量配比不能因地制宜，因人而异。这种机械式、被动式和“自认为”式的行医方式在国内比比皆是。

随着“人工智能+”(Artificial intelligence,AI)时代的迅猛发展，一些可穿戴IoT设备，如智能手表，手环等的应用在“飞入寻常百姓家”。此外，“AI+大健康”已上升为国家战略的日程。因此，对于智能病理诊断的相关研究也是当下炙手可热的话题。其对未来智能化、个性化和自动化的医学应用有着重要的市场价值。

发明内容

针对上述国内机械式、被动式和“自认为”式的病理诊断的不足，即需要人为的过多干预才能对症下药的依赖或者人对病症的主观臆断的判断病因，提出一种基于分布式深度学习的智能病理诊断方法。该方法采用分布式深度学习机制对病患者的病理进行精准分析，实时主动地智能诊断。在用户IoT设备端，结合能量模型，采用深度Q网络(Deep QNetwork，DQN)学习的方法，对病人的生理特征等检测数据进行网络学习，将学习后的结果建模，以便于后续的数据的精准化分析，并将分析结果反馈给病患者；在医疗服务器端，结合小批量梯度下降方法和DQN的方法对每个IoT设备的数据综合学习，经过深度学习网络的自训练，将训练学习结果反馈给设备端，由设备端报备给病患者。从而，实现主动式、个性化、精准的智能诊断的功能。

为了实现上述目的，本发明所采取的技术方案是：一种基于分布式深度学习的智能病理诊断方法。该方法的运行步骤如下：

步骤A1：用户端IoT设备，定期采集病患者当前的体征数据，用户端IoT设备根据式(1)更新能量e[t+1]：

e[t+1]＝min{e[t]+e_har[t]-e_ser[t]，e^max} (1)

其中，e[t+1]表示下一时刻即t+1时的更新能量，e_ser[t]表示用户端IoT设备，在当前时刻t，用于感知、计算和传输数据所消耗的能量，e_har[t]表示在当前时刻t，用户端IoT设备所获取的能量，e[t]表示在当前时刻t，用户端IoT设备的能量，e^max表示用户端IoT设备的最大能量；并判断当前用户端IoT设备的更新能量是否大于能量阈值，所述的能量阈值，表示用户端IoT设备将感知采集、计算、存储和传输数据的最低所需能量。若更新能量大于能量阈值，则转步骤A2；否则转步骤A3；

步骤A2：将所述的体征数据经过用户端IoT设备的深度Q网络学习算法训练后，生成体征数据的训练模型，并产生用户端IoT设备的行为，所述的行为即判断是否对当前体征数据深入分析，若是，则转步骤A4；否则，转步骤A5；

步骤A3：用户端IoT设备显示能量低的标识语；

步骤A4：用户端IoT设备将体征数据和训练模型发送给医疗服务器端，医疗服务器搜集所有用户端IoT设备的体征数据和训练模型，采用深度Q网络学习算法对每个IoT设备的数据综合学习，同时，将学习结果与纪录有医学临床诊断指南和诊断标准的诊断标准数据库进行比对，输出病理诊断的结果明细，反馈给IoT设备，由IoT设备告知用户；

步骤A5：用户端IoT设备显示身体健康的标识语。

优选地，所述步骤A1的用户端IoT设备，由感知单元、计算单元、存储单元、通信单元和供能单元构成的智能物联网设备；所述的感知单元用于感知被测量对象的体征数据；所述的计算单元用于对所述体征数据进行计算与转换；所述存储单元用于对所述体征数据进行存储；所述通信单元用于对计算后的体征数据进行传输至所述医疗服务器端；所述的供能单元用于对所述用户端IoT设备的能量供应。

优选地，所述的体征数据至少包括以下一种：呼吸频率、心率、体温、血压、血氧、脉搏信息。

优选地，所获取的能量至少包括以下一种：可充电电池、光能、太阳能、风能和机械能。

优选地，步骤A2中深度Q网络学习算法的执行步骤如下：

步骤B1：初始化经验回放池D，所述的经验回放池D也是学习中经验积累的缓存池，用于存储元组结构的转移样本，所述的转移样本用于后续行为选择的参考；所述的元组结构包括(s，a，R，s′)，分别表示为当前状态s、行为a、即刻奖赏R和下一时刻的状态s′；初始化Q网络，随机生成Q网络的网络权重w，初始化目标Q网络和目标Q网络的网络权重θ，初始时，令θ＝w；

步骤B2：判断e[t+1]是否大于能量阈值，若是，则转步骤B3，否则转步骤B9；

步骤B3：观测初始状态，执行当前状态的行为，获得用户的即刻奖赏R和下一时刻的状态，将当前元组(s，a，R，s′)存储于经验回放池D中；

步骤B4：采用小批量梯度下降的方法从D中抽取Z个样本，从目标Q网络中根据式(2)计算目标Q值Q′：

Q′(t)＝R(t)+βQ[s‘,arg max_a′Q(s’，a′|w|θ)] (2)

其中，R(t)表示t时刻的即刻奖赏，β表示折扣因子，a′表示下一时刻的行为；

步骤B5：根据式(3)更新Q网络的网络参数：

其中，L(w)表示关于参数w的损失函数，j表示所抽取的Z个样本的计数变量，w_j表示第j个样本的Q网络的参数；

步骤B6：根据式(4)更新目标Q网络的参数：

θ＝μθ+(1-μ)w (4)

其中，μ表示更新率，其范围属于[0，1]，

步骤B7：根据式(1)更新用户端IoT设备的更新能量；

步骤B8：输出下一时刻的行为和用户端IoT设备的更新能量；

步骤B9：输出能量低的提示语；

优选地，所述的小批量梯度下降的方法，包括以下步骤：

步骤C1：将样本随机分成若干个相同大小的子集；

步骤C2：对每个子集，以前向传播的方式计算Q网络的参数，所述的前向传播的方式即计算顺序从Q网络的第一层开始计算，按照逐层的顺序，直到Q网络的最后一层输出层；

步骤C3：根据式(3)计算当前子集的损失函数L(w_j)；

步骤C4：以反向传播的方式计算损失函数的梯度，所述的反向传播的方式即计算顺序从Q网络的最后一层输出层开始计算，按照逐层的顺序，直到Q网络的第一层；所述的损失函数的梯度根据式(5)计算：

步骤C5：根据式(6)更新Q网络参数，

其中，γ表示学习步长，表示学习的速率，其范围是[0，1]，″：＝″表示近似等于。

优选地，所述的Q网络，其结构包含输入层、隐藏层和输出层；所述输入层，也称为Q网络的第一层，其作为数据的输入入口，所述隐藏层，其至少包含一层网络，用于对数据训练，也即学习过程，所述输出层，也称为Q网络的最后一层，其作为学习结果的输出端，每一层网络均由网络层的参数构成，学习后的参数将复制到目标Q网络中，便于保存学习后的结果。

优选地，所述的目标Q网络与所述的Q网络的结构相同，其作用是定期保存Q网络学习结果。

有益效果：本发明提出一种基于分布式深度学习的智能病理诊断方法。该方法采用分布式深度Q网络学习算法，在用户的IoT设备端，结合用户设备的能量模型，采用深度Q网络(Deep Q Network，DQN)学习的方法对设备端采集的特征数据进行智能主动分析，将学习后的结果建模，以便于后续的数据的精准化分析，并将分析结果反馈给病患者；在医疗服务器端，每个IoT设备的数据综合学习，包括对病人的生理特征、生活作息、运动强度等习惯进行综合性评判，也采用DQN的方法进行学习，对病患者的病理进行综合分析，经过深度学习网络的自训练，将训练学习结果反馈给设备端，由设备端报备给病患者。从而，实现主动式、个性化、精准的智能诊断的功能。

附图说明

图1是一种基于分布式深度学习的智能病理诊断方法的运行结构流程示意图；

图2是一种基于分布式深度学习的智能病理诊断方法的应用场景示例；

图3是一种基于分布式深度学习的智能病理诊断方法中带有能量模型的DQN算法流程示意图；

图4是一种基于分布式深度学习的智能病理诊断方法中小批量梯度下降流程示意图；

图5是一种基于分布式深度学习的智能病理诊断方法中Q网络结构示意图；

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本发明进一步详细说明。应该理解，这些实施方式仅仅用于解释本发明的技术原理，并非旨在限制本发明的保护范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。

下面结合图2描述一种基于分布式深度学习的智能病理诊断方法的运行结构流程示意图，其包括以下步骤：

步骤A1：用户端IoT设备，定期采集病患者当前的体征数据，用户端IoT设备根据式(1)更新能量e[t+1]，判断当前用户端IoT设备的更新能量是否大于能量阈值，若更新能量大于能量阈值，则转步骤A2；否则转步骤A3；

步骤A2：将所述的体征数据经过用户端IoT设备的深度Q网络学习算法训练后，生成体征数据的训练模型，并产生用户端IoT设备的行为，所述的行为即判断是否对当前体征数据深入分析，若是，则转步骤A4；否则，转步骤A5；

步骤A3：用户端IoT设备显示能量低的标识语；

具体实施例中，能量低的标识语通常有：能量不足，电能低，没有能量了，请充电补能等。

步骤A4：用户端IoT设备将体征数据和训练模型发送给医疗服务器端，医疗服务器搜集所有用户端IoT设备的体征数据和训练模型，采用深度Q网络学习算法对每个IoT设备的数据综合学习，同时，将学习结果与纪录有医学临床诊断指南和诊断标准的诊断标准数据库进行比对，输出病理诊断的结果明细，包括诊断的病因、病理和病方，反馈给IoT设备，由IoT设备告知用户；

步骤A5：用户端IoT设备显示身体健康的标识语；

具体实施例中，身体健康的标识语通常有：例如身体健康，继续保持吧；身体指标检查结果显示正常；身体非常健康等。

本发明提供一种基于分布式深度学习的智能病理诊断方法，该方法的应用场景示意图如图2所示，包括用户日常佩带智能设备1，例如：智能手机、智能手环、智能眼镜等，这些智能设备统称为用户端IoT设备，其由感知单元、计算单元、存储单元、通信单元和供能单元构成的智能物联网设备；所述的感知单元用于感知被测量对象的体征数据；所述的计算单元用于对所述体征数据进行计算与转换；所述存储单元用于对所述体征数据进行存储；所述通信单元用于对计算后的体征数据进行传输至所述医疗服务器端；所述的供能单元用于对所述用户端IoT设备的能量供应。这些设备通常被用户随身携带，用户可以通过这些设备在用餐时2，车上3，家里4，办公时5，运动锻炼身体时6，休息时7，排队等待时8，或者医院就诊时9随时随地获知身体的健康情况。

一种基于分布式深度学习的智能病理诊断方法中带有能量模型的DQN算法流程示意图如图3所示，其算法流程如发明内容中步骤B1-B9所述，这里不再赘述。

一种基于分布式深度学习的智能病理诊断方法中小批量梯度下降流程示意图如图4所示，其算法流程如发明内容中步骤C1-C5所述，这里不再赘述。

图5是一种基于分布式深度学习的智能病理诊断方法中Q网络结构示意图，其结构包含输入层、隐藏层和输出层；所述输入层，也称为Q网络的第一层，其作为数据的输入入口，所述隐藏层，其至少包含一层网络，用于对数据训练，也即学习过程，所述输出层，也称为Q网络的最后一层，其作为学习结果的输出端，每一层网络均由网络层的参数构成，学习后的参数将复制到目标Q网络中，便于保存学习后的结果。优选地，图5中的隐藏层采用两层隐藏层，结构比较简单，在具体应用中深度卷积神经网络，具有多层隐藏层。每层神经网络均具有网络参数，通过设定的目标Q网络的目标函数和输入层的数据集，原主要Q网络不断训练调整网络的参数，从而拟合出所述的训练模型。

通过上述方式，本发明一种基于分布式深度学习的智能病理诊断方法，实现了实时、便捷、智能化为病人实现足不出户、人不干预的病理诊断与治疗，具有广泛的市场应用前景。

上述描述仅作为本发明可实施的技术方案提出，不作为对其技术方案本身的单一限制条件。

Claims (1)

1.一种用于疾病诊断的用户IoT设备，所述用户IoT设备包括感知单元、计算单元、存储单元、通信单元和供能单元；

所述感知单元用于感知被测量对象的体征数据；

所述计算单元用于对所述体征数据进行计算与转换；

所述存储单元用于对所述体征数据进行存储；

所述通信单元用于对计算后的体征数据进行传输至医疗服务器端；

所述供能单元用于对所述用户IoT设备的能量供应；

所述用户IoT设备根据公式(1)更新能量e[t+1]：

所述公式(1)为e[t+1]＝min{e[t]+e_har[t]-e_ser[t]，e^max}

其中，e[t+1]表示下一时刻即t+1时的更新能量，e_ser[t]表示用户IoT设备，在当前时刻t，用于感知、计算和传输数据所消耗的能量，e_har[t]表示在当前时刻t，用户IoT设备所获取的能量，e[t]表示在当前时刻t，用户IoT设备的能量，e^max表示用户IoT设备的最大能量；

所述计算单元判断当前用户IoT设备的更新能量是否大于能量阈值，所述能量阈值，表示用户IoT设备将感知采集、计算、存储和传输数据的最低所需能量；若更新能量大于能量阈值，将所述的体征数据经过用户IoT设备的深度Q网络学习算法训练后，生成体征数据的训练模型，并产生用户IoT设备的行为，所述行为即判断是否对当前体征数据深入分析；若更新能量不大于能量阈值，用户IoT设备显示能量低的标识语；所述对当前体征数据深入分析是指用户IoT设备将体征数据和训练模型发送给医疗服务器端，医疗服务器搜集所有用户IoT设备的体征数据和训练模型，采用深度Q网络学习算法对每个IoT设备的数据综合学习，同时，将学习结果与纪录有医学临床诊断指南和诊断标准的诊断标准数据库进行比对，输出疾病诊断的结果明细；

所述深度Q网络学习算法包括以下步骤：

初始化经验回放池D，所述的经验回放池D也是学习中经验积累的缓存池，用于存储元组结构的转移样本，所述的转移样本用于后续行为选择的参考；所述的元组结构包括(s，a，R，s′)，分别表示为当前状态s、行为a、即刻奖赏R和下一时刻的状态s′；初始化Q网络，随机生成Q网络的网络权重w，初始化目标Q网络和目标Q网络的网络权重θ，初始时，令θ＝w；

观测初始状态，执行当前状态的行为，获得用户的即刻奖赏R和下一时刻的状态，将当前元组(s，a，R，s′)存储于经验回放池D中；

采用小批量梯度下降的方法从D中抽取Z个样本，从目标Q网络中根据式(2)计算目标Q值Q′：

Q′(t)＝R(t)+βQ[s‘,arg max_a′Q(s’，a′|w|θ)] (2)

其中，R(t)表示t时刻的即刻奖赏，β表示折扣因子，a′表示下一时刻的行为；

根据式(3)更新Q网络的网络参数：

其中，L(w)表示关于参数w的损失函数，j表示所抽取的Z个样本的计数变量，w_j表示第j个样本的Q网络的参数；

根据式(4)更新目标Q网络的参数：

θ＝μθ+(1-μ)w (4)

其中，μ表示更新率，其范围属于[0，1]；

其中，所述的小批量梯度下降的方法，包括以下步骤：

将样本随机分成若干个相同大小的子集；

对每个子集，以前向传播的方式计算Q网络的参数，所述的前向传播的方式即计算顺序从Q网络的第一层开始计算，按照逐层的顺序，直到Q网络的最后一层输出层；

根据式(3)计算当前子集的损失函数L(w_j)；

以反向传播的方式计算损失函数的梯度，所述的反向传播的方式即计算顺序从Q网络的最后一层输出层开始计算，按照逐层的顺序，直到Q网络的第一层；所述的损失函数的梯度根据式(5)计算：

根据式(6)更新Q网络参数，

其中，γ表示学习步长，表示学习的速率，其范围是[0，1]，″：＝″表示近似等于。

Images