技術(shù)特征：

1.一種基于增量式神經(jīng)網(wǎng)絡(luò)模型的高血脂癥預(yù)測(cè)方法，其特征在于，包括如下步驟：

步驟(1)、獲取醫(yī)院高血脂癥治病病因病理數(shù)據(jù)源與病人日常監(jiān)控?cái)?shù)據(jù)，從而建立高血脂癥日常數(shù)據(jù)數(shù)據(jù)庫(kù)；

步驟(2)、根據(jù)步驟(1)建立的高血脂癥日常數(shù)據(jù)數(shù)據(jù)庫(kù)以離線的方式對(duì)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，以得到訓(xùn)練好的高血脂癥病理神經(jīng)網(wǎng)絡(luò)模型；

步驟(3)、通過智能監(jiān)控設(shè)備對(duì)用戶的日常生活數(shù)據(jù)進(jìn)行采集，并將采集的日常生活數(shù)據(jù)發(fā)送至服務(wù)器，服務(wù)器將用戶的日常生活數(shù)據(jù)保存至用戶日常數(shù)據(jù)記錄表中；

步驟(4)、從用戶日常數(shù)據(jù)記錄表中提取當(dāng)日數(shù)據(jù)，形成n維向量，并對(duì)n維向量做歸一化處理后輸入步驟(2)中訓(xùn)練好的高血脂癥病理神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行高血脂癥危險(xiǎn)程度概率預(yù)測(cè)，得到高血脂癥概率結(jié)果數(shù)組P，服務(wù)器將數(shù)組P中最高概率對(duì)應(yīng)的高血脂癥危險(xiǎn)程度值W傳送給智能家庭高血脂癥護(hù)理設(shè)備；

步驟(5)、智能家庭高血脂癥護(hù)理設(shè)備接收服務(wù)器傳送的高血脂癥危險(xiǎn)程度值W后，判斷高血脂癥危險(xiǎn)程度值W是否大于等于3，如果大于等于3，則警示器警示以提醒用戶，如果小于3，則警示器不警示；

步驟(6)、當(dāng)用戶接收到警示器警示時(shí)，用戶自行去醫(yī)院檢查，并將檢查結(jié)果通過智能家庭高血脂癥護(hù)理設(shè)備傳送回服務(wù)器，服務(wù)器判斷檢查結(jié)果是否正確，如果檢查結(jié)果錯(cuò)誤，則說明高血脂癥病理神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)不準(zhǔn)確，如果檢查結(jié)果正確，則說明高血脂癥病理神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)準(zhǔn)確；

步驟(7)、當(dāng)檢查結(jié)果錯(cuò)誤時(shí)，從用戶日常數(shù)據(jù)記錄表中抽取m天內(nèi)的記錄保存至增量數(shù)據(jù)表中，當(dāng)增量數(shù)據(jù)表中的記錄數(shù)量大于h條時(shí)，執(zhí)行增量式算法，對(duì)高血脂癥病理神經(jīng)網(wǎng)絡(luò)模型進(jìn)行動(dòng)態(tài)修正；

步驟(8)、重復(fù)步驟(3)～(7)。

2.根據(jù)權(quán)利要求1所述的一種基于增量式神經(jīng)網(wǎng)絡(luò)模型的高血脂癥預(yù)測(cè)方法，其特征在于，神經(jīng)網(wǎng)絡(luò)模型的輸入層為n個(gè)節(jié)點(diǎn)，隱含層個(gè)數(shù)為n*2+1，輸出層為1個(gè)節(jié)點(diǎn)，從高血脂癥日常數(shù)據(jù)數(shù)據(jù)庫(kù)表中提取k條記錄進(jìn)行訓(xùn)練，每條記錄是一個(gè)n維向量，所有數(shù)據(jù)在使用前先經(jīng)歸一化處理，使其數(shù)值在[0,1]區(qū)間,然后執(zhí)行如下步驟對(duì)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練：

1)輸入一個(gè)n維向量到神經(jīng)網(wǎng)絡(luò)模型，計(jì)算神經(jīng)網(wǎng)絡(luò)模型中所有的權(quán)向量到該輸入n維向量的距離，距離最近的神經(jīng)元即為獲勝神經(jīng)元，其計(jì)算公式如下：

其中：W_k是獲勝神經(jīng)元的權(quán)向量,||...||為歐幾里得距離；

2)調(diào)整獲勝神經(jīng)元和獲勝神經(jīng)元領(lǐng)域內(nèi)的神經(jīng)元的權(quán)向量，公式如下：

其中：W_j(t)是神經(jīng)元；W_j(t+1)是調(diào)整前和調(diào)整后的權(quán)向量；j屬于獲勝神經(jīng)元領(lǐng)域；α(t)是學(xué)習(xí)率，它是隨著迭代次數(shù)的增加逐漸遞減的函數(shù)，取值范圍為[0 1]，經(jīng)過多次實(shí)驗(yàn)選取最佳學(xué)習(xí)率為0.71；D_j是神經(jīng)元j與獲勝神經(jīng)元的距離；σ(t)是隨著時(shí)間遞減的函數(shù)；每一次迭代都將所有輸入n維向量輸入到神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行訓(xùn)練，當(dāng)達(dá)到規(guī)定的迭代次數(shù)后，神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練結(jié)束。

3.根據(jù)權(quán)利要求1所述的一種基于增量式神經(jīng)網(wǎng)絡(luò)模型的高血脂癥預(yù)測(cè)方法，其特征在于，智能家庭高血脂癥護(hù)理設(shè)備將檢查結(jié)果傳送回服務(wù)器的結(jié)果信息的格式為：{醫(yī)生實(shí)際判斷的高血脂癥危險(xiǎn)程度值}，服務(wù)器在接收到結(jié)果信息后，判斷檢查結(jié)果是否正確。

4.根據(jù)權(quán)利要求1所述的一種基于增量式神經(jīng)網(wǎng)絡(luò)模型的高血脂癥預(yù)測(cè)方法，其特征在于，對(duì)高血脂癥病理神經(jīng)網(wǎng)絡(luò)模型進(jìn)行動(dòng)態(tài)修正的增量式算法為：

把增量數(shù)據(jù)表中的每條向量V{V₁,V₂,…,V_n}，傳送至神經(jīng)網(wǎng)絡(luò)模型學(xué)習(xí)函數(shù)中進(jìn)行學(xué)習(xí)，學(xué)習(xí)步驟如下：

1)首先對(duì)輸出層各權(quán)向量賦小隨機(jī)數(shù)并做歸一化處理，然后利用輸入模式向量V的平均值A(chǔ)vg(V)，初始化為神經(jīng)網(wǎng)絡(luò)模型第0層中唯一神經(jīng)元的權(quán)值，并設(shè)置為獲勝神經(jīng)元，計(jì)算其量化誤差QE；

2)從第0層的神經(jīng)元中拓展出一個(gè)2×2結(jié)構(gòu)SOM，并將其層次標(biāo)識(shí)Layer 置為1；

3)對(duì)于第Layer層中拓展出的每一個(gè)2×2結(jié)構(gòu)SOM子網(wǎng)，初始化這4個(gè)神經(jīng)元的權(quán)值；將第i個(gè)神經(jīng)元的輸入向量集合Ci設(shè)置為空，主標(biāo)簽置為NULL，神經(jīng)元i的主標(biāo)簽比率r_i置為0；新的SOM的異常預(yù)警數(shù)據(jù)向量V繼承其父神經(jīng)元的獲勝輸入向量集合VX；

4)從VX中挑選一個(gè)向量VX_i做以下判斷：

如果VX_i為不帶標(biāo)簽的數(shù)據(jù)，則計(jì)算它與每個(gè)神經(jīng)元的歐氏距離，選擇距離最短的神經(jīng)元作為獲勝神經(jīng)元；

如果VX_i為帶標(biāo)簽的數(shù)據(jù)，則選擇主標(biāo)簽與VX_i的標(biāo)簽相同且r_i值最大的神經(jīng)元作為獲勝神經(jīng)元，更新該獲勝神經(jīng)元主標(biāo)簽；

如果找不到主標(biāo)簽與VX_i的標(biāo)簽相同的神經(jīng)元，則找到與VX_i距離最近的神經(jīng)元i作為獲勝神經(jīng)元；

5)對(duì)獲勝神經(jīng)元及其鄰域內(nèi)神經(jīng)元的權(quán)值進(jìn)行調(diào)整，更新獲勝向量集合W＝W∪{VX_i}，計(jì)算獲勝神經(jīng)元的主標(biāo)簽、主標(biāo)簽比率r_i和信息熵E_i.如果未達(dá)到預(yù)定訓(xùn)練次數(shù)，則轉(zhuǎn)步驟4)；

6)計(jì)算經(jīng)調(diào)整后的該神經(jīng)網(wǎng)絡(luò)模型中每個(gè)神經(jīng)元的量化誤差QE_i、神經(jīng)元信息熵E_i和子網(wǎng)的平均量化誤差MQE，公式如下：

其中：W_i為神經(jīng)元i的權(quán)值向量，C_i為映射到神經(jīng)元i的所有輸入向量構(gòu)成的集合；

其中：n_i表示落在神經(jīng)元上標(biāo)簽為i的樣本個(gè)數(shù)，m表示落在神經(jīng)元上有標(biāo)簽數(shù)據(jù)的總數(shù)，T表示落在神經(jīng)元上的樣本標(biāo)簽種類集合；

然后判斷：

如果MQE>父節(jié)點(diǎn)的QE×閾值q，其中q＝0.71，則在該SOM中插入一行神經(jīng)元，轉(zhuǎn)步驟4)；

如果E_i>父節(jié)點(diǎn)的E_i×閾值p，其中p＝0.42，則從該神經(jīng)元上長(zhǎng)出一層新的 子網(wǎng)，將新長(zhǎng)出的子網(wǎng)增加到Layer+1層的子網(wǎng)隊(duì)列中；

如果SOM中沒有插入新的神經(jīng)元也沒有長(zhǎng)出新的子網(wǎng)，說明該子網(wǎng)訓(xùn)練完成；

7)對(duì)于新拓展出的Layer+1層的所有2×2結(jié)構(gòu)SOM，迭代運(yùn)行步驟3)～5)對(duì)其重新進(jìn)行訓(xùn)練，直至神經(jīng)網(wǎng)絡(luò)模型不再產(chǎn)生新的神經(jīng)元和新的分層，整個(gè)訓(xùn)練結(jié)束。

5.根據(jù)權(quán)利要求1所述的一種基于增量式神經(jīng)網(wǎng)絡(luò)模型的高血脂癥預(yù)測(cè)方法，其特征在于，在步驟(4)中，得到的高血脂癥概率結(jié)果數(shù)組P為一個(gè)6維變量，其6維變量分別為6個(gè)高血脂癥危險(xiǎn)程度概率，把6個(gè)高血脂癥危險(xiǎn)程度概率中最高概率對(duì)應(yīng)的高血脂癥危險(xiǎn)程度值W傳送給智能家庭高血脂癥護(hù)理設(shè)備；在步驟(5)中，當(dāng)高血脂癥危險(xiǎn)程度值W＝1時(shí)表示理想，W＝2時(shí)表示正常，W＝3時(shí)表示亞健康，W＝4時(shí)表示危險(xiǎn)，W＝5時(shí)表示非常危險(xiǎn)，W＝6時(shí)表示患病。

6.根據(jù)權(quán)利要求1所述的一種基于增量式神經(jīng)網(wǎng)絡(luò)模型的高血脂癥預(yù)測(cè)方法，其特征在于，如果用戶通過其他方式包括體檢和自查，得知自己已患高血脂癥，而智能家庭高血脂癥護(hù)理設(shè)備的警示器沒有警示，則表示智能家庭高血脂癥護(hù)理設(shè)備判斷不準(zhǔn)確，此時(shí)執(zhí)行步驟(6)～(7)，智能家庭高血脂癥護(hù)理設(shè)備把結(jié)果信息傳送到服務(wù)器上。

7.一種采用權(quán)利要求1～7所述高血脂癥預(yù)測(cè)方法的預(yù)測(cè)系統(tǒng)，其特征在于，包括智能監(jiān)控設(shè)備、智能設(shè)備數(shù)據(jù)采集器、服務(wù)器和智能家庭高血脂癥護(hù)理設(shè)備，所述智能監(jiān)控設(shè)備與所述智能設(shè)備數(shù)據(jù)采集器相連接，所述智能設(shè)備數(shù)據(jù)采集器通過通訊裝置一與所述服務(wù)器網(wǎng)絡(luò)通訊，所述智能家庭高血脂癥護(hù)理設(shè)備通過通訊裝置二與所述服務(wù)器網(wǎng)絡(luò)通訊。

8.根據(jù)權(quán)利要求8所述高血脂癥預(yù)測(cè)方法的預(yù)測(cè)系統(tǒng)，其特征在于，所述智能家庭高血脂癥護(hù)理設(shè)備上設(shè)置有警示器。

9.根據(jù)權(quán)利要求8所述高血脂癥預(yù)測(cè)方法的預(yù)測(cè)系統(tǒng)，其特征在于，所述智能監(jiān)控設(shè)備包括智能穿戴設(shè)備、智能水杯、智能體重稱、智能馬桶和智能光感設(shè)備。