发明名称： 一种基于模糊神经网络的体域网健康信息监测 、 交互系 统

技术领域

[0001] 本发明涉及一种基于模糊神经网络的体域网健 康信息监测、 交互系统。

背景技术

[0002] 如今人们生活水平逐渐提高， 家用医疗设备也开始普遍使用， 但测试结果只有 本人或家属知道， 如果遇见突发情况， 没有家属等陪同人员， 医疗工作者无法 及时了解病人的身体状态、 有无病史等信息， 不能很好进行诊断、 及时治疗。 因此， 家用医疗设备的监测数据通过医疗健康平台进 行共享、 存储是十分必要 的。

发明概述

技术问题

[0003] 现有的医疗健康平台存在以下问题：

[0004] ( 1 ) 信息多为一对一交互， 即只有医生和上传者自己能够看到， 许多时候， 在用户同意的情况下， 信息也无法进行共享； 这样存在着许多隐性、 家族遗传 的问题无法发现， 不利于医生了解病人情况；

[0005] ( 2 ) 检查的数据太过专业， 普通用户无法真正了解自身的检查情况是否健 康 或存在问题， 不能生成统一的指标供用户参考；

[0006] ( 3 ) 同一个单位、 公司的员工的身体状况， 领导、 同事无法了解， 在出差、 体力劳动等工作的安排上可能会出现误判， 威胁身体健康； 某些关系好的用户 无法知道自己的健康程度在朋友之间排名如何 ， 无法激发用户的积极性， 忽略 关注自身健康问题， 不能按时使用家用医疗设备进行测量。

问题的解决方案

技术解决方案

[0007] 本发明为了解决上述问题， 提出了一种基于模糊神经网络的体域网健康信 息监 测、 交互系统， 该系统利用模糊神经网络算法， 对用户的健康信息及时上传， 在指定范围内进行交互共享， 进行排序， 使得大家关注自身健康， 定期做检查

[0008] 为了实现上述目的， 本发明采用如下技术方案：

[0009] 一种基于模糊神经网络的体域网健康信息监测 、 交互系统， 包括采集端、 模糊 神经网络分析检测系统、 交互模块、 识别单元和显示单元；

[0010] 所述采集端包括采集模块、 控制模块， 所述采集模块用于采集家用医疗设备采 集的相关生物数据， 并发送给控制模块， 所述控制模块还用于控制采集模块进 行采集数据；

[001 1 ] 所述交互模块， 用于建立交互群， 选择交互群大小、 相互进行数据交互的采集 端数目， 建立数据共享；

[0012] 所述模糊神经网络分析检测系统， 包括模型构建模块、 模糊神经网络数据分析 模块和排序模块， 其中：

[0013] 所述模型构建模块， 接收交互模块中交互群内传输的生物数据， 并将其作为输 入变量， 通过输入层、 模糊化层模块， 构建生物数据的隶属度函数；

[0014] 所述模糊神经网络数据分析模块， 用于通过构建模糊推理层、 归一层、 去模糊 层和输出层模块对生物数据进行处理， 计算输出生物指数值；

[0015] 所述排序模块， 用于根据生物指数值， 在该交互群内进行数据排名；

[0016] 所述识别单元， 接收排序模块传输的数据， 读取交互模块的交互群， 识别同一 交互群内的采集模块、 显示单元， 将生物数据和数据排名通过显示单元进行显 示。

[0017] 所述采集模块， 实时监测通过家用医疗设备上传的数据， 包括收缩压、 舒张压 和心率。

[0018] 所述模型构建模块， 包括输入层模块和模糊化层模块， 其中， 所述输入层模块 为第一层模块， 其输入值为家用医疗设备测量后上传的数据， 上传的数据包括 收缩压 SSY、 舒张压 SZY和心率 XL ; 仅起到传递的作用， 即将输入数据传递到下 一层模块， 输出值为： 0 _SSY ⁽¹ ) =SSY， 0 SZY ⁽¹⁾ =SZY, 0 _X L(" =XL; 其中， 0 表示 第 X层模块的输出的 i值。 [0019] 所述模糊化层模块， 为第二层模块， 将输入数据划分模糊子集， 收缩压 SSY、 舒张 -压 SZY和心率 XL的模糊子集为 {正常 (M)， 偏高 (H)， 极高 (VH) }， 隶属度分别 为 _SSY (M，H，VH)、 μ _SZY (M， H， VH)和 _XL (M，H，VH)。

[0020] 所述模糊化 2层模块， 对于 "正常 （M) " ， 采用 Sigmoid函数的对称函数， 隶属 度为：

[]

=【1 + esp( (x― ,2 ] -1

[0021] 对于 "极鬲 （VH) " ， 米用 Sigmoid函数， 隶属度为：

[] ^ -[! + es¾p《- ,Ι(χ— IF2¾j~ ^I

[0022] 对于 "偏高 （H) " ， 采用高斯型函数， 隶属度为：

[]

[0023] Wl、 W2 为系统 ， 初始值任意， 通过网络训练和自学习不断调整， 使网络实际 输出值与导师信号误差最小， 该层的节点输出范围在 0〜1 之间。

[0024] 对语言变量 M和 VH 的隶属度函数， 其中参数 W2 的作用是使隶属度函数沿水平 轴向右移； W1 的作用是调节隶属度函数的形状； 对语言变量 H的隶属度函数， W2和 W1分别表示隶属度函数的中心和宽度， 输入样本越靠近节点的中心， 输 出越大。

[0025] 第二层模块的最终输出为：

[0026] 式中， y=l，2，3， R取值为 SSY、 SZY、 XL, 分别对应于收缩压、 舒张压和心率 的隶属度函数。

[0027] 所述模糊神经网络数据分析模块， 包括模糊推理层模块， 设为第三层模块， 用 于建立模糊推理规则库， 其中的语言规则是模糊逻辑推理的依据， 每条模糊推 理规则的结论参数为模糊子集{健康 (H)， 亚健康 (SubH)， 不健康 (UnH)} _; 由于 输入数据 SSY、 SZY和 XL的模糊集具有 3个模糊标记， 因此模糊神经网络模型共有 推理规则 3X3X3=27条， 即为 27个输出节点； 对于任一组输入数据， 总可以找 到一条与之对应的推理规则； 每条推理规则的适用度 a( 1)为：

[0028] 式中， a( 1)表示第 1条推理规则的适用度， :1,2,3; j

1,2,3; k=l，2，3。 第三层的输出为：

[0029] 所述模糊神经网络数据分析模块， 包括第四层模块， 即归一层模块， 节点总数 与第三层模块相同， 实现对第四层输出的归一化处理， 为解模糊做准备， 其输 出为：

[0030] 其中 1=1,2— 27。

[0031] 所述模糊神经网络数据分析模块， 还包括去模糊层模块， 用于将经过模糊推理 得到的是对应于不同输出 （H，SubH，UnH) 的不同规则的隶属度， 通过去模糊的 方法得到三种健康状况的隶属度， 该层输出为：

[] [0032] 其中， n表示该层输出节点的个数， n=l, 2, 3; 引入权值 W _nl ， 通过它在网络 中的变化调整各条模糊推理规则在判别的相对 重要性。

[0033] 权值 W _nl 的应用优化了模糊推理规则， 并使模糊推理具有自适应性， 从而提高 模糊神经网络模型的智能化程度。

[0034] 所述模糊神经网络数据分析模块， 还包括输出层模块， 为第六层模块， 用于利 用面积重心法， 通过权值 W i ( i=l，2，3 ) 调整三个输出模糊子集 （H，SubH，UnH) 的相对重要性， 取 W 即输出模糊子集中健康 （H) 对健康 指数值的贡献为 1， 亚健康 （SubH) 对健康指数值的贡献为 0. 5， 不健康 （UnH) 对健康指数值的贡献为 0; 其最终输出健康指数值 P为：

[0035] 所述模糊神经网络数据分析模块， 还包括 BP神经元网络学习训练模块， 用于通 过采用附加动量项改进的 BP 算法对网络进行训练， 利用误差反向传播的梯度 下降算法调整权值， 使权值按沿目标函数梯度变化的反方向进行调 整， 确认模 糊神经网络中的参数有 Wl、 W2和 W _nl ， 先调整 W _nl ， 然后调整 Wl、 W2。 最终使 网络实际输出与期望输出的误差总均方差最小 。

[0036] 所述 BP神经元网络学习训练模块网络的误差信号为� �� e (n) = P _e *

-P (n)。 其中 P (n)为第 n次迭代的实际输出， P 为期望输出。 学习训练的目的即 最小化误差函数为

[0037] 为了既能提高学习速度又能保持参数变化的稳 定性， 采用基于广义 delta规则 的梯度下降法， 即 [0038] 其中，

[0039] 式中， β为学习速率， 0〈β〈1， n AW n)为

一般取值 0.9。

[0040] 由此， 权值 W 的调整过程为：

[0041] 求出 AW后， 可得修正后的权值 W _nl ， 即 W _nl (n+l)= W _nl (n) +AW

[0042] 采用类似思路推导 Wl、 W2，

[0043] 至此完成 Wl、 W2和 W _nl 的优化过程， Wl、 W2表现为隶属函数的自动生成， W _nl 的变化表现为相应模糊规则相对重要性的改变 ， 通过训练最终提高了网络模糊 推理精度， 使实际输出更接近理想输出。

[0044] 所述排序模块， 读取输出层模块的输出值， 读取该输出值对应的采集模块， 确 认该采集模块通过控制模块在交互模块中所选 择的交互群， 采集交互群内其他 输出层模块的输出值， 在该交互群内进行数据排名。

发明的有益效果

有益效果

[0045] (1) 实现了健康测量数据的及时上传、 可选择范围内的交互， 在保护用户的 隐私、 尊重用户意愿的基础上进行信息的交互；

[0046] (2) 通过模糊逻辑和神经网络相结合的方式， 对体域网中医疗设备输出的各 种健康数据送入模糊神经网络系统模型进行分 析， 得到健康指数值， 并进行健 康排名， 可以激发用户的积极性， 并让他们及时关注自身健康问题， 同时可以 按时使用家用医疗设备进行测量；

[0047] ( 3 ) 系统具有很好的可扩展性， 可以加入更多其他类型的健康数据进行交互

、 综合评测。

对附图的简要说明

附图说明

[0048] 图 1为本发明的结构示意图。

[0049] 图 2为本发明的模糊神经网络模型图。

[0050] 图 3为本发明的隶属度函数图。

发明实施例

本发明的实施方式

[0051] 如图 1所示， 一种基于模糊神经网络的体域网健康信息监测 、 交互系统， 包括 采集端、 模糊神经网络分析检测系统、 交互模块、 识别单元和显示单元；

[0052] 所述采集端包括采集模块、 控制模块， 所述采集模块用于采集家用医疗设备采 集的相关生物数据， 并发送给控制模块， 所述控制模块还用于控制采集模块进 行采集数据；

[0053] 所述交互模块， 用于建立交互群， 选择交互群大小、 相互进行数据交互的采集 端数目， 建立数据共享；

[0054] 所述模糊神经网络分析检测系统， 包括模型构建模块、 模糊神经网络数据分析 模块和排序模块， 其中：

[0055] 所述模型构建模块， 接收交互模块中交互群内传输的生物数据， 并将其作为输 入变量， 通过输入层、 模糊化层模块， 构建生物数据的隶属度函数；

[0056] 所述模糊神经网络数据分析模块， 用于通过构建模糊推理层、 归一层、 去模糊 层和输出层模块对生物数据进行处理， 计算输出生物指数值；

[0057] 所述排序模块， 用于根据生物指数值， 在该交互群内进行数据排名；

[0058] 所述识别单元， 接收排序模块传输的数据， 读取交互模块的交互群， 识别同一 交互群内的采集模块、 显示单元， 将生物数据和数据排名通过显示单元进行显 不。

[0059] 所述采集模块， 实时监测通过家用医疗设备上传的数据， 包括收缩压、 舒张压 和心率。

[0060] 模糊神经网络模型包括输入层、 模糊化层、 模糊推理层、 归一化层、 去模糊层 和输出层， 如图 2所示。 对于每一层的输出变量， 有两个作用， 一个是用于训练 数据的反向输入， 一个是实际输出。 第三层为模糊推理层， 其每一节点代表一 条模糊规则。 因此， 所有的第三层节点组成了模糊规则库。 第二层和第三层之 间的连接作为连接推理机， 避免了模糊蕴涵推理过程。 第二层的连接定义了模 糊规则的前件， 第三层的连接定义了模糊规则的后件。 正常传播方向为从第一 层到第六层， 即从下向上， 在学习训练过程中， 信号是从第六层到第一层传播 的， 即从上向下。 各层的输入输出关系如下 （0(x)表示第 X层的输出） 。

[0061] (1) 第一层为输入层。 输入值为家用医疗设备测量后上传的数据， 上传的数 据包括收缩压 SSY、 舒张压 SZY和心率 XL。 该层仅起到传递的作用， 即将输入数 据传递到下一层， 输出为：

[0063] (2) 第二层为模糊化层。 该层将输入数据划分模糊子集， 收缩压 SSY、 舒张压 SZY和心率 XL的模糊子集为 {正常 (M)， 偏高 (H)， 极高 (VH)}， 隶属度分别为 W _SSi (M,H,VH)、 _SZY (M,H,VH)和 μ _Χί (Μ,Η,νΗ)。 （本专利实施案例主要针对高血压 人群的健康状况， 这里将低血压、 低心率归于正常范畴）

[0064] 对于 "正常 （Μ) "， 采用 Sigmoid函数的对称函数， 隶属度为：

[]

= [l +€¾ (Ι ^: ( - ,2朋 ^_Ι

[0065] 对于 "极高 （VH) "， 采用 Sigmoid函数， 隶属度为：

[]

[0066] 对于 "偏高 （H) "， 采用高斯型函数， 隶属度为： [0067] Wl、 W2 初始值任意， 通过网络训练和自学习不断调整， 使网络实际输出值与 a

导师信号误差最小， 经调整后的权值即可用于实际的健康状况评测 。 节点输出 范围在 0 之间。 对语言变量 M和 VH 的隶属度函数， 其中参数 W2 的作用是使 隶属度函数沿水平轴向右移； W1 的作用是调节隶属度函数的形状， 较大的 W1 使函数逼近阶跃， 较 W1 使函数变得较为平坦。 对语言变量 H的隶属度函数 ， W2 和 W1 分别表示隶属度函数的中心和宽度， 输入样本越靠近节点的中心， 输出越大。

[0068] 第二层的最终输出为：

[0069] 式中， y=l，2，3， R取值为 SSY、 SZY、 XL, 分别对应于收缩压、 舒张压和心率的 隶属度函数。

[0070] ( 3) 第三层为模糊推理层。 模糊推理中最重要的过程是建立模糊推理规则 库 ， 其中的语言规则是模糊逻辑推理的依据， 每条模糊推理规则的结论参数为模 糊子集 {健康 (H)， 亚健康（SubH)， 不健康 (UnH) }。 由于输入数据 SSY、 SZY和 XL 的模糊集具有 3个模糊标记， 因此模糊神经网络模型共有推理规则 3 X 3 X 3=27条 。 每条推理规则的适用度 a (l)为：

[0071] 式中， a (l)表示第 1条推理规则的适用度， 1=1， 2— 27 ; i=l，2，3 ; j=l，2，3 ; 表 1所示， 模糊规则用语言变量表述为：

[0073] Rulel : IF SSY is M and SZY is M and XL is M then C is H.

[0074] Rule2 _: IF SSY is M and SZY is H and XL is M then C is H.

[0075]

[0076] Rule26: IF SSY is VH and SZY is H and XL is VH then C is UnH.

[0077] Rule27: IF SSY is VH and SZY is VH and XL is VH then C is UnH.

[0078] 其中 C为处于某种健康状况的概率。

[0079] 表 1

[]

[表 1]

[0080] 第三层的输出为:

[0081] ( 4) 第四层为归一化层。 节点总数与第三层相同， 实现对第四层输出的归一 化处理， 为解模糊做准备， 其输出为：

[0082] 其中 1=1， 2···27 ο

[0083] ( 5 ) 第五层为去模糊层。 经过模糊推理得到的是对应于不同输出 （H，SubH，Un H) 的不同规则的隶属度， 还需要通过去模糊的方法得到三种健康状况的 隶属度 ， 该层输出为：

[0084] 其中， n表示该层输出节点的个数， n=l，2，3。 引入权值 W _nl ， 通过它在网络中 的变化调整各条模糊推理规则在判别的相对重 要性。 权值 W _nl 的应用优化了模糊 推理规则， 并使模糊推理具有自适应性， 从而提高模糊神经网络模型的智能化

[0085] ( 6 ) 第六层为输出层。 利用面积重心法， 通过权值 W i ( i=l，2，3 ) 调整三个 输出模糊子集 (H, SubH, UnH) 的相对重要性， 取 W W ₂ =0. 5， W ₃ =0， 即输出 模糊子集中健康 （H) 对健康指数值的贡献为 1， 亚健康 （SubH) 对健康指数值 的贡献为 0. 5， 不健康 （UnH) 对健康指数值的贡献为 0。 其最终输出健康指数值 P为：

[]

[0086] 优选的， 还包括 BP神经元网络的学习训练过程。 模糊神经网络中需要确定的参 数有 Wl、 W2和 W _nl 。 采用附加动量项改进的 BP 算法对网络进行训练。 根据规 则学习， 利用误差反向传播的梯度下降算法调整权值， 使权值按沿目标函数梯 度变化的反方向进行调整， 因此， 先调整 W _nl ， 然后调整 Wl、 W2。 最终使网络 实际输出与期望输出的误差总均方差最小。 具体的网络学习算法运算过程如下

[0087] 网络的误差信号为： e (n) = P _e * _P (n)。 其中 P (n)为第 n次迭代的实际输出， P

为期望输出。 学习训练的目的即最小化误差函数为

。 为了既能提高学习速度又能保持参数变化的稳 定性， 采用基于广义 delta规 则的梯度下降法， 即。

。 其中

， 式中 β为学习速率， ο〈β〈1， n A W

(n)为动 项， n为动量系数， ο〈η〈ι， 一般取值 0. 9。 [0088] 由此， 权值 W _^的调整过程为：

[]

Δ (η) = - ^ + (-) = - β ^ + 》

[] ，，

， * _ ρ、 ν / ^u i

= β ^— ^¾ ) + 扁 ― «

[0089] 求出 AW后， 可得修正后的权值 W _nl ， 即 W _nl (n+l)= W _nl (n+l)+ AW _1o 采用类 似思路推导 Wl、 W2o

ΔΙΤί(ϊΐ) = -Ρ— - t|A i( )

[0090] 至此完成 Wl、 W2和 W _nl 的优化过程， Wl、 W2表现为隶属函数的自动生成， W _n] 的变化表现为相应模糊规则相对重要性的改变 ， 通过训练最终提高了网络模糊 推理精度， 使实际输出更接近理想输出。

[0091] 本发明的其他实施案例中输入变量还可以为血 氧值、 血糖值等。

[0092] 所述排序模块， 读取输出层模块的输出值， 读取该输出值对应的采集模块， 确 认该采集模块通过控制模块在交互模块中所选 择的交互群， 采集交互群内其他 输出层模块的输出值， 在该交互群内进行数据排名。

[0093] 上述虽然结合附图对本发明的具体实施方式进 行了描述， 但并非对本发明保护 范围的限制， 所属领域技术人员应该明白， 在本发明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发明的 保护范围以内。