本發(fā)明屬于醫(yī)療技術(shù)領(lǐng)域，特別是涉及一種基于增量式神經(jīng)網(wǎng)絡(luò)模型的便秘預(yù)測方法和預(yù)測系統(tǒng)。
背景技術(shù)：
當(dāng)前國內(nèi)各健康管理系統(tǒng)均設(shè)置便秘預(yù)測評價(jià)，其使用的預(yù)測方式為數(shù)據(jù)匹配。其原理是將個(gè)人生活數(shù)據(jù)輸入系統(tǒng)由系統(tǒng)匹配固定數(shù)據(jù)然后得出患病幾率。但由于人體和疾病的復(fù)雜性、不可預(yù)測性，在生物信號(hào)與信息的表現(xiàn)形式上、變化規(guī)律(自身變化與醫(yī)學(xué)干預(yù)后變化)上，對其進(jìn)行檢測與信號(hào)表達(dá)，獲取的數(shù)據(jù)及信息的分析、決策等諸多方面都存在非常復(fù)雜的非線性聯(lián)系。所以使用傳統(tǒng)的數(shù)據(jù)匹配只能是盲目的數(shù)據(jù)篩查，無法判斷數(shù)據(jù)與數(shù)據(jù)之間的邏輯關(guān)聯(lián)以及變量，得到的值域偏差大，造成系統(tǒng)預(yù)測的特異性十分差，所以目前的國內(nèi)健康管理系統(tǒng)無法有效對個(gè)人的便秘進(jìn)行準(zhǔn)確預(yù)測。
此前大部分對便秘預(yù)測都是使用BP神經(jīng)網(wǎng)絡(luò)模型，但是當(dāng)新的檢測數(shù)據(jù)產(chǎn)生的時(shí)候，都必須再次訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型，運(yùn)算效率極低。而且當(dāng)系統(tǒng)用戶規(guī)模增加后，服務(wù)器將無法及時(shí)完成訓(xùn)練任務(wù)。
技術(shù)實(shí)現(xiàn)要素：
本發(fā)明的目的就在于克服現(xiàn)有技術(shù)的不足，提供了一種基于增量式神經(jīng)網(wǎng)絡(luò)模型的便秘預(yù)測方法和預(yù)測系統(tǒng)，本發(fā)明通過神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練預(yù)測大量醫(yī)院患者病理數(shù)據(jù)，找到便秘病理與便秘早期生活細(xì)節(jié)變化、臨床癥狀、檢測標(biāo)準(zhǔn)值、高危人群特征，這幾項(xiàng)病因之間的邏輯關(guān)聯(lián)和變量，最終形成對便秘患病幾率準(zhǔn)確預(yù)測的便秘病理神經(jīng)網(wǎng)絡(luò)模型，本發(fā)明通過采集用戶日常生活數(shù)據(jù)，主動(dòng)分析其數(shù)據(jù)的周期性、規(guī)律性最終通過便秘病理神經(jīng)網(wǎng)絡(luò)模型預(yù)測用戶的患便秘概率，以視覺效果的方式提醒用戶即時(shí)就醫(yī)，當(dāng)神經(jīng)網(wǎng)絡(luò)模型預(yù)測不準(zhǔn)確時(shí)通過增量式算法不斷修正神經(jīng)網(wǎng)絡(luò)模型，以針對每個(gè)設(shè)備用戶建立訓(xùn)練出針對該用戶的神經(jīng)網(wǎng)絡(luò)模型，隨著使用時(shí)間的增加，以建立對該用戶量身定做的神經(jīng)網(wǎng)絡(luò)模型，準(zhǔn)確率被大幅提高。
為了實(shí)現(xiàn)上述目的，本發(fā)明提供了一種基于增量式神經(jīng)網(wǎng)絡(luò)模型的便秘預(yù)測方法，包括如下步驟：
步驟(1)、獲取醫(yī)院便秘病因病理數(shù)據(jù)源與病人日常監(jiān)控?cái)?shù)據(jù)，從而建立便秘日常數(shù)據(jù)數(shù)據(jù)庫；
步驟(2)、根據(jù)步驟(1)建立的便秘日常數(shù)據(jù)數(shù)據(jù)庫以離線的方式對神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，以得到訓(xùn)練好的便秘病理神經(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n維向量做歸一化處理后輸入步驟(2)中訓(xùn)練好的便秘病理神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行便秘概率預(yù)測，得到便秘概率，服務(wù)器將便秘概率傳送給智能家庭便秘護(hù)理設(shè)備；
步驟(5)、智能家庭便秘護(hù)理設(shè)備接收服務(wù)器傳送的便秘概率后，判斷便秘概率值是否大于0.5，如果大于0.5，則判定為該用戶得了便秘，警示器警示以提醒用戶，如果小于0.5，則判定為該用戶沒有得便秘；
步驟(6)、當(dāng)用戶判定為得了便秘時(shí)，用戶自行去醫(yī)院檢查，并將檢查結(jié)果通過智能家庭便秘護(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，則說明便秘病理神經(jīng)網(wǎng)絡(luò)模型預(yù)測不準(zhǔn)確，如果檢查結(jié)果正確，則說明便秘病理神經(jīng)網(wǎng)絡(luò)模型預(yù)測準(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，對便秘病理神經(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)。
進(jìn)一步地，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)，從便秘日常數(shù)據(jù)數(shù)據(jù)庫表中提取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：Wk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：Wj(t)是神經(jīng)元；Wj(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[01]，經(jīng)過多次實(shí)驗(yàn)選取最佳學(xué)習(xí)率為0.62；Dj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。
進(jìn)一步地，智能家庭便秘護(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：{檢查是否正確，血糖值}，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。
進(jìn)一步地，對便秘病理神經(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,…,Vn}，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ri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VXi做以下判斷：
如果VXi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VXi為帶標(biāo)簽的數(shù)據(jù)，則選擇主標(biāo)簽與VXi的標(biāo)簽相同且ri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VXi的標(biāo)簽相同的神經(jīng)元，則找到與VXi距離最近的神經(jīng)元i作為獲勝神經(jīng)元；
5)對獲勝神經(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∪{VXi}，計(jì)算獲勝神經(jīng)元的主標(biāo)簽、主標(biāo)簽比率ri和信息熵Ei.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QEi、神經(jīng)元信息熵Ei和子網(wǎng)的平均量化誤差MQE，公式如下：
其中：Wi為神經(jīng)元i的權(quán)值向量，Ci為映射到神經(jīng)元i的所有輸入向量構(gòu)成的集合；
其中：ni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Ei>父節(jié)點(diǎn)的Ei×閾值p，其中p＝0.42，則從該神經(jīng)元上長出一層新的子網(wǎng)，將新長出的子網(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)元也沒有長出新的子網(wǎng)，說明該子網(wǎng)訓(xùn)練完成；
7)對于新拓展出的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。
進(jìn)一步地，如果用戶通過其他方式包括體檢和自查，得知自己已患便秘，而智能家庭便秘護(hù)理設(shè)備的警示器沒有警示，則表示智能家庭便秘護(hù)理設(shè)備判斷不準(zhǔn)確，此時(shí)執(zhí)行步驟(6)～(7)，智能家庭便秘護(hù)理設(shè)備把結(jié)果信息傳送到服務(wù)器上。
本發(fā)明還提供了一種所述便秘預(yù)測方法的預(yù)測系統(tǒng)，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)器和智能家庭便秘護(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，所述智能家庭便秘護(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。
進(jìn)一步地，所述智能家庭便秘護(hù)理設(shè)備上設(shè)置有警示器。
進(jìn)一步地，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。
本發(fā)明的有益效果：
1、本發(fā)明通過神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練預(yù)測大量醫(yī)院患者病理數(shù)據(jù)，找到便秘病理與便秘早期生活細(xì)節(jié)變化、臨床癥狀、檢測標(biāo)準(zhǔn)值、高危人群特征，這幾項(xiàng)病因之間的邏輯關(guān)聯(lián)和變量，最終形成對便秘患病幾率準(zhǔn)確預(yù)測的便秘病理神經(jīng)網(wǎng)絡(luò)模型，本發(fā)明通過采集用戶日常生活數(shù)據(jù)，主動(dòng)分析其數(shù)據(jù)的周期性、規(guī)律性最終通過便秘病理神經(jīng)網(wǎng)絡(luò)模型預(yù)測用戶的患便秘概率，以視覺效果的方式提醒用戶即時(shí)就醫(yī)和預(yù)防。
2、當(dāng)神經(jīng)網(wǎng)絡(luò)模型預(yù)測不準(zhǔn)確時(shí)通過增量式算法不斷修正神經(jīng)網(wǎng)絡(luò)模型，以針對每個(gè)設(shè)備用戶建立訓(xùn)練出針對該用戶的神經(jīng)網(wǎng)絡(luò)模型，隨著使用時(shí)間的增加，以建立對該用戶量身定做的神經(jīng)網(wǎng)絡(luò)模型，準(zhǔn)確率被大幅提高。
附圖說明
為了更清楚地說明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)這些附圖獲得其他的附圖。
圖1為本發(fā)明實(shí)施例的流程圖。
具體實(shí)施方式
下面結(jié)合附圖對發(fā)明進(jìn)一步說明，但不用來限制本發(fā)明的范圍。
實(shí)施例
如圖1所示，本發(fā)明提供的一種基于增量式神經(jīng)網(wǎng)絡(luò)模型的便秘預(yù)測方法，包括如下步驟：
步驟(1)、獲取醫(yī)院便秘病因病理數(shù)據(jù)源與病人日常監(jiān)控?cái)?shù)據(jù)，從而建立便秘日常數(shù)據(jù)數(shù)據(jù)庫；
其中日常監(jiān)控?cái)?shù)據(jù)為16項(xiàng)數(shù)據(jù)，其16項(xiàng)數(shù)據(jù)為年齡，性別，體脂，喝水量及頻率，大便次數(shù)，大便顏色，體重，大便時(shí)間，消化情況，肛門疼痛程度，入睡時(shí)間，每日吸煙量，每日得走距離，每日喝酒量，從事職業(yè)等16項(xiàng)數(shù)據(jù)，本發(fā)明以16項(xiàng)數(shù)據(jù)建立16維向量；
步驟(2)、根據(jù)步驟(1)建立的便秘日常數(shù)據(jù)數(shù)據(jù)庫以離線的方式對神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，以得到訓(xùn)練好的便秘病理神經(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16維向量，并對16維向量做歸一化處理后輸入步驟(2)中訓(xùn)練好的便秘病理神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行便秘概率預(yù)測，得到便秘概率，服務(wù)器將便秘概率傳送給智能家庭便秘護(hù)理設(shè)備；
步驟(5)、智能家庭便秘護(hù)理設(shè)備接收服務(wù)器傳送的便秘概率后，判斷便秘概率值是否大于0.5，如果大于0.5，則判定為該用戶得了便秘，警示器警示以提醒用戶，如果小于0.5，則判定為該用戶沒有得便秘；
步驟(6)、當(dāng)用戶判定為得了便秘時(shí)，用戶自行去醫(yī)院檢查，并將檢查結(jié)果通過智能家庭便秘護(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，則說明便秘病理神經(jīng)網(wǎng)絡(luò)模型預(yù)測不準(zhǔn)確，如果檢查結(jié)果正確，則說明便秘病理神經(jīng)網(wǎng)絡(luò)模型預(yù)測準(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7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100條時(shí)，執(zhí)行增量式算法，對便秘病理神經(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)。
本發(fā)明的神經(jīng)網(wǎng)絡(luò)模型的輸入層為16個(gè)節(jié)點(diǎn)，隱含層個(gè)數(shù)為33，輸出層為1個(gè)節(jié)點(diǎn)(即便秘的概率)，從便秘日常數(shù)據(jù)數(shù)據(jù)庫表中提取400000條記錄進(jìn)行訓(xùn)練，每條記錄是一個(gè)16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)行如下步驟對神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練：
1)輸入一個(gè)16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16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：Wk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：Wj(t)是神經(jīng)元；Wj(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0.62；Dj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。
本發(fā)明的智能家庭便秘護(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：{檢查是否正確，血糖值}，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。
本發(fā)明的對便秘病理神經(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,…,Vn}，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ri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VXi做以下判斷：
如果VXi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VXi為帶標(biāo)簽的數(shù)據(jù)，則選擇主標(biāo)簽與VXi的標(biāo)簽相同且ri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VXi的標(biāo)簽相同的神經(jīng)元，則找到與VXi距離最近的神經(jīng)元i作為獲勝神經(jīng)元；
5)對獲勝神經(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∪{VXi}，計(jì)算獲勝神經(jīng)元的主標(biāo)簽、主標(biāo)簽比率ri和信息熵Ei.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QEi、神經(jīng)元信息熵Ei和子網(wǎng)的平均量化誤差MQE，公式如下：
其中：Wi為神經(jīng)元i的權(quán)值向量，Ci為映射到神經(jīng)元i的所有輸入向量構(gòu)成的集合；
其中：ni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Ei>父節(jié)點(diǎn)的Ei×閾值p，其中p＝0.42，則從該神經(jīng)元上長出一層新的子網(wǎng)，將新長出的子網(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)元也沒有長出新的子網(wǎng)，說明該子網(wǎng)訓(xùn)練完成；
7)對于新拓展出的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。
本發(fā)明的如果用戶通過其他方式包括體檢和自查，得知自己已患便秘，而智能家庭便秘護(hù)理設(shè)備的警示器沒有警示，則表示智能家庭便秘護(hù)理設(shè)備判斷不準(zhǔn)確，此時(shí)執(zhí)行步驟(6)～(7)，智能家庭便秘護(hù)理設(shè)備把結(jié)果信息傳送到服務(wù)器上。
本發(fā)明還提供了一種所述便秘預(yù)測方法的預(yù)測系統(tǒng)，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)器和智能家庭便秘護(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，所述智能家庭便秘護(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。
本發(fā)明的所述智能家庭便秘護(hù)理設(shè)備上設(shè)置有警示器。
本發(fā)明的所述智能監(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)備等。
本發(fā)明通過神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練預(yù)測大量醫(yī)院患者病理數(shù)據(jù)，找到便秘病理與便秘早期生活細(xì)節(jié)變化、臨床癥狀、檢測標(biāo)準(zhǔn)值、高危人群特征，這幾項(xiàng)病因之間的邏輯關(guān)聯(lián)和變量，最終形成對便秘患病幾率準(zhǔn)確預(yù)測的便秘病理神經(jīng)網(wǎng)絡(luò)模型，本發(fā)明通過采集用戶日常生活數(shù)據(jù)，主動(dòng)分析其數(shù)據(jù)的周期性、規(guī)律性最終通過便秘病理神經(jīng)網(wǎng)絡(luò)模型預(yù)測用戶的患便秘概率，以視覺效果的方式提醒用戶即時(shí)就醫(yī)和預(yù)防。
本發(fā)明的所有數(shù)據(jù)保存至服務(wù)器中，可以大幅節(jié)省計(jì)算成本，硬件配置低，從而售價(jià)也低。
本發(fā)明自帶通訊裝置一和通訊裝置二，可以通過wifi自動(dòng)連接互聯(lián)網(wǎng)，并長期保持在線。各種智能監(jiān)控設(shè)備都可以通過網(wǎng)絡(luò)或藍(lán)牙等方式輕松接入本發(fā)明設(shè)備，在獲取設(shè)備授權(quán)后即可自動(dòng)上傳智能監(jiān)控設(shè)備的監(jiān)控的日常生活數(shù)據(jù)，因此本發(fā)明設(shè)備獲取的數(shù)據(jù)是實(shí)時(shí)的、準(zhǔn)確的、多元的。
由于每個(gè)人的身體特征不一樣，便秘發(fā)病時(shí)所表現(xiàn)出的數(shù)據(jù)特征也會(huì)不同。因此以往的通過神經(jīng)網(wǎng)絡(luò)預(yù)測便秘的方法準(zhǔn)確率不高。本發(fā)明針對每個(gè)設(shè)備用戶建立訓(xùn)練出針對該用戶的神經(jīng)網(wǎng)絡(luò)模型，在運(yùn)行過一段時(shí)間后，將產(chǎn)生對該用戶量身定做神經(jīng)網(wǎng)絡(luò)預(yù)測模型，準(zhǔn)確率被大幅提高。
當(dāng)神經(jīng)網(wǎng)絡(luò)模型誤判時(shí)，智能家庭便秘護(hù)理設(shè)備將錯(cuò)誤信息將反饋給服務(wù)器，針對該用戶動(dòng)態(tài)修正神經(jīng)網(wǎng)絡(luò)模型，當(dāng)下次該用戶出現(xiàn)類似特征數(shù)據(jù)時(shí)，將不會(huì)再誤判。因此，隨著使用時(shí)間的增加，本發(fā)明的智能家庭便秘護(hù)理設(shè)備的判斷將會(huì)越來越準(zhǔn)確。
以上顯示和描述了本發(fā)明的基本原理、主要特征和本發(fā)明的優(yōu)點(diǎn)。本行業(yè)的技術(shù)人員應(yīng)該了解，本發(fā)明不受上述實(shí)施例的限制，上述實(shí)施例和說明書中描述的只是說明本發(fā)明的原理，在不脫離本發(fā)明精神和范圍的前提下本發(fā)明還會(huì)有各種變化和改進(jìn)，這些變化和改進(jìn)都落入要求保護(hù)的本發(fā)明范圍內(nèi)。本發(fā)明要求保護(hù)范圍由所附的權(quán)利要求書及其等同物界定。