CN111508607A - 一种基于bp神经网络的肥胖症预测系统 - Google Patents

Abstract

本公开公开了一种基于BP神经网络的肥胖症预测系统，包括：数据采集模块通过超声诊断仪采集测试者肱二头肌与腹部的脂肪厚度，获取与所述脂肪厚度对应的测试者体质信息；影响因子筛选模块构建BP神经网络，以脂肪厚度和测试者体质信息构建的训练集与参照集作为输入，采用反向传播方法得到训练集与参照集中每个指标的权值，并筛选指标得到肥胖影响因子；模型构建与预测模块对肥胖影响因子加权重构，构建脂肪厚度预测模型，对获取的待测数据进行脂肪厚度的预测，根据脂肪厚度预测值与脂肪厚度阈值的比较得到肥胖症预测结果。明确表明指标与肥胖之间的关系，且能够得到各个影响因子的对预测结果的影响程度，提高预测的准确性。

Description

一种基于BP神经网络的肥胖症预测系统

技术领域

本公开涉及医疗数据处理技术领域，特别是涉及一种基于BP神经网络的肥胖症预测系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

肥胖症本身不仅是独立的慢性疾病，同时也是心脑血管、肿瘤、糖尿病等其他慢性病的重要危险因素，对人群肥胖进行风险评估，将与肥胖相关的危险因素通过多因素的方法进行定量分析，帮助个人了解患肥胖风险，以实现预防和控制肥胖的发生；而发明人发现，利用传统的统计学方法来研究各因素与体重之间的关系只能得到一个模糊的结果，并不能明确表明各因素与肥胖之间直接关系，而且影响肥胖症的因素是多方面的，如果仅对某一个因素单独分析，具有一定的局限性，在多因素的分析中，对于影响肥胖症的影响因子以及各个影响因子的对预测结果的影响程度，是现有预测模型未能实现的。

发明内容

为了解决上述问题，本公开提出了一种基于BP神经网络的肥胖症预测系统，将能够直接反映肥胖症患者脂肪堆积程度的脂肪厚度为中间值，采集被测者的日常生理指标，通过各项生理指标对脂肪厚度的影响程度，构建脂肪厚度预测模型，以此获取肥胖症预测结果。

为了实现上述目的，本公开采用如下技术方案：

第一方面，本公开提供一种基于BP神经网络的肥胖症预测系统，包括：

数据采集模块，用于通过超声诊断仪采集测试者肱二头肌与腹部的脂肪厚度，获取与所述脂肪厚度对应的测试者体质信息；

影响因子筛选模块，用于构建BP神经网络，以脂肪厚度和测试者体质信息构建的训练集与参照集作为输入，采用反向传播方法得到训练集与参照集中每个指标的权值，并筛选指标得到肥胖影响因子；

模型构建与预测模块，用于对肥胖影响因子加权重构，构建脂肪厚度预测模型，对获取的待测数据进行脂肪厚度的预测，根据脂肪厚度预测值与脂肪厚度阈值的比较得到肥胖症预测结果。

第二方面，本公开提供一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成以下步骤：

通过超声诊断仪采集测试者肱二头肌与腹部的脂肪厚度，获取与所述脂肪厚度对应的测试者体质信息；

构建BP神经网络，以脂肪厚度和测试者体质信息构建的训练集与参照集作为输入，采用反向传播方法得到训练集与参照集中每个指标的权值，并筛选指标得到肥胖影响因子；

对肥胖影响因子加权重构，构建脂肪厚度预测模型，对获取的待测数据进行脂肪厚度的预测，根据脂肪厚度预测值与脂肪厚度阈值的比较得到肥胖症预测结果。

第三方面，本公开提供一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成以下步骤：

通过超声诊断仪采集测试者肱二头肌与腹部的脂肪厚度，获取与所述脂肪厚度对应的测试者体质信息；

构建BP神经网络，以脂肪厚度和测试者体质信息构建的训练集与参照集作为输入，采用反向传播方法得到训练集与参照集中每个指标的权值，并筛选指标得到肥胖影响因子；

对肥胖影响因子加权重构，构建脂肪厚度预测模型，对获取的待测数据进行脂肪厚度的预测，根据脂肪厚度预测值与脂肪厚度阈值的比较得到肥胖症预测结果。

与现有技术相比，本公开的有益效果为：

本公开采用能够直接反映肥胖症患者脂肪堆积程度的脂肪厚度为中间值，通过被测者与生活方式有关的各项生理指标对脂肪厚度的影响程度，预测脂肪厚度值，以此获取肥胖症预测结果，将与肥胖相关的危险因素通过多因素的方法进行定量分析，帮助个人了解患肥胖风险，以实现预防和控制肥胖的发生。

本公开建立个体肥胖风险评估系统，综合考虑多种因素对个体患肥胖的风险并进行量化评估，从而针对高危人群的生活方式有针对性的进行干预，及早预防或延缓肥胖及相关疾病的发生，减少肥胖对个体造成的健康负担，提高肥胖预测的便捷性、普适性、适用性。

附图说明

构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。

图1为本公开实施例1提供的基于BP神经网络的肥胖症预测系统结构示意图；

图2为本公开实施例1提供的BP神经网络结构示意图。

具体实施方式：

下面结合附图与实施例对本公开做进一步说明。

应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

实施例1

如图1所示，本实施例提供一种基于BP神经网络的肥胖症预测系统，包括：

数据采集模块，用于通过超声诊断仪采集测试者肱二头肌与腹部的脂肪厚度，获取与所述脂肪厚度对应的测试者体质信息，所述体质信息包括年龄、性别、运动心率、胰岛素水平和血糖浓度；

影响因子筛选模块，用于构建BP神经网络，以脂肪厚度和测试者体质信息构建的训练集与参照集作为输入，采用反向传播方法得到训练集与参照集中每个指标的权值，比较训练集与参照集中同一个指标的权值，筛选得到肥胖影响因子；

模型构建与预测模块，用于对肥胖影响因子加权重构，构建脂肪厚度预测模型，对获取的待测数据进行脂肪厚度的预测，根据脂肪厚度预测值与脂肪厚度阈值的比较得到肥胖症预测结果。

肥胖是指吃进的食物所含的热量过多，若是长期超过机体的需要，多余的热量就会以脂肪的形式贮存起来；当人体内的脂肪贮存量明显超过正常人一般平均量，体重增加，并引起机体代谢、生理、生化的异常变化，此即为肥胖症。肥胖主要体现在脂肪细胞数量增多、体积增大，取决于体内脂肪细胞的数目和脂肪细胞内脂质(包括中性脂肪、碑脂、胆固醇等)含量的多少。

正脂肪细胞数目、体积与肥胖及相关疾病关系密切，在肥胖、能量平衡、糖脂代谢以及慢性代谢疾病的相关研究中，常将脂肪细胞数目和体积作为评价脂肪组织形态和功能的重要指标。

在本实施例中，根据身体质量指数法(BMI)将测试者划分为肥胖人群和正常人群，通过超声诊断仪采集测试者肱二头肌与腹部的脂肪厚度；或可以理解的，还可以通过体脂百分比、腰臀比、标准体重法等方法划分测试者。

具体为：肱二头肌与腹部上的脂肪厚度可以准确反映整个身体的脂肪堆积程度，作为衡量肥胖的特征，并且不同体质的人肱二头肌与腹部的脂肪有明显的区别；

在本实施例中，通过B型超声诊断仪对相应的部位进行测量；

或可以理解的，利用近红外发射器发射至测试者的肱二头肌与腹部，利用光电传感器采集该部位的脂肪数据，近红外发射器用于发生红外光，并照射至待测部位上，由于红外光对身体组织的不同厚度所散射的光强不同，光电传感器采集身体组织在红外光照后散射的光强，并将光信号转化为电信号，根据采集的数据获得脂肪厚度数据。

在本实施例中，每个测试者的脂肪厚度数据与体质信息一一对应，所述体质信息包括年龄、运动心率、胰岛素水平和血糖浓度；

在本实施例中，由于摄入热量过多，尤其是高脂肪饮食会导致肥胖病，脂肪进入血液后，一部分通过氧化而供给身体活动所需要的热量.一部分作为细胞的组成部分，还有一部分转化为其他物质，多余的便储存起来。如果机体所摄取的热量超过正常的消耗，食物中的脂肪进人脂肪库储存的数量就会增多，从而形成肥胖。而肥胖症的人群合成代谢亢进，在休息及活动时能消耗较少，代谢率差；而且整体胰岛素反应力下降，胰岛素的灵敏性降低，导致胰岛素分泌过多，促进脂肪合成。

另外，可以理解的，在微量元素的水平上，铬缺乏、代谢发生障碍，血脂增高，体型肥胖；碘缺乏，甲状腺功能减退，基础代谢降低，导致肥胖；并且随着年龄增加，甲状腺功能低下，脂肪代谢紊乱，体内脂肪分解减慢而合成增多，使脂肪堆积；

所以，肥胖症患较正常人在脂肪的吸收、代谢和存储能力上存在区别，在运动、饮食或睡眠上，身体内各项生理指标的变化与正常人存在不同，本实施例只需要采集与生活方式有关的各项生理指标，在本实施例中，选取年龄、性别、运动心率、胰岛素水平和血糖浓度的体质信息，对脂肪厚度进行预测，继而由脂肪厚度的预测数据预测未来发生肥胖的概率。

本实施例中，将采集的测试者的脂肪厚度数据与体质信息划分为训练集和参照集，构建BP神经网络，以训练集与参照集作为输入，筛选肥胖影响因子；

如图2所示，本实施例构建3层BP神经网络模型，包括输入层、隐含层和输出层，其中输入层包含3个节点，输出层有1个节点，ω_ik、ω_k分别为输入层节点到隐含层节点、隐含层节点到输出层节点的连接权值，由输入、输出的规则数据通过网络的学习过程进行估计，n表示隐含层节点数量。

假定网络的输入为x＝(x₁,x₂,x₃)^T，目标输出为d，而实际输出为y，BP网络的学习步骤为：

步骤一，随机生成作为节点间连接权值的初值和阈值；

步骤二，计算网络的实际输出Y；

对于输入层节点，其输出O_i与输入数据x_i相等，即O_i＝x_i,i＝1,2,3；

对于隐含层节点，其输入为

输出为

θ_k为隐含层节点k的阈值；f一般取Sigmoid函数；

对于输出层节点，其输入为

输出为y＝f(net⁰-θ⁰),θ⁰为输出层节点的阈值。

步骤三，能量函数E＝(d-y)²，

如果E小于预设阈值，转步骤五，否则继续步骤四。

步骤四，调整权值，

对于输出层节点与隐含层节点的权值调整为：

δ⁰＝(d-y)×y×(1-y),

其中，η为训练速度，一般取0.01-1。

对于隐含层节点与输入层节点的权值调整为：

步骤五：进行下一个训练样本，直至训练样本集合中的每一个训练样本都满足目标输出，则BP算法的学习完成。

在本实施例中，基于上述构建的BP神经网络，采用反向传播方法得到训练集与参照集中每个指标的权值，比较训练集与参照集中同一个指标的权值，筛选得到肥胖影响因子；

具体为：步骤1：确定训练样本数据，确定所需输入变量的取值范围；根据BP算法的数学模型，利用Python软件编辑计算程序，获取相当数量的样本数据；经过预处理，作为BP神经网络的训练样本和测试样本数据；

步骤2：分别将训练集与参照集的各个指标各设一个目标函数，训练集中肥胖人群为正值，参照集中非肥胖人群为负值，依据标准BP神经网络模型的数学模型确定BP神经网络的层数、每层的神经元数、以及其他参数；

将上述目标函数设为等于1，通过BP算法反向传播修改每个指标的权值，因其有正负的原因，故需使每个数据的权值取绝对值，其权值大小代表着此数据的重要性，则其所对应的影响因子对肥胖的影响越大；最后，比较训练集与参照集中同一个指标的权值，筛选出权值绝对值相对较大的指标，得到肥胖影响因子；

步骤3：利用肥胖影响因子建立脂肪厚度预测模型，可理解的，在本实施例中，将性别划为影响因子，故可构建男性脂肪厚度预测模型和女性脂肪厚度预测模型；

在本实施例中，首先将采集的数据分为肥胖样本和参照样本，考虑到肥胖的影响因子的重要性的不同，对BP算法进行加权处理；然后分别用加权BP对肥胖样本和参照样本进行训练，获得两个样本中各属性的权重值，通过对比两个样本同属性权重值的大小，选出肥胖样本权值大的属性，即为肥胖影响因子；最后将肥胖影响因子再进行加权处理，重新训练BP网络获得脂肪厚度预测模型，既对与肥胖相关的影响因素进行中重要度的排名，又能够通过预测得到的脂肪厚度预测未来可能肥胖的概率。

在本实施例中，通过对肥胖影响因子加权重构，构建脂肪厚度预测模型，对获取的待测数据进行脂肪厚度的预测，根据得到的脂肪厚度，通过预设脂肪厚度阈值，得到肥胖症预测结果。

脂肪厚度与机体的肥胖程度大致平行，匀称型肥胖，或非匀称型，或局部肥胖型患者皮下脂肪厚度可以在一定程度上反映机体脂肪含量的多少，脂肪厚度测定可以用来作为判断患者体内是否有脂肪堆积，以及是否发生肥胖或诊断肥胖症。

在本实施例中，针对脂肪厚度预测模型中的影响因子，若待测数据中包含任一影响因子，根据各影响因子的加权权值预测脂肪厚度值。

根据性别，分别建立不同的脂肪厚度阈值；在本实施例中，男性肱二头肌脂肪厚度大于10.4mm，腹部脂肪厚度大于15mm为肥胖；

女性肱二头肌大于17.5mm属于肥胖，腹部脂肪厚度大于20mm为肥胖。

在更多实施例中，还可以提供一种运动手环，该运动手环包括心率传感器、运动传感器、存储器、处理器；

该运动手环佩戴于人体手腕部位，在佩戴者运动或睡眠时，通过多个传感器采集佩戴者当前的心率、胰岛素和血糖等生理指标；

根据采集的生理指标，利用上述方法对该佩戴者的肥胖症状进行预测；

可以理解的，还可通过预测的肥胖症状，通过采集的运动速度和心率数据，得到运动强度等级评估值，融合体感温度评估值和使用时间段等对佩戴者的运动进行反馈干预。

可以理解的，还包括智能终端，智能终端如手机、APP等，通过蓝牙与运动手环连接，可远程监测佩戴者的实时生理指标。

可以理解的，根据肥胖预测结果，在日常饮食、睡眠或运动中，发现肥胖患者与健康指标的偏差，提供健康指导策略。

在更多实施例中，还提供一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成以下步骤：

通过超声诊断仪采集测试者肱二头肌与腹部的脂肪厚度，获取与所述脂肪厚度对应的测试者体质信息，所述体质信息包括年龄、性别、运动心率、胰岛素水平和血糖浓度；

构建BP神经网络，以脂肪厚度和测试者体质信息构建的训练集与参照集作为输入，采用反向传播方法得到训练集与参照集中每个指标的权值，比较训练集与参照集中同一个指标的权值，筛选得到肥胖影响因子；

对肥胖影响因子加权重构，构建脂肪厚度预测模型，对获取的待测数据进行脂肪厚度的预测，根据脂肪厚度预测值与脂肪厚度阈值的比较得到肥胖症预测结果。

在更多实施例中，还提供一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成以下步骤：

通过超声诊断仪采集测试者肱二头肌与腹部的脂肪厚度，获取与所述脂肪厚度对应的测试者体质信息，所述体质信息包括年龄、性别、运动心率、胰岛素水平和血糖浓度；

构建BP神经网络，以脂肪厚度和测试者体质信息构建的训练集与参照集作为输入，采用反向传播方法得到训练集与参照集中每个指标的权值，比较训练集与参照集中同一个指标的权值，筛选得到肥胖影响因子；

对肥胖影响因子加权重构，构建脂肪厚度预测模型，对获取的待测数据进行脂肪厚度的预测，根据脂肪厚度预测值与脂肪厚度阈值的比较得到肥胖症预测结果。

以上仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开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公开的保护范围以内。

Claims (10)

1.一种基于BP神经网络的肥胖症预测系统，其特征在于，包括：

数据采集模块，用于通过超声诊断仪采集测试者肱二头肌与腹部的脂肪厚度，获取与所述脂肪厚度对应的测试者体质信息；

影响因子筛选模块，用于构建BP神经网络，以脂肪厚度和测试者体质信息构建的训练集与参照集作为输入，采用反向传播方法得到训练集与参照集中每个指标的权值，并筛选指标得到肥胖影响因子；

模型构建与预测模块，用于对肥胖影响因子加权重构，构建脂肪厚度预测模型，对获取的待测数据进行脂肪厚度的预测，根据脂肪厚度预测值与脂肪厚度阈值的比较得到肥胖症预测结果。

2.如权利要求1所述的一种基于BP神经网络的肥胖症预测系统，其特征在于，所述体质信息包括年龄、性别、运动心率、胰岛素水平和血糖浓度。

3.如权利要求1所述的一种基于BP神经网络的肥胖症预测系统，其特征在于，所述影响因子筛选模块中，比较训练集与参照集中同一个指标的权值，筛选训练集中指标权值大于参照集的指标作为肥胖影响因子。

4.如权利要求1所述的一种基于BP神经网络的肥胖症预测系统，其特征在于，根据身体质量指数法将测试者划分为肥胖人群和正常人群，将肥胖人群对应的脂肪厚度和测试者体质信息构建为训练集，将正常人群对应的脂肪厚度和测试者体质信息构建为参照集。

5.如权利要求1所述的一种基于BP神经网络的肥胖症预测系统，其特征在于，所述BP神经网络中，将训练集与参照集的各个指标各设一个目标函数，并设权值初始值为1，通过反向传播法修正指标的权值。

6.如权利要求5所述的一种基于BP神经网络的肥胖症预测系统，其特征在于，对修正后的权值取绝对值，所述权值的绝对值大小代表该指标对肥胖的影响程度。

7.如权利要求1所述的一种基于BP神经网络的肥胖症预测系统，其特征在于，所述脂肪厚度预测模型根据性别的不同，包括男性脂肪厚度预测模型和女性脂肪厚度预测模型，对获取的待测数据进行性别分类预测。

8.如权利要求1所述的一种基于BP神经网络的肥胖症预测系统，其特征在于，所述脂肪厚度阈值中，男性肱二头肌脂肪厚度大于10.4mm，腹部脂肪厚度大于15mm为肥胖；女性肱二头肌大于17.5mm，腹部脂肪厚度大于20mm为肥胖。

9.一种电子设备，其特征在于，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成以下步骤：

通过超声诊断仪采集测试者肱二头肌与腹部的脂肪厚度，获取与所述脂肪厚度对应的测试者体质信息；

构建BP神经网络，以脂肪厚度和测试者体质信息构建的训练集与参照集作为输入，采用反向传播方法得到训练集与参照集中每个指标的权值，并筛选指标得到肥胖影响因子；

对肥胖影响因子加权重构，构建脂肪厚度预测模型，对获取的待测数据进行脂肪厚度的预测，根据脂肪厚度预测值与脂肪厚度阈值的比较得到肥胖症预测结果。

10.一种计算机可读存储介质，其特征在于，用于存储计算机指令，所述计算机指令被处理器执行时，完成以下步骤：

通过超声诊断仪采集测试者肱二头肌与腹部的脂肪厚度，获取与所述脂肪厚度对应的测试者体质信息；

构建BP神经网络，以脂肪厚度和测试者体质信息构建的训练集与参照集作为输入，采用反向传播方法得到训练集与参照集中每个指标的权值，并筛选指标得到肥胖影响因子；

对肥胖影响因子加权重构，构建脂肪厚度预测模型，对获取的待测数据进行脂肪厚度的预测，根据脂肪厚度预测值与脂肪厚度阈值的比较得到肥胖症预测结果。

Images