CN111524602B - 一种老年人记忆及认知功能评估筛查预警系统 - Google Patents
一种老年人记忆及认知功能评估筛查预警系统 Download PDFInfo
- Publication number
- CN111524602B CN111524602B CN202010349908.9A CN202010349908A CN111524602B CN 111524602 B CN111524602 B CN 111524602B CN 202010349908 A CN202010349908 A CN 202010349908A CN 111524602 B CN111524602 B CN 111524602B
- Authority
- CN
- China
- Prior art keywords
- data
- cognitive
- neural network
- memory
- measurement 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.)
- Active
Links
- 230000003920 cognitive function Effects 0.000 title claims abstract description 36
- 238000012216 screening Methods 0.000 title claims abstract description 27
- 230000006386 memory function Effects 0.000 title claims abstract description 26
- 238000013528 artificial neural network Methods 0.000 claims abstract description 64
- 238000005259 measurement Methods 0.000 claims abstract description 52
- 208000010877 cognitive disease Diseases 0.000 claims abstract description 50
- 238000000034 method Methods 0.000 claims abstract description 40
- 241000282414 Homo sapiens Species 0.000 claims abstract description 35
- 238000011156 evaluation Methods 0.000 claims abstract description 35
- 230000001149 cognitive effect Effects 0.000 claims abstract description 26
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 24
- 230000036541 health Effects 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 20
- 230000002068 genetic effect Effects 0.000 claims abstract description 16
- 230000006870 function Effects 0.000 claims description 36
- 210000002569 neuron Anatomy 0.000 claims description 36
- 230000004927 fusion Effects 0.000 claims description 31
- 208000028698 Cognitive impairment Diseases 0.000 claims description 21
- 239000008280 blood Substances 0.000 claims description 13
- 210000004369 blood Anatomy 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 9
- HVYWMOMLDIMFJA-DPAQBDIFSA-N cholesterol Chemical compound C1C=C2C[C@@H](O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2 HVYWMOMLDIMFJA-DPAQBDIFSA-N 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000003111 delayed effect Effects 0.000 claims description 6
- 239000003814 drug Substances 0.000 claims description 6
- 238000012887 quadratic function Methods 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 230000036772 blood pressure Effects 0.000 claims description 5
- LEHOTFFKMJEONL-UHFFFAOYSA-N Uric Acid Chemical compound N1C(=O)NC(=O)C2=C1NC(=O)N2 LEHOTFFKMJEONL-UHFFFAOYSA-N 0.000 claims description 4
- TVWHNULVHGKJHS-UHFFFAOYSA-N Uric acid Natural products N1C(=O)NC(=O)C2NC(=O)NC21 TVWHNULVHGKJHS-UHFFFAOYSA-N 0.000 claims description 4
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 4
- 235000012000 cholesterol Nutrition 0.000 claims description 4
- 229910052760 oxygen Inorganic materials 0.000 claims description 4
- 239000001301 oxygen Substances 0.000 claims description 4
- 229940116269 uric acid Drugs 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 claims description 4
- 230000036760 body temperature Effects 0.000 claims description 3
- 230000037182 bone density Effects 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 108090000623 proteins and genes Proteins 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 abstract description 9
- 230000019771 cognition Effects 0.000 abstract description 4
- 239000010410 layer Substances 0.000 description 66
- 208000027061 mild cognitive impairment Diseases 0.000 description 21
- 208000024827 Alzheimer disease Diseases 0.000 description 20
- 238000012360 testing method Methods 0.000 description 16
- 230000008569 process Effects 0.000 description 15
- 206010012289 Dementia Diseases 0.000 description 12
- 238000003745 diagnosis Methods 0.000 description 8
- 230000004913 activation Effects 0.000 description 7
- 238000007499 fusion processing Methods 0.000 description 7
- 230000035945 sensitivity Effects 0.000 description 7
- 206010039966 Senile dementia Diseases 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 239000002356 single layer Substances 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 235000005911 diet Nutrition 0.000 description 4
- 230000037213 diet Effects 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 238000007639 printing Methods 0.000 description 4
- 206010003694 Atrophy Diseases 0.000 description 3
- 230000032683 aging Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000037444 atrophy Effects 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 3
- 238000003759 clinical diagnosis Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 238000011478 gradient descent method Methods 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 230000006996 mental state Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000000750 progressive effect Effects 0.000 description 3
- 206010020772 Hypertension Diseases 0.000 description 2
- 201000004810 Vascular dementia Diseases 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000008054 signal transmission Effects 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 210000001103 thalamus Anatomy 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000007473 univariate analysis Methods 0.000 description 2
- 208000014644 Brain disease Diseases 0.000 description 1
- 206010008190 Cerebrovascular accident Diseases 0.000 description 1
- 208000017667 Chronic Disease Diseases 0.000 description 1
- 208000006545 Chronic Obstructive Pulmonary Disease Diseases 0.000 description 1
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 1
- 206010062717 Increased upper airway secretion Diseases 0.000 description 1
- 208000026139 Memory disease Diseases 0.000 description 1
- 241001112258 Moca Species 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 208000001132 Osteoporosis Diseases 0.000 description 1
- 206010034719 Personality change Diseases 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- 208000031975 Yang Deficiency Diseases 0.000 description 1
- 208000031971 Yin Deficiency Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 208000029028 brain injury Diseases 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 230000006999 cognitive decline Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 208000029078 coronary artery disease Diseases 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000001212 derivatisation Methods 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 235000006694 eating habits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010482 emotional regulation Effects 0.000 description 1
- 230000005281 excited state Effects 0.000 description 1
- 239000008103 glucose Substances 0.000 description 1
- 210000001320 hippocampus Anatomy 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003447 ipsilateral effect Effects 0.000 description 1
- 208000011977 language disease Diseases 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000004660 morphological change Effects 0.000 description 1
- 230000000474 nursing effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 208000026435 phlegm Diseases 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Physiology (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种老年人记忆及认知功能评估筛查预警系统,该系统包括:获取人体生理测量数据;获取蒙特利尔认知评估量表数据;通过自适应加权法,结合蒙特利尔认知评估量表数据,对人体生理测量数据进行融合;采用遗传算法优化BP神经网络。本发明通过获取老年人蒙特利尔认知评估量表,利用健康一体机采集人体生理测量数据,采用基于神经网络的机器学习方法,对用户记忆与认知功能数据和判定结果进行机器学习训练,优化机器学习策略,实现老年人记忆及认知功能评估筛查预警,可快速实现老年人记忆及认知的自动评估预警能力,不需要专业人工干预,且对轻微认知障碍的早期人员评估结果具有较高的可靠性。
Description
技术领域
本发明涉及老年人记忆及认知功能评估技术领域,更具体的涉及一种老年人记忆及认知功能评估筛查预警系统。
背景技术
人口老龄化是人类社会发展的历史必然,任何国家都概莫能外,差别只是出现的早晚和进程的快慢。进入老年期后,人体结构组织进一步老化,各功能器官逐步出现障碍,身体抵抗能力衰弱,容易引发各种疾病,如老年痴呆症(失智症)。老年痴呆症分为阿尔茨海默病(Alzheimer Disease,AD)、血管性痴呆以及两者并存的混合型痴呆。AD痴呆症较血管性痴呆更为常见,是一种因脑部损伤或疾病导致的渐进性认知功能退化,其退化的幅度和速度远高于正常老化,主要表现为渐进性记忆障碍、认知功能障碍、人格改变以及语言障碍等,严重影响病人的社交、职业与生活。老年痴呆症随年龄增长而增长患病率,严重威胁着老年人的身体健康。
临床实施MCI诊断需由专业医疗人员进行,局限在医院等医疗机构中,无法在社会上进行广泛推广。目前由于我国老年健康保健体系不够完善,加上对老年痴呆症的认识不足,痴呆症的就诊率较低。轻度痴呆症患者的就诊率更是不足20%,导致大多数轻度AD和MCI患者延误了病情,发展成中度甚至重度痴呆,给家庭和社会带来了沉重的负担。因此,便于使用且容易推广的辅助筛查系统有其现实的需求和重要的社会意义。根据这种需求开发针对老年人的认知功能评估训练系统,作为一种筛查工具进行认知功能评估和训练的人工干预是必要的。
目前,对老年人记忆及认知功能评估主要集中在临床医学,通过复杂的医学理论对病人的生物信息进行分析研究,得出老年人记忆及认知功能评估结果,该方法存在检查数据多,时间跨度长,且需要专业人工干预,尤其对轻微认知障碍的早期人员评估结果可靠性较低。
发明内容
本发明实施例提供一种老年人记忆及认知功能评估筛查预警系统,用以解决上述背景技术中提出的问题。
本发明实施例提供的老年人记忆及认知功能评估筛查预警系统,包括:
生理数据获取单元,用于获取人体生理测量数据;
量表数据获取单元,用于获取蒙特利尔认知评估量表数据;
数据融合单元,用于通过自适应加权法,结合蒙特利尔认知评估量表数据,对人体生理测量数据进行融合;
认知障碍概率确定单元,用于采用遗传算法优化BP神经网络;其中,所述BP神经网络的输入特征向量为融合后的人体生理测量数据,所述BP神经网络的输出特征向量为患老年认知障碍概率。
进一步地,所述生理数据获取单元,具有用于:
通过健康一体机,获取人体生理测量数据;所述健康一体机的自助体检项目,包括:身高体重、心电、体温、血压、血糖、骨密度、多普勒、微量元素、血氧、血尿酸、总胆固醇、中医体质辨识和生化。
进一步地,所述蒙特利尔认知评估量表数据的类型,包括:视空间执行能力、命名、记忆、注意、语言流畅、抽象思维、延迟记忆、定向力。
进一步地,所述数据融合单元,具体用于:
对人体生理测量数据赋值原始权重值;
分析某一类人体生理测量数据是否异常,如果超出正常值,则采用自适应加权法实现权值的确定,以修正蒙特利尔认知评估量表受影响的各维度值;
对于不同组的人体生理测量数据有不同的权值,在总均方误差最小的最优条件下,根据各组人体生理测量数据以自适应的方式寻找对应的权值,使融合后的数据达到最优。
进一步地,所述数据融合单元,还用于:
七类人体生理测量数据融合值为:
其中,
因此,总均方误差为:
其中,σ2是加权因子Wi的多元二次函数;
根据多元二次函数求极值理论,求出当加权因子为时,σ2取最小值,求得七类人体生理测量数据的权值,根据不同类别数据对蒙特利尔认知评估量表数据的影响,实现一对多或一对一修正蒙特利尔认知评估量表各维度分值和总分值。
进一步地,所述认知障碍概率确定单元,具体用于:
a、初始化权值和阈值:采用某种编码机制对神经网络各层的权值和阈值进行编码,生成初始群体;
b、确定适应度函数:通过计算BP神经网络的误差函数来确定适应度函数,其中,误差和适应度成反比关系;
c、选择运算:选择适应度大的若干个体;
d、交叉运算:按照事先确定的概率,从种群中随机选择两个个体进行基因的交叉互换;
e、变异运算:根据不同的编码策略进行相应的变异,产生新一代群体;
f、重复b-e步骤,逐代进化初始权值和阈值,直到训练结果满足要求或者迭代次数达到预设值为止。
进一步地,所述认知障碍概率确定单元,还用于:
将神经网络误差平方和的倒数作为适应度函数,具体包括:将每个个体所表示的各神经元的连接权值和阈值分配到相应的给定网络拓扑结构中,网络以训练样本为输入输出,完成网络的样本数据正向传播得到误差,个体的适应度值f的计算公式为:
其中,n为输出节点数,yi为BP神经网络第i个节点的期望输出,xi为第i个节点的实际输出。
本发明实施例提供一种老年人记忆及认知功能评估筛查预警系统,与现有技术相比,其有益效果如下:
本发明通过获取老年人蒙特利尔认知评估量表,利用健康一体机采集人体生理测量数据,采用多传感基于神经网络的机器学习方法,对用户记忆与认知功能数据和判定结果进行机器学习训练,优化机器学习策略,实现老年人记忆及认知功能评估筛查预警,可快速实现老年人记忆及认知的自动评估预警能力,不需要专业人工干预,且对轻微认知障碍的早期人员评估结果具有较高的可靠性。
附图说明
图1为本发明实施例提供的一种老年人记忆及认知功能评估筛查预警系统流程架构示意图;
图2为本发明实施例提供的健康一体机构成模型;
图3为本发明实施例提供的人工神经元模型;
图4为本发明实施例提供的多层BP神经网络的拓扑结构;
图5为本发明实施例提供的遗传算法对神经网络优化流程;
图6为本发明实施例提供的健康一体机的血压查询界面;
图7为本发明实施例提供的健康一体机的血糖查询界面;
图8为本发明实施例提供的健康一体机的BMI查询界面;
图9为本发明实施例提供的健康一体机的骨密度查询界面;
图10为本发明实施例提供的量表测试模块示意图;
图11为本发明实施例提供的确诊患有认知障碍的患者测试结果;
图12为本发明实施例提供的未确认患有认知障碍的患者测试结果。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参见图1,本发明实施例提供一种老年人记忆及认知功能评估筛查预警系统,该系统包括:
生理数据获取单元,用于获取人体生理测量数据。
量表数据获取单元,用于获取蒙特利尔认知评估量表数据。
数据融合单元,用于通过自适应加权法,结合蒙特利尔认知评估量表数据,对人体生理测量数据进行融合。
认知障碍概率确定单元,用于采用遗传算法优化BP神经网络;其中,所述BP神经网络的输入特征向量为融合后的人体生理测量数据,所述BP神经网络的输出特征向量为患老年认知障碍概率。
本发明实施例主要利用蒙特利尔认知评估量表结合健康一体机采集人体生理测量数据完成老年人认知评估。采用遗传算法优化的神经网络方法,对用户记忆与认知功能数据和判定结果进行机器学习训练,实现老年人记忆及认知功能评估预警,本发明分为一体机数据采集、用户检查量表数据采集、数据融合处理以及神经网络认知障碍评估实现老年人记忆及认知功能评估预警。
上述单元的具体分析过程如下:
1、一体机数据采集
健康一体机是一款满足人们日常自助测量需求的仪器,具有用户管理、数据测量和慢病管理等功能,用户完成注册后,可自助完成所需数据的测量,测量完成后用户可实时查询体检结果,一体机可根据测量人的性别和年龄等不同因素,参照其各项正常范围判断测量值是否异常,如果数据异常,给出提示意见建议,支持打印测量结果功能,参见图2。
健康一体机用户管理包括用户注册、用户登录和注销等功能,支持用户刷身份证注册或手动填写信息注册,注册信息主要包括:身份证号、用户名、民族、年龄、文化程度和主管医生等;支持用户刷身份证快速登录。
健康一体机具备管理员用户、普通用户和主管医生用户三类用户;管理员用户主要完成一体机用户信息、测量数据和一体机运行状态等信息的维护,以便健康一体机稳定持续运行;普通用户具有用户注册、登录、测量数据、查询数据和打印体检结果等功能;主管医生用户具有查看普通用户测量结果,给与意见和建议,医生可根据用户姓名或异常数据类型进行查询信息。
健康一体机的自助体检包括13类型项目,具体为:身高体重、心电、体温、血压、血糖、骨密度、多普勒、微量元素、血氧、血尿酸、总胆固醇、中医体质辨识和生化等数据。用户自助测量数据后,可实时查询显示本次测量值和查看多次测量值趋势。一体机根据用户性别和年龄等因素不同,参考不同类别人员测量数据的正常范围,判断测量结果是否正常,以便用户在后续诊断中提供依据。并支持高血压、各种癌症、骨质疏松、冠心病、慢阻肺、脑中风、糖尿病和慢病素养的测试评估,给出上述各类风险评估名词解释、诊断结果、预防要点、饮食和运动等方面提示信息。
体检数据查询支持普通用户实时查询当次体检结果的查询,并能对本次体检结果的查询,针对某项测量项查看其数据趋势图;支持主管医生用户根据用户姓名和异常数据类型方式进行数据查询,可查看某一用户全部测量数据,也支持某类测量项异常用户信息;支持管理员用户对主管医生、普通用户和测量数据等信息的查询和维护。
健康一体机支持普通用户的体检结果和生化体检结果的打印,提供用户纸质体检报告和生化报告。主管医生根据查询到异常用户的测量数据和就医经验,给予用药、饮食和注意事项等意见建议。支持管理员用户对普通用户测量的数据进行查询、删除等操作,具备数据备份存储功能。
中医体质辨识主要根据用户完成的一些列问卷调查结果进行评估,支持气虚质、阳虚质、阴虚质、痰湿质、湿热质、血瘀质、气郁质、特禀质及平和质等体制的判断评估,根据评估结果给出情志调摄、饮食调养、参考食疗方、起居调摄、运动保健、穴位保健及方法等方面建议,以便后续日常生活中注意生活习惯、饮食习惯和起居,通过运动和穴位保健等辅助方法改变体质。
2、用户检查量表数据采集
伴随经济的快速发展,科学技术、医疗水平和生活水平的不断提高,人均寿命明显延长,痴呆的患病率逐年攀升。阿尔茨海默病(Alzheimer's disease AD)则是导致认知功能障碍的常见疾病,早发现、早诊断是改善和治疗痴呆类疾病的关键。蒙特利尔认知评估量表(MoCA)是新近应用于临床的关于认知功能障碍筛查和评估的量表,针对MoCA和简易精神状态量表MMSE两类表进行分析评估。MoCA是一种快速、全面地用于MCI筛查的评估量表,对MCI测试的敏感性和特异性高,能全面实现MCI患者认知损害领域的筛查;简易精神状态量表MMSE是目前国际上使用最普遍的认知功能障碍筛查工具之一。
蒙特利尔认知评估量表MoCA是由Nasreddine等根据临床经验并参考MMSE的认知项目设置和评分标准制订,在临床应用中不断修改。他们对轻度认知功能障碍(MCI)患者、轻度阿尔茨海默病(AD)患者和正常老年人进行MoCA测验后的结果显示,MoCA重复测试的一致性好,当MoCA分界值设定为26分时,分别对MCI和AD患者进行评估,发现MoCA对MCI患者的敏感性90%,对AD患者的敏感性达100%。MoCA主要包括视空间执行能力、命名、记忆、注意、语言流畅、抽象思维、延迟记忆、定向力等多个方面的认知评估,由12道题组成,共30个单项,每项回答正确者得1分,回答错误或答不知道者评0分。量表总分范围为0—30分,≥26分为认知正常,若受教育年限≤12年,则分界值为25分。目前MoCA主要用于筛查、评估MCI患者。
简易精神状态量表MMSE包括时间与地点定向、语言(复述、命名、理解指令)、计算、即时记忆与延迟记忆、结构模仿等项目,满分30分,耗时5~10分钟。当以26分为筛查界定值时其对AD诊断的敏感性及特异性均在85%左右。该量表包括时间与地点定向、语言(复述、命名、理解指令)、计算、即时记忆与延迟记忆、结构模仿等项目,满分30分,耗时5~10分钟。当以26分为筛查界定值时其对AD诊断的敏感性及特异性均在85%左右。
MMSE在诊断认知功能方面有着简捷、便利的特点,但缺乏一定敏感性和特异性较低;而MoCA则弥补了MMSE的缺点,其敏感性较高,但在实际的临床工作中特异性低,而且我国各地域和各阶层的教育程度不等,对MoCA的部分问题不能很好理解,更有偏远地区或未受教育的人群在图形识别、抽象思维等方面难以作答。所以本发明根据我国实际情况,结合采集的健康一体机人体生理数据,提出适合评估国人的优化的MoCA测量表。
3、数据融合处理
数据融合就是由多种信息源,如传感器、知识库和人类本身来获取有关信息,并进行滤波、相关和集成,从而形成一种架构,这种架构适合于获得有关决策、对信息的解释、达到系统目标、传感器管理和系统控制等。多源数据融合之所以能有效地提高系统的性能,关键在于技术融合了精确的和非精确的数据,特别是在数据具有不确定性和变化未知的情况下。按照数据抽象的三个层次,融合可分为三级:即像素级融合、特征级融合和决策级融合。
像素级融合是直接在原始数据层上进行的融合,在各种传感器的原始数据未经过预处理之前就进行数据的综合和分析,这是最低层次的融合。其主要优点是能保持尽可能多的现场数据,提供其它融合层次所不能提供的更丰富、精确、可靠的信息,有利于图像的进一步分析、处理与理解,可提供最优决策和识别性能。
特征级融合属于中间层次,它先对来自各传感器的原始信息进行特征提取,然后对特征进行综合分析和处理。一般来说,提取的特征信息应是像素信息的充分统计量,然后按特征信息对多传感器数据进行分类、灰机和综合。其优点在于实现了可观的信息压缩,有利于实时处理,由所提取的特征直接与决策分析有关,因而融合结果能最大限度地给出决策分析所需要的特征信息。
决策级融合是一种高层次融合,其结果为决策提供依据。在这一层次的融合过程中,每个传感器分别建立对统一目标的初步判决和结论,然后对来自各个传感器的决策进行相关处理,最后进行决策级额融合处理从而获得最终的联合判决。决策级融合具有良好的实时性和容错性。
数据融合的常用方法基本上可概括为随机和人工智能两大类,随机类方法有加权平均法、卡尔曼滤波法、多贝叶斯估计法、Dempster-Shafer(D-S)证据推理、产生式规则等;而人工智能类则有模糊逻辑理论、神经网络、粗集理论、专家系统等。神经网络和人工智能等技术在多传感器数据融合中将起到越来越重要的作用。考虑到本系统的数据来源:13项人体生理数据和蒙特利尔认知评估量表MoCA,故考虑本系统采用贝叶斯推理进行数据融合。
自适应加权数据融合处理
MoCA表包括视空间与执行力、命名、注意力、语言、抽象、延迟回忆和定向力7大类,测量者基本的生理特征数据对轻度认知有一定的影响,例如:男性和女性在抽象、语言、视觉空间与执行力功能及总分上有差异,男性得分高于女性;不同年龄段的老人在MoCA表各维度及总分上也有差异,表现为60-69岁年龄段大于70-79年龄段大于80-年龄段;不同文化程度老年人在MoCA表各维度及总分上有差异,老年人的学历越高分数越高;不同体质指数(BMI)老年人会在视空间与执行力、定向力及总分上有差异;血糖、高血压和生化等测量值不同也会对MoCA表各维度及总分也会有影响。经研究简单列出以下几类数据进行阐述,说明数据融合过程。
表1生理特征数据赋值
数据融合是指充分利用数据资源,对采集到的数据在一定准则下进行分析、综合、支配和使用,获得对被测对象的一致性解释与描述,进而实现相应的决策和估计,使系统获得比它的各组成部分更充分的信息。加权数据融合是对多源冗余信息进行加权平均,结果作为融合值,是一种直接对数据源进行操作的方法。对于上表所列的7类数据原始权值每项为0.1,若通过健康一体机分析发现某一类数据异常,超出正常值,则需要提高其权值,采用自适应加权法实现权值的确定,以便修正MoCA表受影响的维度或各维度值。
对于不同组的测量数据有不同的权值,在总均方误差最小的最优条件下,根据各组测量值数据以自适应的方式寻找其对应的权值,使融合后的数据达到最优。
加权因子引入后,健康一体机监测的上述表中的7类数据融合值为:
其中,
因此,总均方误差表示为:
其中,σ2是加权因子Wi的多元二次函数。
根据多元二次函数求极值理论,可求出当加权因子为时,为σ2最小值,可求得上述7类数据的权值,根据不同类别数据对MoCA表数据的影响,实现一对多或一对一修正MoCA表各维度分值和总分值,以便更优更公正评估。
4.基于神经网络认知障碍评估预警
本发明主要利用遗传算法完成神经网络的优化,针对神经网络中的网络结构、权值因子以及机器学习方法的优化,利用一体机、老年人测量表数据样本进行融合处理,实现对老年人认知障碍的评估预警,有效识别老年人轻度认知障碍发生率。本发明中的神经网络模型主要包含如下内容:
第一部分:神经元
神经网络由基本单位神经元组成,神经元模拟人脑神经元,并建立对应的数学模型,大量的神经元组合可以实现复杂功能的神经网络。n个输入的神经元模型可以用图3表示。从图3中可得神经元主要连接权值和阈值、求和单元以及激活函数组成。
(1)权值和阈值
连接权值wi1,wi2,……,win,阈值θ。连接权值表示神经元的连接强度,主要存储学习到的知识。神经元需要一定程度外界刺激可进入兴奋状态,该程度用神经元的阈值进行表示。神经网络的学习能力是采取不断变化适应连接权值和阈值进行实现。
(2)求和单元
求和单元对所有输入信号进行加权求和。图3中x1~xn是输入信号,win为n和i神经元的连接权值。θ是神经元的阈值,当神经元的加权求和值大于该阈值则激活该神经元,否则神经元为抑制状态。第i个神经元输入信号的加权求和如下式:
(3)激活函数
对求和单元的值经过相应的变换,将值归算在一定范围内,该变换即为激活函数。neti为净激活,同时x0的对应的wi0赋给阈值,加权求和公式可写为下式:
令输入向量为X,权重向量为W,则:X=[x0,x1,x2,.......,xn],
则神经元的加权求和可得向量形式为:
neti=XW
yi=f(neti)=f(XW)
第二部分:神经网络的网络结构
神经网络是通过某种特定的方式对神经元进行相互连接,神经网络的网络结构主要分为以下三种。
(1)单层前馈网络:单层是只有输入层和输出层,信号的传递只能由输入层向输出层单向传递。
(2)多层前馈网络:多层相对于单层前馈网络增加了一个或多个隐含层,多层的信号传递过程中需要通过隐含层传递到输出层。相对于单层结果,多层加入隐含层可处理非线性问题,其适用范围更广泛。
(3)递归网络:递归网络中存在反馈,与单层网络相对,递归网络神经元的输出都可以反馈到所有其他输入神经元的输入中去。当神经元的输出反馈到其本身的输入,即形成自反馈环。
第三部分:学习规则
神经网络特性主要有结构以及连接权值决定。神经网络的通过大量的学习,实现适应环境(样本)的变化,并对权值和阈值进行对应调整得到满足期望的输出,对于老年人认知障碍评估,主要以老年人一体机测量数据记忆测量表信息为输入,构建相应函数,输出患认知障碍概率值。在神经网络的学习过程中导师是指网络输出的标准参考,即对应于网络输入的最佳预期输出。本发明主要采取有导师学习,以已确诊老年人认知障碍与量测表、一体机测量数据间的对应关系为参考导师。有参考导师学习过程中,需要有正确的网络输入/输出对(即训练样本,医学确诊的老年认知障碍患者和测量数据)。网络连接权值和阈值的调整结果由网络的输出和期望值的误差决定,当误差不满足条件时,对网络连接权值和阈值进行相应变化以减小误差,通过大量反复训练得到网络输出和期望值相符合,BP算法属于有导师学习。还有一种学习方式是介于有导师学习和无导师学习之间,外部环境对系统的输出结果的影响值保留一定评判,神经网络通过强化有积极评判的结构来提高自身性能。
第四部分:BP神经网络
BP神经网络使用梯度下降法对网络的权值和阈值进行调整,使网络实际输出逐渐逼近期望输出。BP算法是在误差向后传播的过程中,对网络连接权值和阈值进行修正,采用BP算法的网络称为BP神经网络。它由输入层、隐含层和输出层组成。多层BP神经网络模型的拓扑结构如图4所示,其中隐含层可有一层或多层,每层由多个神经元组成。输入信号的维数决定输入层神经元的个数,输出层神经元的个数由要研究的问题决定,一般为输出信号的维数。BP神经网络的训练过程包括输入信号正向传播和误差信号反向传播两个部分,在训练中这两个过程交替进行不断计算输出误差和进行权值调整直至达到满足要求的结果。
1.输入信号正向传播
BP神经网络训练前要先对网络各参数进行确定和初始化,输入信号从输入层进入网络,经过各层的加权求和及激活函数的变换后经输出层输出,这个过程就是输入信号正向传播。在此过程中,每一层神经元的输入只受前一层神经元输出的影响,且网络的权值和阈值保持不变。如果网络的实际输出和期望输出的误差较大,则转入误差信号反向传播来降低误差使实际输出逐渐逼近期望输出。
2.误差信号反向传播
误差信号是实际输出与期望输出之间的差值,也就是求实际输出和期望输出的均方差。误差信号由输出层输入向输入层方向逐层传播,在此过程中网络的权值和阈值根据误差的梯度值进行调整,目的是降低误差使网络的输出达到满足要求的结果。
假定输入学习样本为P,x1,x2,…,xp,预期对应的期望输出为t1,t2,…,tp,实际输出为y1,y2,…,yp,隐含层神经元的个数为s。利用BP算法计算实际输出与期望输出的均方差来修正其连接权值和阈值,使实际输出与期望输出最大限度接近。
输入信号的正向传播
隐含层中第i个神经元的输出:
ai=f(neti)
与通用神经网络公式结合得:
ai=f(neti)
其中,激活函数f采用s型函数,Wij为输入层到隐含层的连接权值,θj为输入层神经元的阈值。
输出层第k个神经元的输出为:
令则上式可写为:
yk=f(netk′)
其中,wkr′为隐含层到输出层的连接权值,θr′为隐含层中神经元的阈值。
误差函数为:
误差信号反向传播
当网络实际输出与期望输出不相符时,利用梯度下降法对网络连接权值进行修正。隐含层到输出层的连接权值调整量公式:
输入层到隐含层的权值调整量公式:
则
所以误差函数公式可写为:
对于输出层有公式:
又由于
则隐含层到输出层权值的调整量公式为:
w'kr=η(tk-yk)·f′(net′k)·ar
对于隐含层同理有:
/>
又由于
从而输入层到隐含层的权值调整量公式为:
因为输入层和输出层的激活函数都采用Sigmoid函数其导函数:
f′(x)=f(x)[1-f(x)]
所以,隐含层到输出层、输入层到隐含层的权值调整量公式可变形为:
Δw′kr=η(tk-yk)yk(1-yk)ar
第五部分:遗传算法优化神经网络
引入遗传算法优化BP神经网络的权值和阈值。BP算法的思想是通过调整权值和阈值,使实际输出尽可能的接近期望输出,实际上它也是一种优化算法,即寻找最优的权值和阈值。目前广泛使用的BP神经网络是采用梯度下降方法对权值和阈值进行优化,以致于初始权值和阈值的选取影响网络的训练结果。如果二者取值不当,可能会使导致网络漫长的训练过程甚至无法收敛,并极有可能易陷入局部极小点而无法得到全局极小值的情况。目前采用随机的方式对初始权值和阈值进行赋值,缺乏理论依据,不能保障网络的性能。通过遗传算法所具有的全局优化特性对网络的初始权值和阈值进行优化,避免BP神经网络随机的选取初始权值和阈值,使其得到最优的初始值。这样可充分发挥两种算法的优势,既能发挥BP神经网络的优势又可应用遗传算法的全局搜索能力克服其缺点。
在优化前要先确定网络的拓扑结构和确定各参数,使用遗传算法优化的网络的初始权值和阈值,若遗传算法得到的最优解不能满足要求,可再利用BP神经网络对权值和阈值进行微调,以此来达到较好的预测结果。参见图5,其具体流程如下:
a、初始化权值和阈值:采用某种编码机制对该组权值和阈值进行编码,生成初始群体。
b、确定适应度函数:通过计算网络的误差函数来确定适应度函数,其中误差和适应度是成反比的关系,误差越大而适应度越小。
c、选择适应度较大的若干个体。
d、交叉运算:按照事先确定的概率,从种群中随机选择两个个体进行基因的交叉互换。
e、变异运算:根据不同的编码策略进行相应的变异。至此新一代群体产生。
f、重复b-e步骤,逐代进化初始权值和阈值,直到训练结果满足要求或者迭代次数达到预设值为止。
基于神经网络认知障碍评估
通过分析BP神经网络的学习过程和BP算法的实现原理,对BP神经网络的设计就是要确定网络的层数、各层神经元数目和确定初始化参数。三层BP神经网络可以以任意精度逼近任意的非线性连续函数。增加网络层数可以使网络的泛化能力以及预测的精度得到提高,同时会造成使网络结构复杂和学习效率低下等问题。所以选用的BP神经网络结构包括输入层、输出层和隐含层。
考虑到老年人测量数据的时间关联性,选取年龄、血压、血氧、心电、BMI、尿酸、胆固醇、MMSE、ADL、CDR作为样本的输入特征向量,预测目标是患老年认知障碍概率,所以确定输入层神经元数目为10个,输出层神经元数目为1个。
本发明使用遗传算法优化神经网络,通过遗传算法从权值和阈值编码成的群体中选取出最优个体来初始化神经网络各层的权值和阈值,即经遗传算法优化后的权值和阈值使神经网络的实际输出与期望输出间的误差平方和最小,所以这是一个求最小值的问题。因此将神经网络误差平方和的倒数作为适应度函数。具体计算为将每个个体所表示的各神经元的连接权值和阈值分配到相应的给定网络拓扑结构中,网络以训练样本为输入输出,完成网络的样本数据正向传播得到误差,个体的适应度值f的计算公式为:
其中,n为输出节点数,yi为BP神经网络第i个节点的期望输出,xi为第i个节点的实际输出。
综上所述,本发明老年人记忆及认知功能评估筛查预警系统利用快速采集的人体生理测量数据和MCI标准检查量表等相关数据,通过融合处理和基于神经网络的机器学习方法,能快速高效的对老年人记忆及认知功能进行评估和预警,并且此方法能提高老年痴呆症患者的判断概率,并对早期轻症患者的预警概率提高更为明显。
需要说明的是,痴呆症长期演变的特征,给早期预测提供了比较长的时间窗。长期观察能够在早期发现认知功能的变化情况,争取宝贵的治疗时间,同时为临床确诊提供一定的参考依据。本认知功能评估训练系统,不是代替医生进行诊断,也非专家系统,其核心目的为:
(1)通过对老年人认知功能的评估,建立数据档案,监测老年人的认知功能的长期变化情况。
(2)根据数据档案进行纵向与横向的比较,为可能的痴呆症衍化发出预警。
(3)借助认知训练的人工干预手段,增强老年人认知功能,延缓认知衰退。
在神经心理学医生的帮助下,确定需要进行评估的各项认知功能,设计评估流程和具体内容。利用无线传感器网络和多媒体技术以及人机交互理论,进行系统构建。
实施例:
1、一体机原型软件
本发明实施例的健康一体机主要完成身体生理特征数据的采集,支持数据采集、查询和打印等功能。具体参见图6~9。
2、检查表构成和参考标准
该模块主要完成量表测试功能,被试者需要自行注册、登录并提交基本信息,然后完成量表的测试部分,若被试者及其照顾者完成这些电脑操作比较困难,可由评估员辅助完成。量表测试模块具体参见图10。
评估量表问题类型分为4种,分别为选择、问答、选择问答、比较问答,问题的内容存储在question表中,问题的选项存储在qoption表中,对于比较问答类型的问题,将待比较的量表和问题存储在compare表中。此外,考虑到量表回答过程中,有根据上一题的答案来决定下一题内容的情况,此时将相关跳转信息存储在method表中。被试者及其照顾者的答案存储在result表中,根据被试者及其照顾者答案计算的各量表最后得分存储在score表中。由于整个测试过程都与被试者及其照顾者相关,所以将被试者基本信息及其照顾者的相关信息记录在padent表中。
构建Bayesian信念网的目标是在不同的临床状态下,表示行为学数据中各属性的相关性。该方法不同于只集中在指定区域影响MCI的单变量分析。当在MCI被试与正常控制组被试对比过程中,单变量分析集中在确定是否为相同的结构或属性。与此不同,构建Bayesian信念网能检验出与MCI相关的多个脑结构或属性之间的相互作用关系,当某一被试者,在进行MCI检验的初期并未出现丘脑体积明显萎缩,但根据Bayesian网所表示的因果关系:当其身体同侧的海马出现进行性萎缩的时候,丘脑的体积将很有可能表现出明显的萎缩。因此可以用临床变量的形态学变化作为结点来构建Bayesian信念网,它是一个联合概率分布的多变量的模型。构建Bayesian信念网的最大好处是:
可以表示变量之间的线性和非线性的概率相关。
可以构成推理机,对某些隐藏的变量做出概率较高的预测。构建Bayesian信念网,并进行推理,可以得到三个结果。
可以发现MCI患者的行为学属性或脑结构之间是如何相互影响、相互作用的。
对MCI患者做出正确的早期预测和诊断。
可以把预测和诊断对象扩大到无痴呆症状(目前各种检查正常),但有潜在痴呆因素的正常“亚健康入”,给出概率极高的早期预测和诊断。
3、给出实际评估和预警结果
患者以及20例健康患者,年龄在45至75岁之间.依据本发明所述的遗传算法优化神经网络完成患者诊断结果测试,本发明诊断结果参见图11~12。
本发明评估测试结果表明:在已确诊为老年认知障碍的30个测试人员中,各项结果与临床诊断结果保持一致,这类人员的评估预警概率在70%以上,从而验证了本发明方法的准确性以及有效性;第31到50位测试人员为未进行临床诊断的健康人员,本发明测试结果显示评估预警概率基本在30%左右浮动,大于30%的情况则认为该人员有轻微老年认知障碍,小于30%则认为当前不存在MCI症状。
以上公开的仅为本发明的几个具体实施例,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (6)
1.一种老年人记忆及认知功能评估筛查预警系统,其特征在于,包括:
生理数据获取单元,用于获取人体生理测量数据;
量表数据获取单元,用于获取蒙特利尔认知评估量表数据;
数据融合单元,用于通过自适应加权法,结合蒙特利尔认知评估量表数据,对人体生理测量数据进行融合;
认知障碍概率确定单元,用于采用遗传算法优化BP神经网络;其中,所述BP神经网络的输入特征向量为融合后的人体生理测量数据,所述BP神经网络的输出特征向量为患老年认知障碍概率;
所述数据融合单元,具体用于:
对人体生理测量数据赋值原始权重值;
分析某一类人体生理测量数据是否异常,如果超出正常值,则采用自适应加权法实现权值的确定,以修正蒙特利尔认知评估量表受影响的各维度值;
对于不同组的人体生理测量数据有不同的权值,在总均方误差最小的最优条件下,根据各组人体生理测量数据以自适应的方式寻找对应的权值,使融合后的数据达到最优。
2.如权利要求1所述的老年人记忆及认知功能评估筛查预警系统,其特征在于,所述生理数据获取单元,具有用于:
通过健康一体机,获取人体生理测量数据;所述健康一体机的自助体检项目,包括:身高体重、心电、体温、血压、血糖、骨密度、多普勒、微量元素、血氧、血尿酸、总胆固醇、中医体质辨识和生化。
3.如权利要求1所述的老年人记忆及认知功能评估筛查预警系统,其特征在于,所述蒙特利尔认知评估量表数据的类型,包括:视空间执行能力、命名、记忆、注意、语言流畅、抽象思维、延迟记忆、定向力。
4.如权利要求1所述的老年人记忆及认知功能评估筛查预警系统,其特征在于,所述数据融合单元,还用于:
七类人体生理测量数据融合值为:
其中,
因此,总均方误差为:
其中,σ2是加权因子Wi的多元二次函数;
根据多元二次函数求极值理论,求出当加权因子为时,σ2取最小值,求得七类人体生理测量数据的权值,根据不同类别数据对蒙特利尔认知评估量表数据的影响,实现一对多或一对一修正蒙特利尔认知评估量表各维度分值和总分值。
5.如权利要求1所述的老年人记忆及认知功能评估筛查预警系统,其特征在于,所述认知障碍概率确定单元,具体用于:
a、初始化权值和阈值:采用某种编码机制对神经网络各层的权值和阈值进行编码,生成初始群体;
b、确定适应度函数:通过计算BP神经网络的误差函数来确定适应度函数,其中,误差和适应度成反比关系;
c、选择运算:选择适应度大的若干个体;
d、交叉运算:按照事先确定的概率,从种群中随机选择两个个体进行基因的交叉互换;
e、变异运算:根据不同的编码策略进行相应的变异,产生新一代群体;
f、重复b-e步骤,逐代进化初始权值和阈值,直到训练结果满足要求或者迭代次数达到预设值为止。
6.如权利要求5所述的老年人记忆及认知功能评估筛查预警系统,其特征在于,所述认知障碍概率确定单元,还用于:
将神经网络误差平方和的倒数作为适应度函数,具体包括:将每个个体所表示的各神经元的连接权值和阈值分配到相应的给定网络拓扑结构中,网络以训练样本为输入输出,完成网络的样本数据正向传播得到误差,个体的适应度值f的计算公式为:
其中,n为输出节点数,yi为BP神经网络第i个节点的期望输出,xi为第i个节点的实际输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010349908.9A CN111524602B (zh) | 2020-04-28 | 2020-04-28 | 一种老年人记忆及认知功能评估筛查预警系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010349908.9A CN111524602B (zh) | 2020-04-28 | 2020-04-28 | 一种老年人记忆及认知功能评估筛查预警系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111524602A CN111524602A (zh) | 2020-08-11 |
CN111524602B true CN111524602B (zh) | 2023-09-22 |
Family
ID=71910961
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010349908.9A Active CN111524602B (zh) | 2020-04-28 | 2020-04-28 | 一种老年人记忆及认知功能评估筛查预警系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111524602B (zh) |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113160964A (zh) * | 2020-12-31 | 2021-07-23 | 上海明品医学数据科技有限公司 | 一种智能医学大脑模型建立系统、方法、服务系统及介质 |
CN113161016A (zh) * | 2020-12-31 | 2021-07-23 | 上海明品医学数据科技有限公司 | 一种智能医学服务系统、方法及存储介质 |
CN113057585B (zh) * | 2021-03-15 | 2022-08-30 | 中国科学院计算技术研究所 | 一种认知障碍检测模型及其训练方法 |
CN112735585B (zh) * | 2021-04-02 | 2021-08-03 | 刘思佳 | 基于神经网络和机器学习的关节炎康复诊疗方法及系统 |
CN113744872B (zh) * | 2021-09-22 | 2023-08-08 | 四川省医学科学院·四川省人民医院 | 一种智能交互的阿尔兹海默症辅助筛查系统 |
CN113827243B (zh) * | 2021-11-29 | 2022-04-01 | 江苏瑞脑启智医疗科技有限公司 | 注意力评估方法及系统 |
CN114305457A (zh) * | 2021-12-28 | 2022-04-12 | 上海仪器仪表研究所 | 老年痴呆判断系统 |
CN114067955A (zh) * | 2022-01-11 | 2022-02-18 | 北京无疆脑智科技有限公司 | 基于动作的认知能力训练方法、装置及电子设备 |
CN114410774A (zh) * | 2022-02-17 | 2022-04-29 | 杭州怡健医疗科技有限公司 | 一种应用于阿尔茨海默氏症的患病风险评估方法 |
CN114882680A (zh) * | 2022-04-19 | 2022-08-09 | 深圳闪回科技有限公司 | 一种远程终端管理系统及方法 |
CN114864051B (zh) * | 2022-07-06 | 2022-10-04 | 北京智精灵科技有限公司 | 一种基于神经网络的认知提升方法及系统 |
CN115019973B (zh) * | 2022-08-08 | 2022-10-25 | 四川大学华西医院 | 一种icu后综合征自评快速筛查系统 |
CN115462755A (zh) * | 2022-08-31 | 2022-12-13 | 北京津发科技股份有限公司 | 飞行员认知能力评估方法、系统和存储介质 |
CN115295124B (zh) * | 2022-09-30 | 2023-01-20 | 北京智精灵科技有限公司 | 一种多模态的认知提升方法及系统 |
CN117059214A (zh) * | 2023-07-21 | 2023-11-14 | 南京智慧云网络科技有限公司 | 一种基于人工智能的临床科研数据整合与智能分析系统及其方法 |
CN116746930B (zh) * | 2023-08-21 | 2023-11-03 | 杭州汇听科技有限公司 | 一种基于深度学习的老年人认知功能评估预警方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105808970A (zh) * | 2016-05-09 | 2016-07-27 | 南京智精灵教育科技有限公司 | 一种在线认知评估系统及评估方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9532748B2 (en) * | 2013-04-22 | 2017-01-03 | Personal Neuro Devices Inc. | Methods and devices for brain activity monitoring supporting mental state development and training |
JP6854747B2 (ja) * | 2017-12-20 | 2021-04-07 | 株式会社日立製作所 | 計算機システム、認知機能の評価方法、及びプログラム |
-
2020
- 2020-04-28 CN CN202010349908.9A patent/CN111524602B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105808970A (zh) * | 2016-05-09 | 2016-07-27 | 南京智精灵教育科技有限公司 | 一种在线认知评估系统及评估方法 |
Non-Patent Citations (2)
Title |
---|
基于自适应加权数据融合算法的数据处理;唐亚鹏等;《计算机技术与发展》;20150430;第1.3节 * |
遗传算法优化BP神经网络的老年痴呆症智能诊断;张会敏等;《数字医学研究与应用》;20140731;第2-3节 * |
Also Published As
Publication number | Publication date |
---|---|
CN111524602A (zh) | 2020-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111524602B (zh) | 一种老年人记忆及认知功能评估筛查预警系统 | |
Khalilov et al. | Advantages and Applications of Neural Networks | |
JP7278571B2 (ja) | 対象システムの内部状態を推定する支援システム | |
Cicchetti et al. | Diagnosing autism using ICD-10 criteria: A comparison of neural networks and standard multivariate procedures | |
Norman et al. | The non-analytical basis of clinical reasoning | |
US5680866A (en) | Artificial neural network cardiopulmonary modeling and diagnosis | |
Wigton | Social judgement theory and medical judgement | |
Yasnitsky et al. | Artificial neural networks for obtaining new medical knowledge: diagnostics and prediction of cardiovascular disease progression | |
Troyer et al. | Item and associative memory in amnestic mild cognitive impairment: performance on standardized memory tests. | |
CN109119156A (zh) | 一种基于bp神经网络的医疗诊断系统 | |
CN111798954A (zh) | 基于时间注意力机制和图卷积网络的药物组合推荐方法 | |
WO2021143780A1 (zh) | 一种基于多标签学习的体检后慢性疾病预后系统 | |
Kirisci et al. | An ANFIS perspective for the diagnosis of type II diabetes | |
Bourgani et al. | Time dependent fuzzy cognitive maps for medical diagnosis | |
CN107610009B (zh) | 一种基于神经网络的三位一体招生录取概率预测方法 | |
Al-Kasasbeh et al. | Fuzzy prediction and early detection of stomach diseases by means of combined iteration fuzzy models | |
CN115295153B (zh) | 基于深度学习的认知评估方法及认知任务推送方法 | |
CN116030972A (zh) | 一种基于多层感知器神经网络模型的健康评估系统和方法 | |
Bertolini et al. | Modeling Disease Progression in Mild Cognitive Impairment and Alzheimer's Disease with Digital Twins | |
Baldassarre et al. | Recognition of patients with cardiovascular disease by artificial neural networks | |
Gori et al. | Predicting treatment outcome by combining different assessment tools: Toward an integrative model of decision support in psychotherapy. | |
CN111681767A (zh) | 一种电子病历数据处理方法及系统 | |
Kanimozhiselvi et al. | Possibilistic LVQ neural network-an application to childhood autism grading | |
CN112329921B (zh) | 基于深度表征学习和强化学习的利尿剂剂量推理设备 | |
Schipor et al. | From fuzzy expert system to artificial neural network: Application to assisted speech therapy |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20210203 Address after: 710065 705, block B, 34 Fenghui South Road, high tech Zone, Xi'an City, Shaanxi Province Applicant after: Zhai Luhai Address before: 710065 705, block B, 34 Fenghui South Road, high tech Zone, Xi'an City, Shaanxi Province Applicant before: XI'AN JIUCHENG JIUYI INDUSTRIAL Co.,Ltd. Applicant before: Zhai Luhai |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |