本發(fā)明涉及健康信息交互領(lǐng)域，具體涉及一種健康信息交互平臺(tái)。
背景技術(shù)：
：近年來我國(guó)人口老齡化加速，并且隨著時(shí)代的快速發(fā)展人們的生活節(jié)奏不斷加快，生活壓力不斷增加，隨之而來的是各種慢性疾病發(fā)病率的增長(zhǎng)，這對(duì)人們的身心健康、社會(huì)的穩(wěn)定與發(fā)展帶來了嚴(yán)重的負(fù)面影響。為了能夠方便快速地獲取自身的健康信息狀況并能夠針對(duì)該健康信息狀況在日常生活中進(jìn)行調(diào)理，現(xiàn)在新開發(fā)出了一些針對(duì)健康管理的健康信息交互平臺(tái)。因?yàn)橐悄艿嘏袛嗖煌娜说慕】禒顩r且還需要識(shí)別判斷不斷出現(xiàn)的新型疾病，這些信息交互平臺(tái)內(nèi)都設(shè)置有用來使信息交互平臺(tái)更加智能的機(jī)器學(xué)習(xí)系統(tǒng)。眾所周知，機(jī)器學(xué)習(xí)系統(tǒng)需要使用一定數(shù)據(jù)量作為基礎(chǔ)才能不斷地優(yōu)化學(xué)習(xí)。而現(xiàn)有的健康信息交互平臺(tái)都過分依賴于機(jī)器學(xué)習(xí)系統(tǒng)，使得現(xiàn)有的健康信息交互平臺(tái)都需要錄入一定的待康復(fù)數(shù)據(jù)后才能開始比較精確地運(yùn)行。為了使現(xiàn)有的健康信息交互平臺(tái)能夠有比較精確的反饋效果，則在投入使用前必須先向該平臺(tái)輸入一定量的待康復(fù)數(shù)據(jù)進(jìn)行模型訓(xùn)練。這不僅浪費(fèi)健康信息交互平臺(tái)的整體調(diào)試時(shí)間，且操作麻煩。更不利的是這種平臺(tái)的精準(zhǔn)度十分依賴待康復(fù)數(shù)據(jù)的整體質(zhì)量，如果前期用來訓(xùn)練的待康復(fù)數(shù)據(jù)并不合適，則會(huì)使健康信息交互平臺(tái)在具體投入使用時(shí)仍然精準(zhǔn)度較低，換言之，該平臺(tái)的使用受到作為訓(xùn)練使用的待康復(fù)數(shù)據(jù)的樣本的極大限制。因此，現(xiàn)在急需研制出一種能夠立即使用且不依賴于待康復(fù)數(shù)據(jù)樣本的健康信息交互平臺(tái)。技術(shù)實(shí)現(xiàn)要素：本發(fā)明意在提供一種能夠直接使用，不依賴于待康復(fù)數(shù)據(jù)樣本的健康信息交互平臺(tái)。本方案中的健康信息交互平臺(tái)，包括云端服務(wù)器和與云端服務(wù)器通過網(wǎng)絡(luò)連接的多個(gè)客戶端；所述客戶端包括第一處理器以及分別與第一處理器連接的輸入組件、顯示屏和第一存儲(chǔ)器；所述云端服務(wù)器包括第二處理器，以及分別與第二處理器連接的存儲(chǔ)有多個(gè)康復(fù)視頻組合的第二存儲(chǔ)器、用來實(shí)時(shí)更新用戶調(diào)查問卷及其答案的數(shù)據(jù)庫(kù)、用來對(duì)用戶輸入的身份信息和調(diào)查問卷答案進(jìn)行驗(yàn)證的驗(yàn)證組件；所述第一存儲(chǔ)器中設(shè)有等級(jí)參考表；所述等級(jí)參考表約定與視頻編號(hào)的關(guān)系；所述視頻編號(hào)與存儲(chǔ)在所述數(shù)據(jù)庫(kù)中的康復(fù)視頻組合一一對(duì)應(yīng)。名稱解釋：康復(fù)視頻：包括視頻加上音頻、圖文的各種組合而成且以視頻為主的用來進(jìn)行康復(fù)指導(dǎo)的視頻文件?？祻?fù)視頻組合即多個(gè)康復(fù)視頻。用戶調(diào)查問卷及答案：用來對(duì)用戶進(jìn)行數(shù)據(jù)采集的調(diào)查問卷，以及用戶填寫調(diào)查問卷后的答案。其中，用戶填寫的調(diào)查問卷的答案即待康復(fù)數(shù)據(jù)，待康復(fù)數(shù)據(jù)可以理解為用戶在得到推送的視頻之前的所有輸入數(shù)據(jù)。等級(jí)參考表：根據(jù)用戶輸入的待康復(fù)數(shù)據(jù)，提取各種因素，將這些因素根據(jù)程度不同而分級(jí)，形成的每級(jí)因素與視頻編號(hào)進(jìn)行一一對(duì)應(yīng)的關(guān)系表格。視頻編號(hào)：每個(gè)康復(fù)視頻用來進(jìn)行唯一標(biāo)識(shí)的編號(hào)。工作原理及有益效果：用戶通過客戶端，針對(duì)傳入客戶端內(nèi)的調(diào)查問卷進(jìn)行作答，用戶回答的調(diào)查問卷的答案作為待康復(fù)數(shù)據(jù)通過輸入組件輸入到第一處理器中。第一處理器根據(jù)設(shè)置在第一存儲(chǔ)器中的等級(jí)參考表，直接將待康復(fù)數(shù)據(jù)與等級(jí)參考表的各因素進(jìn)行對(duì)應(yīng)，分別獲取與各因素對(duì)應(yīng)的視頻編號(hào)。客戶端將從等級(jí)參考表中獲取的視頻編號(hào)發(fā)送至云端服務(wù)器，第二處理器根據(jù)視頻編號(hào)將第二存儲(chǔ)器內(nèi)與這些視頻編號(hào)一一對(duì)應(yīng)的康復(fù)復(fù)視頻組合發(fā)送至第一處理器，第一處理器將該康復(fù)視頻組合傳遞給顯示屏顯示出來。本方案中的健康信息交互平臺(tái)可以在不收集一定量的待康復(fù)數(shù)據(jù)時(shí)，即數(shù)據(jù)庫(kù)中的累積的待康復(fù)數(shù)據(jù)為零時(shí)，僅憑第一存儲(chǔ)器中的等級(jí)參考表就能夠直接產(chǎn)生康復(fù)視頻組合的結(jié)果，能夠立即使用且不依賴于待康復(fù)數(shù)據(jù)的健康信息交互平臺(tái)。進(jìn)一步，所述第一處理器中設(shè)有用來判斷輸入組件輸入信息的判斷模塊；所述判斷模塊內(nèi)設(shè)置有AHP模型；AHP模型采用了兩階段法求解調(diào)查問卷各評(píng)估因素的相對(duì)權(quán)重；第一處理器根據(jù)各評(píng)估因素的權(quán)重值計(jì)算出用戶的第一關(guān)聯(lián)常數(shù)，第一處理器將設(shè)置在第一處理器中與第一關(guān)聯(lián)常數(shù)對(duì)應(yīng)的說明數(shù)據(jù)傳遞到顯示屏。第一處理器中的判斷模塊對(duì)輸入的待康復(fù)數(shù)據(jù)用AHP模型進(jìn)行權(quán)重計(jì)算得出一個(gè)第一關(guān)聯(lián)常數(shù)，第一處理器通過對(duì)比預(yù)先設(shè)置在第一處理器中的諸如健康或者不健康的說明數(shù)據(jù)與第一關(guān)聯(lián)常數(shù)對(duì)應(yīng)后將該說明數(shù)據(jù)傳遞到顯示屏顯示出來。用戶通過顯示屏顯示出來的說明數(shù)據(jù)選擇退出或者進(jìn)行下一步操作，方便直接通過輸入待康復(fù)數(shù)據(jù)來判斷用戶是否健康。進(jìn)一步，驗(yàn)證組件中設(shè)有用來將視頻編號(hào)與具體視頻進(jìn)行聯(lián)系的驗(yàn)證模塊；所述驗(yàn)證模塊內(nèi)設(shè)置有專家針對(duì)問卷調(diào)查表中各因素中的每個(gè)選項(xiàng)為康復(fù)視頻組合對(duì)應(yīng)設(shè)置的第二關(guān)聯(lián)參數(shù)；以康復(fù)視頻組合總數(shù)為隨機(jī)變量數(shù)，通過專家給出的康復(fù)視頻組合方案的標(biāo)準(zhǔn)組合數(shù)目作為模型約束條件，約束各康復(fù)視頻組合之間的優(yōu)先關(guān)系或關(guān)聯(lián)關(guān)系，建立規(guī)劃模型。云端服務(wù)器中的驗(yàn)證組件在收到從客戶端傳來的要求康復(fù)視頻組合傳送的請(qǐng)求時(shí)，將問卷調(diào)查表通過AHP模型得到的問卷調(diào)查數(shù)據(jù)與設(shè)置驗(yàn)證模塊內(nèi)針對(duì)每個(gè)康復(fù)視頻組合的第二關(guān)聯(lián)參數(shù)進(jìn)行計(jì)算并得出適于推送的多個(gè)康復(fù)視頻組合即康復(fù)訓(xùn)練方案組合。第二處理器將驗(yàn)證模塊得到康復(fù)視頻組合方案組合的數(shù)據(jù)傳遞個(gè)第二存儲(chǔ)器，從第二存儲(chǔ)器中提取對(duì)應(yīng)的康復(fù)視頻組合傳遞給客戶端。進(jìn)一步，所述第一處理器內(nèi)還設(shè)有優(yōu)化模塊；所述優(yōu)化模塊內(nèi)設(shè)有根據(jù)多種常見現(xiàn)象編制的醫(yī)生指導(dǎo)意見數(shù)據(jù)；優(yōu)化模塊通過醫(yī)生指導(dǎo)意見數(shù)據(jù)計(jì)算出對(duì)應(yīng)的視頻編號(hào)并以視頻編號(hào)的調(diào)整量為變量計(jì)算出的視頻組合和專家的最大治療程度之差的絕對(duì)值為目標(biāo)函數(shù)，采用改進(jìn)的智能算法進(jìn)行逐次迭代得到多組綜合參數(shù)調(diào)整量，根據(jù)權(quán)重對(duì)調(diào)整量進(jìn)行因素選項(xiàng)分配和熵處理，將康復(fù)視頻組合對(duì)應(yīng)的視頻編號(hào)表進(jìn)行調(diào)整優(yōu)化。在客戶端接收到從云端服務(wù)器中傳遞來的康復(fù)視頻組合后，第一處理器中的優(yōu)化模塊通過預(yù)先設(shè)置在優(yōu)化模塊中的醫(yī)生指導(dǎo)意見數(shù)據(jù)，采用改進(jìn)的智能算法對(duì)康復(fù)視頻組合相關(guān)的各類參數(shù)取值進(jìn)行自動(dòng)優(yōu)化。進(jìn)一步，所述第二處理器中設(shè)有篩選模塊；所述篩選模塊將數(shù)據(jù)庫(kù)中實(shí)時(shí)更新的待康復(fù)數(shù)據(jù)作為設(shè)置在篩選模塊中的決策樹模型的輸入數(shù)據(jù)和類別數(shù)據(jù)，對(duì)與這些待康復(fù)數(shù)據(jù)對(duì)應(yīng)的調(diào)查問卷中的問題行分類，采用CART算法構(gòu)建決策樹模型；篩選模塊針對(duì)從輸入組件中輸入的用戶數(shù)據(jù)向第一處理器傳遞是否需要推送康復(fù)視頻組合的判斷結(jié)果。第二處理器中的篩選模塊，根據(jù)數(shù)據(jù)庫(kù)中實(shí)時(shí)更新的用戶輸入數(shù)據(jù)對(duì)從輸入組件輸入的問卷調(diào)查答案進(jìn)行回歸樹分類，使篩選模塊根據(jù)用戶癥狀數(shù)據(jù)的的輸入得出康復(fù)視頻組合或者不康復(fù)視頻組合的判斷結(jié)果。進(jìn)一步，所述驗(yàn)證組件中設(shè)置的學(xué)習(xí)模塊通過BP神經(jīng)網(wǎng)絡(luò)將傳遞到數(shù)據(jù)庫(kù)中的所有數(shù)據(jù)進(jìn)行訓(xùn)練和學(xué)習(xí)，得到相應(yīng)的BP神經(jīng)網(wǎng)絡(luò)參數(shù)保存在數(shù)據(jù)庫(kù)中；在驗(yàn)證組件接收到康復(fù)視頻組合的判斷結(jié)果，學(xué)習(xí)模塊根據(jù)輸入組件輸入的待康復(fù)數(shù)據(jù)和BP神經(jīng)網(wǎng)絡(luò)參數(shù)向第二處理器輸出對(duì)應(yīng)的推送康復(fù)視頻組合的視頻編號(hào)；與此同時(shí)后臺(tái)程序?qū)⒋舜螖?shù)據(jù)更新之前的BP神經(jīng)網(wǎng)絡(luò)參數(shù)。驗(yàn)證組件中的學(xué)習(xí)模塊接收到篩選模塊傳送來的進(jìn)行康復(fù)視頻組合的結(jié)果，驗(yàn)證組件內(nèi)的學(xué)習(xí)模塊通過BP神經(jīng)網(wǎng)絡(luò)將存儲(chǔ)在數(shù)據(jù)庫(kù)中經(jīng)過實(shí)時(shí)更新后得到的用戶數(shù)據(jù)進(jìn)行計(jì)算后得到BP神經(jīng)網(wǎng)絡(luò)參數(shù)。BP神經(jīng)網(wǎng)絡(luò)參數(shù)指的是能夠決定BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的所有參數(shù)。當(dāng)用戶通過輸入組件進(jìn)行康復(fù)視頻組合方案定制時(shí)，學(xué)習(xí)模塊將驗(yàn)證組件在康復(fù)視頻組合過程中加入BP神經(jīng)網(wǎng)絡(luò)參數(shù)，改變推送的康復(fù)視頻組合的視頻編號(hào)，優(yōu)化推送的視頻組合，同時(shí)將包含這次輸入在內(nèi)的BP神經(jīng)網(wǎng)絡(luò)的模型參數(shù)保存至數(shù)據(jù)庫(kù)。第二處理器通過得到的視頻組合對(duì)客戶端進(jìn)行視頻推送。進(jìn)一步，所述第二處理器中還設(shè)有修正模塊；所述修正模塊中設(shè)置有支持向量機(jī)模型，修正模塊根據(jù)用戶的反饋數(shù)據(jù)來判斷是否重新進(jìn)行視頻推送，同時(shí)第二處理器根據(jù)用戶的反饋數(shù)據(jù)實(shí)時(shí)更新康復(fù)視頻組合與視頻編號(hào)之間的關(guān)系；并將修正后的關(guān)聯(lián)數(shù)據(jù)傳遞到數(shù)據(jù)庫(kù)保存。在用戶通過推送的康復(fù)視頻組合進(jìn)行操作后，用戶通過輸入組件輸入針對(duì)推送的康復(fù)視頻組合的反饋結(jié)果，其中用戶通過填寫關(guān)于康復(fù)視頻組合操作后的問卷調(diào)查進(jìn)行反饋。第二處理器中的修正模塊通過反饋數(shù)據(jù)運(yùn)動(dòng)支持向量機(jī)模型，對(duì)康復(fù)視頻組合的相關(guān)參數(shù)進(jìn)行修正，并將修正后的關(guān)聯(lián)參數(shù)更新到數(shù)據(jù)庫(kù)中保存。進(jìn)一步，健康信息交互平臺(tái)的運(yùn)行過程包括至少兩個(gè)階段，其中初期運(yùn)行階段在收集到1000～2000樣本量的待康復(fù)數(shù)據(jù)后進(jìn)入到中期運(yùn)行階段。本發(fā)明通過了兩次視頻推送時(shí)期，第一次視頻推送主要是依據(jù)設(shè)置在第一存儲(chǔ)器中的等級(jí)考數(shù)表來進(jìn)行視頻推送，通過這個(gè)過程有效積累了待康復(fù)數(shù)據(jù)(如用戶輸入數(shù)據(jù)、用戶健康數(shù)據(jù))，為后面進(jìn)行機(jī)器學(xué)習(xí)，不斷完善整個(gè)信息交互平臺(tái)提供了前提。本發(fā)明通過問卷調(diào)查的形式來對(duì)用戶的各種輸入進(jìn)行采集，對(duì)用戶的輸入具有導(dǎo)向性，使用戶能夠提供健康信息交互平臺(tái)所需要的類型數(shù)據(jù)，提高用戶輸入信息的有效利用率。在第一次視頻推送完成后，通過設(shè)置在第一處理器中的優(yōu)化模塊，能夠自動(dòng)通過改進(jìn)的智能算法對(duì)與康復(fù)視頻組合相關(guān)的各類參數(shù)取值進(jìn)行優(yōu)化，使健康信息交互平臺(tái)具有初步學(xué)習(xí)能力，有效提高了了康復(fù)視頻組合的精確度。在第二次視頻推送的時(shí)候，數(shù)據(jù)庫(kù)已經(jīng)收集了一定的待康復(fù)數(shù)據(jù)。在收集的用戶數(shù)據(jù)基礎(chǔ)上依次通過回歸樹模型、BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)模型對(duì)健康信息交互平臺(tái)中與康復(fù)視頻組合相關(guān)的參數(shù)進(jìn)行調(diào)整完善，使整個(gè)平臺(tái)在逐步運(yùn)行中具有機(jī)器學(xué)習(xí)功能。能夠根據(jù)用戶數(shù)據(jù)的積累，使視頻推送更加人性化、智能化，提高被康復(fù)視頻組合的精準(zhǔn)度。附圖說明圖1為本發(fā)明實(shí)施例的結(jié)構(gòu)示意圖。圖2為本發(fā)明實(shí)施例的初期運(yùn)行示意圖。圖3為本發(fā)明實(shí)施例的中期運(yùn)行示意圖。具體實(shí)施方式下面通過具體實(shí)施方式對(duì)本發(fā)明作進(jìn)一步詳細(xì)的說明：說明書附圖中的附圖標(biāo)記包括：驗(yàn)證組件1、第二存儲(chǔ)器2、數(shù)據(jù)庫(kù)3、外部端口4、無線通信組件5、第二處理器6、輸入組件7、視頻解析組件8、顯示屏9、第一存儲(chǔ)器10、網(wǎng)絡(luò)收發(fā)組件11、第一處理器12。如圖1所示，健康信息交互平臺(tái)包括云端服務(wù)器和與云端服務(wù)器通過網(wǎng)絡(luò)連接的多個(gè)客戶端；客戶端包括第一處理器12、輸入組件7、視頻解析組件8、顯示屏9、第一存儲(chǔ)器10和網(wǎng)絡(luò)收發(fā)組件11，輸入組件7、視頻解析組件8、顯示屏9、第一存儲(chǔ)器10和網(wǎng)絡(luò)收發(fā)組件11通過數(shù)據(jù)總線與第一處理器12連接，第一處理器12控制客戶端各組件的運(yùn)行；網(wǎng)絡(luò)收發(fā)組件11通過至少一種網(wǎng)絡(luò)協(xié)議建立客戶端與云端服務(wù)器的數(shù)據(jù)通信鏈路；輸入組件7用于用戶輸入身份驗(yàn)證信息和調(diào)查問卷答案等信息；第一存儲(chǔ)器10存儲(chǔ)經(jīng)由前述網(wǎng)絡(luò)收發(fā)組件11接收的來自云端服務(wù)器的運(yùn)動(dòng)康復(fù)視頻數(shù)據(jù)和調(diào)查待康復(fù)數(shù)據(jù)；視頻解析組件8用于解析經(jīng)由前述網(wǎng)絡(luò)收發(fā)組件11接收的來自云端服務(wù)器的運(yùn)動(dòng)康復(fù)視頻數(shù)據(jù)；顯示屏9用于播放經(jīng)解析后的運(yùn)動(dòng)康復(fù)視頻數(shù)據(jù)。云端服務(wù)器包括存儲(chǔ)有多個(gè)運(yùn)動(dòng)康復(fù)視頻的第二存儲(chǔ)器2、用來實(shí)時(shí)更新用戶調(diào)查問卷答案的數(shù)據(jù)庫(kù)、用來對(duì)用戶輸入的身份信息和調(diào)查問卷答案進(jìn)行驗(yàn)證的驗(yàn)證組件1、無線通信組件5、外部端口4及第二處理器6；外部端口4、第二存儲(chǔ)器2、數(shù)據(jù)庫(kù)、驗(yàn)證組件1、無線通信組件5均與第二處理器6連接；外部端口4適于將云端服務(wù)器的第二存儲(chǔ)器2和數(shù)據(jù)庫(kù)直接或者通過網(wǎng)絡(luò)間接耦接到其他設(shè)備；驗(yàn)證組件1用于驗(yàn)證經(jīng)由無線通信組件5接收到的用戶身份信息并向第二處理器6發(fā)送驗(yàn)證結(jié)果信號(hào)；第二處理器6響應(yīng)于驗(yàn)證組件1發(fā)送的驗(yàn)證通過信號(hào)，控制數(shù)據(jù)庫(kù)中的調(diào)查問卷經(jīng)由無線通信組件5發(fā)送到前述客戶端。用戶通過輸入組件7將針對(duì)調(diào)查問卷中的問題答案輸入到第一處理器12中，第一處理器12將這些用戶數(shù)據(jù)通過網(wǎng)絡(luò)收發(fā)組件11發(fā)送至云端服務(wù)器。云端服務(wù)器的無線通信組件5接收到用戶數(shù)據(jù)并將這些用戶數(shù)據(jù)傳遞至第二處理器6。第二處理器6將這些用戶數(shù)據(jù)傳遞至用戶數(shù)據(jù)庫(kù)3的同時(shí)將這些數(shù)據(jù)傳遞至驗(yàn)證組件1，驗(yàn)證組件1通過驗(yàn)證答案后發(fā)送信號(hào)給第二處理器6，使第二處理器6從第二存儲(chǔ)器2中調(diào)取相應(yīng)的視頻數(shù)據(jù)，并將這些視頻數(shù)據(jù)通過無線通信組件5傳遞至客戶端。所述第二處理器中設(shè)有用來進(jìn)行后期學(xué)習(xí)的后期學(xué)習(xí)模塊，所述后期學(xué)習(xí)模塊中設(shè)置的BP神經(jīng)網(wǎng)絡(luò)模型的節(jié)點(diǎn)數(shù)目比所述學(xué)習(xí)模塊中的BP神經(jīng)網(wǎng)絡(luò)模型中的節(jié)點(diǎn)數(shù)多。通過后期學(xué)習(xí)模塊中的多節(jié)點(diǎn)的BP神經(jīng)網(wǎng)絡(luò)的計(jì)算，能夠更加優(yōu)化康復(fù)視頻組合相關(guān)的視頻參數(shù)表，使健康信息交互平臺(tái)的視頻推送更加智能化。本發(fā)明通過了兩次視頻推送時(shí)期，第一次視頻推送主要是依據(jù)設(shè)置在第一存儲(chǔ)器中的等級(jí)考數(shù)表來進(jìn)行視頻推送，通過這個(gè)過程有效積累了待康復(fù)數(shù)據(jù)(如用戶輸入數(shù)據(jù)、用戶健康數(shù)據(jù))，為后面進(jìn)行機(jī)器學(xué)習(xí)，不斷完善整個(gè)信息交互平臺(tái)提供了前提。本發(fā)明通過問卷調(diào)查的形式來對(duì)用戶的各種輸入進(jìn)行采集，對(duì)用戶的輸入具有導(dǎo)向性，使用戶能夠提供健康信息交互平臺(tái)所需要的類型數(shù)據(jù)，提高用戶輸入信息的有效利用率。在第一次視頻推送完成后，通過設(shè)置在第一處理器中的優(yōu)化模塊，能夠自動(dòng)通過改進(jìn)的智能算法對(duì)與康復(fù)視頻組合相關(guān)的各類參數(shù)取值進(jìn)行優(yōu)化，使健康信息交互平臺(tái)具有初步學(xué)習(xí)能力，有效提高了了康復(fù)視頻組合的精確度。在第二次視頻推送的時(shí)候，數(shù)據(jù)庫(kù)已經(jīng)收集了一定的待康復(fù)數(shù)據(jù)。在收集的用戶數(shù)據(jù)基礎(chǔ)上依次通過回歸樹模型、BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)模型對(duì)健康信息交互平臺(tái)中與康復(fù)視頻組合相關(guān)的參數(shù)進(jìn)行調(diào)整完善，使整個(gè)平臺(tái)在逐步運(yùn)行中具有機(jī)器學(xué)習(xí)功能。能夠根據(jù)用戶數(shù)據(jù)的積累，使視頻推送更加人性化、智能化，提高被康復(fù)視頻組合的精準(zhǔn)度。如圖2所示，在健康信息交互平臺(tái)運(yùn)行的初期，健康信息交互平臺(tái)中并沒有任何用戶數(shù)據(jù)，通過用戶在使用健康信息交互平臺(tái)的過程中不斷收集用戶癥狀數(shù)據(jù)和對(duì)應(yīng)的康復(fù)訓(xùn)練數(shù)據(jù)。首先，云端服務(wù)器將調(diào)查問卷發(fā)送至客戶端，用戶通過顯示屏9閱讀調(diào)查問卷并通過輸入組件7將針對(duì)調(diào)查問卷的答案即用戶癥狀數(shù)據(jù)輸入到第一處理器12中。第一處理器12通過判斷模塊對(duì)該癥狀描述進(jìn)行初步判斷后將判斷結(jié)果通過顯示屏9呈現(xiàn)給用戶，以便用戶進(jìn)行后續(xù)操作選擇。在第一處理器12中使用AHP模型預(yù)先針對(duì)常規(guī)的用戶現(xiàn)象輸入進(jìn)行了AHP賦權(quán)。采用了兩階段法求解各因素的相對(duì)權(quán)重：采用(0，1，2)三標(biāo)度法對(duì)各參考因素進(jìn)行兩兩比較后建立如表1比較矩陣。表1并計(jì)算各元素的重要性排序指數(shù)；第二階段采用以下變換：Bi＝(考慮因素1，考慮因素2，考慮因素3，考慮因素4，考慮因素5，考慮因素6，考慮因素7，考慮因素8，考慮因素9)與Bj＝(考慮因素1，考慮因素2，考慮因素3，考慮因素4，考慮因素5，考慮因素6，考慮因素7，考慮因素8，考慮因素9)構(gòu)成的比較矩陣轉(zhuǎn)換成判斷矩陣，并采用幾何平均法計(jì)算最終的權(quán)重向量。其中，考慮因素可以是諸如疼痛原因、疼痛時(shí)長(zhǎng)和疼痛等級(jí)等與癥狀檢查相關(guān)的因素，而這些因素都會(huì)埋藏在調(diào)查問卷的問題中。用戶通過回答調(diào)查問卷，以待康復(fù)數(shù)據(jù)的形式將包含這些因素的數(shù)據(jù)輸入進(jìn)來?；谝阎谺i與Bj的重要性排序指數(shù)ri和rj來構(gòu)造判斷矩陣。C＝cij。判斷矩陣系數(shù)cij表示元素Bi與Bj之間的重要程度，要求若表示cij＞1則表示Bi比Bj重要，Bi≥Bj。cij越大重要程度越高。若cij＜1則表示Bi比Bj重要，Bi≤Bj。cij＝1時(shí)，Bi＝Bj。為了提高判斷矩陣的可靠性與一致性，假定所有元素對(duì)的相對(duì)重要程度是基于同一變換準(zhǔn)則下給出的，設(shè)此變換準(zhǔn)則為f(ri,rj)＝cij。通過判斷矩陣，第一處理器12對(duì)輸入的診斷數(shù)據(jù)進(jìn)行計(jì)算并得出權(quán)重，并針對(duì)權(quán)重將設(shè)置在第一存儲(chǔ)器10中的判斷結(jié)果傳遞到顯示屏9中，使用戶了解此時(shí)的健康狀況。在第一存儲(chǔ)器10中使用SPA模型預(yù)先設(shè)置有醫(yī)學(xué)專家對(duì)各問題因素選項(xiàng)分析后針對(duì)主要身體部位建立了三張如下的健康現(xiàn)象等級(jí)參考表。推薦方案的具體因素總共有九個(gè)，分別對(duì)對(duì)應(yīng)的各種考慮因素。表2-1疼痛部位(腰部)現(xiàn)象嚴(yán)重現(xiàn)象一般健康說明考慮因素11,324數(shù)字代表選項(xiàng)代號(hào)考慮因素24,5,62,31數(shù)字代表選項(xiàng)代號(hào)考慮因素3321數(shù)字代表選項(xiàng)代號(hào)考慮因素43,421數(shù)字代表選項(xiàng)代號(hào)考慮因素542,31數(shù)字代表選項(xiàng)代號(hào)考慮因素6122數(shù)字代表選項(xiàng)代號(hào)考慮因素7122數(shù)字代表選項(xiàng)代號(hào)考慮因素8122數(shù)字代表選項(xiàng)代號(hào)考慮因素94,5,62,3,41數(shù)字代表選項(xiàng)個(gè)數(shù)表2-2疼痛部位(頸部)現(xiàn)象嚴(yán)重現(xiàn)象一般健康說明考慮因素11,324數(shù)字代表選項(xiàng)代號(hào)考慮因素24,5,62,31數(shù)字代表選項(xiàng)代號(hào)考慮因素3321數(shù)字代表選項(xiàng)代號(hào)考慮因素43,421數(shù)字代表選項(xiàng)代號(hào)考慮因素542,31數(shù)字代表選項(xiàng)代號(hào)考慮因素6122數(shù)字代表選項(xiàng)代號(hào)考慮因素7122數(shù)字代表選項(xiàng)代號(hào)考慮因素8122數(shù)字代表選項(xiàng)代號(hào)考慮因素94,52,31數(shù)字代表選項(xiàng)個(gè)數(shù)表2-3疼痛部位(肩部)現(xiàn)象嚴(yán)重現(xiàn)象一般健康說明考慮因素11,324數(shù)字代表選項(xiàng)代號(hào)考慮因素24,5,62,31數(shù)字代表選項(xiàng)代號(hào)考慮因素3321數(shù)字代表選項(xiàng)代號(hào)考慮因素43,421數(shù)字代表選項(xiàng)代號(hào)考慮因素542,31數(shù)字代表選項(xiàng)代號(hào)考慮因素6122數(shù)字代表選項(xiàng)代號(hào)考慮因素7122數(shù)字代表選項(xiàng)代號(hào)考慮因素8122數(shù)字代表選項(xiàng)代號(hào)考慮因素94,5,62,3,41數(shù)字代表選項(xiàng)個(gè)數(shù)表2-4數(shù)字123456選項(xiàng)ABCDEF表2-1至表2-3中，數(shù)字代表選項(xiàng)代號(hào)是指選的數(shù)字就是選項(xiàng)的代號(hào)即康復(fù)視頻組合的編號(hào)。數(shù)字代表選項(xiàng)個(gè)數(shù)，是指數(shù)字限定選項(xiàng)的個(gè)數(shù)，比如選擇了AB/AC/BD，都是2，ABC/BCD則都是3。表2-4中寫明了評(píng)估表中的每一個(gè)答案選項(xiàng)的換算關(guān)系。根據(jù)健康癥狀等級(jí)參考表對(duì)用戶健康狀況分為三級(jí)，故SPA中的聯(lián)系元為三元。根據(jù)用戶提交的癥狀數(shù)據(jù)和健康癥狀等級(jí)參考表對(duì)該評(píng)估系統(tǒng)中的同、異、反進(jìn)行加權(quán)計(jì)算，最終得到綜合聯(lián)系數(shù)，根據(jù)聯(lián)系數(shù)系數(shù)的大小關(guān)系確定對(duì)應(yīng)的健康癥狀。同系數(shù)對(duì)應(yīng)為癥狀嚴(yán)重級(jí)，異系數(shù)對(duì)應(yīng)癥狀一般級(jí)，反系數(shù)對(duì)應(yīng)癥狀良好型(健康型)，計(jì)算出的聯(lián)系數(shù)各系數(shù)中最大者即為用戶的健康等級(jí)。第一處理器12從第一存儲(chǔ)器10中調(diào)取該健康等級(jí)數(shù)據(jù)并將其傳遞到顯示屏9上，使用戶能直觀地看到自己的健康狀況。然后，客戶端將用戶輸入的癥狀數(shù)據(jù)傳遞至云端服務(wù)器。第二處理器6接收從無線通信組件5傳遞來的用戶癥狀數(shù)據(jù)，并將該數(shù)據(jù)同時(shí)傳遞至驗(yàn)證組件1驗(yàn)證和用戶數(shù)據(jù)庫(kù)3存儲(chǔ)。驗(yàn)證組件1中設(shè)有規(guī)劃模型。通過醫(yī)學(xué)專家針對(duì)模型因素中的可能選項(xiàng)為視頻設(shè)置相應(yīng)治療參數(shù)，即直接將各視頻針對(duì)某一具體可能出現(xiàn)的癥狀(比如疼痛度0-3分)的治療效果有多大，建立視頻與影響方案推薦的各因素選項(xiàng)之間的關(guān)聯(lián)。以視頻為隨機(jī)變量(視頻總數(shù)為隨機(jī)變量數(shù)，隨機(jī)變量只能取0或1)量，各視頻之間的優(yōu)先關(guān)系或關(guān)聯(lián)關(guān)系和專家給視頻方案的標(biāo)準(zhǔn)組合數(shù)目作為模型約束條件建立規(guī)劃模型，通過最大化治療程度得到最終取值為1的隨機(jī)變量，這些變量對(duì)應(yīng)的視頻即為最終的康復(fù)訓(xùn)練方案組合。驗(yàn)證組件1通過規(guī)劃模型得到康復(fù)訓(xùn)練方案組合數(shù)據(jù)，并將該數(shù)據(jù)傳遞至第二處理器6，第二處理器6依據(jù)該數(shù)據(jù)調(diào)取預(yù)先存儲(chǔ)在第二存儲(chǔ)器2中的康復(fù)視頻組合，并將該康復(fù)視頻組合的數(shù)據(jù)發(fā)送至客戶端?？蛻舳送ㄟ^訪問云端服務(wù)器該康復(fù)視頻組合，可以通過顯示屏9看到具體的康復(fù)視頻。規(guī)劃模型的具體算法可以如下所示：在本實(shí)施例中，通過客戶端接收用戶基于調(diào)查問卷答復(fù)的關(guān)于用戶當(dāng)前身體狀況的描述信息；待康復(fù)數(shù)據(jù)為抽取出的癥狀描述信息，即問題和用戶所選擇的選項(xiàng)；推送方案為康復(fù)訓(xùn)練視頻；具體問卷形式，包括多個(gè)問題，每個(gè)為問題包括多個(gè)選項(xiàng)，每個(gè)選項(xiàng)具體為一種癥狀描述，I為問題的數(shù)目，Ji為第i個(gè)問題的選項(xiàng)總數(shù)；針對(duì)每個(gè)選項(xiàng)，則用一個(gè)權(quán)重參數(shù)表征該選項(xiàng)對(duì)與所屬問題的重要程度；針對(duì)每個(gè)問題，則用另一個(gè)權(quán)重參數(shù)表征該問題對(duì)與康復(fù)視頻組合的選擇的重要程度；康復(fù)訓(xùn)練視頻的綜合參數(shù)包括取值為0-100％的多個(gè)效力參數(shù)、取值為0、1、2、3……M的優(yōu)先級(jí)參數(shù)(M表示最大優(yōu)先級(jí)數(shù))，以及表示視頻所屬階段的階段參數(shù)，取值為1、2、3……K(K表示最大優(yōu)先級(jí)數(shù))；康復(fù)視頻組合的限定參數(shù)優(yōu)選的為單個(gè)康復(fù)視頻組合所包含的康復(fù)訓(xùn)練視頻的數(shù)量；這些參數(shù)均可通過預(yù)設(shè)在存儲(chǔ)設(shè)備中的參數(shù)對(duì)應(yīng)表進(jìn)行查詢。于是，在本實(shí)施例中的參數(shù)設(shè)定具體如表3所示:表3于是，推送結(jié)果的選擇問題被轉(zhuǎn)換為O-1整數(shù)規(guī)劃模型；具體地說，即在滿足一定條件下的最大化計(jì)算maxg(x)＝Kernel(Kernel(R,Handamard(λ,U)),x)式中Hadamard符號(hào)表示矩陣/向量的Hadamard乘積；Kernel表示向量數(shù)量積該最大化計(jì)算需要滿足如下約束條件：視頻的數(shù)量為N；在用戶所處的康復(fù)階段，不得輸出不符合該階段訓(xùn)練的視頻只包含同屬一階段的視頻，根據(jù)用戶所對(duì)應(yīng)的康復(fù)階段和每個(gè)視頻的階段參數(shù)選??；在同樣滿足治療的情況下，選擇優(yōu)先級(jí)高的視頻(由視頻的優(yōu)先級(jí)參數(shù)決定)；具體的最大化計(jì)算為求解：最大化計(jì)算的目的是求解滿足約束條件的X，解出的X中，根據(jù)其結(jié)果選取對(duì)應(yīng)的康復(fù)視頻組合推送給用戶，而此時(shí)最大化的數(shù)值則是該視頻組合的綜合效力參數(shù)，以下記為g。最后，通過設(shè)置在第一處理器12中的改進(jìn)的智能算法模型，對(duì)整個(gè)健康信息交互平臺(tái)內(nèi)的模型進(jìn)行優(yōu)化。第一處理器12中設(shè)置有醫(yī)生指導(dǎo)意見數(shù)據(jù)，該醫(yī)生指導(dǎo)意見數(shù)據(jù)是醫(yī)學(xué)專家編制常見的幾十類癥狀數(shù)據(jù)，并召開醫(yī)學(xué)專家研討會(huì)對(duì)每一個(gè)癥狀給出客觀準(zhǔn)確的治療方案組合。根據(jù)這幾十類癥狀數(shù)據(jù)計(jì)算視頻對(duì)應(yīng)的綜合參數(shù)，以綜合參數(shù)的調(diào)整量為變量，模型計(jì)算出的視頻組合和專家的最大治療程度之差的絕對(duì)值為目標(biāo)函數(shù)，采用改進(jìn)的智能算法進(jìn)行逐次迭代得到多組綜合參數(shù)調(diào)整量，根據(jù)權(quán)重對(duì)調(diào)整量進(jìn)行因素選項(xiàng)分配和熵處理，最終將視頻對(duì)應(yīng)的整個(gè)視頻參數(shù)表進(jìn)行調(diào)整優(yōu)化。其中，事先設(shè)定好的推送方案優(yōu)選為康復(fù)訓(xùn)練視頻、康復(fù)指導(dǎo)圖文以及康復(fù)訓(xùn)練解說音頻中的一種或多種；每個(gè)獨(dú)立的推送方案都被專業(yè)人士人為的賦予了綜合參數(shù)。綜合參數(shù)包括但不限于：?jiǎn)蝹€(gè)推送方案對(duì)于與多項(xiàng)待康復(fù)數(shù)據(jù)分別的效力參數(shù)、單個(gè)推送方案的優(yōu)先級(jí)參數(shù)等；例如：推送方案A所對(duì)應(yīng)于病癥B的有效治療能力為rAB(rAB∈[0,1])，其值的大小可以衡量該推送方案有效治療能力的強(qiáng)弱。優(yōu)先級(jí)參數(shù)為,推送方案進(jìn)行優(yōu)先序排序，先篩選出與待推送方案相關(guān)聯(lián)的推送方案與無關(guān)聯(lián)的推送方案，設(shè)定無關(guān)聯(lián)的推送方案優(yōu)先序列為0，相關(guān)聯(lián)的推送方案則按優(yōu)先序列等級(jí)設(shè)定1，2，3，……，且1＜2＜…＜n(存在多個(gè)視頻均處于同一優(yōu)先級(jí))，針對(duì)同一優(yōu)先關(guān)系的信息將根據(jù)綜合有效治療能力高低進(jìn)行個(gè)數(shù)限制輸出。同時(shí)，推送方案組合也被事先設(shè)定了限定參數(shù)，該限定參數(shù)優(yōu)選為單個(gè)推送方案組合所包含的單個(gè)推送方案的數(shù)量；根據(jù)待康復(fù)數(shù)據(jù)、每個(gè)推送方案的綜合參數(shù)以及推送方案組合的限定參數(shù)，計(jì)算出最優(yōu)化的推送方案組合發(fā)送給用戶。若用戶進(jìn)行第i輪康復(fù)訓(xùn)練后，將參與新一輪問卷診斷，當(dāng)診斷結(jié)果顯示該用戶仍需接受下一輪訓(xùn)練，系統(tǒng)則根據(jù)次輪診斷數(shù)據(jù)，推薦該輪進(jìn)行的康復(fù)訓(xùn)練以及相應(yīng)的訓(xùn)練天數(shù)，訓(xùn)練過程中的反饋情況進(jìn)行第i+1輪康復(fù)訓(xùn)練推送，直至用戶能夠完全達(dá)到醫(yī)學(xué)健康標(biāo)準(zhǔn)為止。這種大量而不重復(fù)的針對(duì)性推送方案推送能實(shí)現(xiàn)對(duì)用戶健康狀況的實(shí)時(shí)監(jiān)控，有利于用戶身體的逐步康復(fù)。在健康信息交互平臺(tái)的第一階段中采用建立規(guī)劃模型的方式來求解最優(yōu)推送方案組合。將信息將推送方案作為隨機(jī)變量，以最大化推送方案組合對(duì)于用戶的效力為目標(biāo)，根據(jù)推送方案組合的限定參數(shù)設(shè)立約束條件建立了規(guī)劃模型，最終求得推送方案組合的結(jié)果。更為優(yōu)選的，還可以將計(jì)算出的推送方案組合與專業(yè)醫(yī)生根據(jù)同樣的用戶數(shù)據(jù)制定的推送方案組合進(jìn)行比對(duì)；根據(jù)比對(duì)結(jié)果更新每個(gè)推送方案的綜合參數(shù)。事前，醫(yī)學(xué)專家編制常見的幾十類病癥，并召開醫(yī)學(xué)專家研討會(huì)對(duì)每一個(gè)癥狀給出客觀準(zhǔn)確的推送方案組合。每次計(jì)算出用于推送的推送方案組合后，以綜合參數(shù)的更新量為變量，針對(duì)同一癥狀，模型計(jì)算出的推送方案組合和專家給出組合的最大治療程度之差的絕對(duì)值為目標(biāo)函數(shù)，采用智能算法進(jìn)行逐次迭代得到多組綜合參數(shù)更新量，熵權(quán)法對(duì)更新量進(jìn)行多因素分配，最終將視頻對(duì)應(yīng)的整個(gè)視頻參數(shù)表進(jìn)行更新優(yōu)化。傳統(tǒng)的智能算法，通過模擬某一自然過程來解決一些復(fù)雜的工程問題；例如遺傳算法模擬自然界的物競(jìng)天擇，以一種群體中的所有個(gè)體為對(duì)象，并利用隨機(jī)化技術(shù)指導(dǎo)對(duì)一個(gè)被編碼的參數(shù)空間進(jìn)行高效搜索；模擬退火算法的則是依據(jù)是固體物質(zhì)退火過程和組合優(yōu)化問題之間的相似性。將熱力學(xué)的理論套用到統(tǒng)計(jì)學(xué)上，將搜尋空間內(nèi)每一點(diǎn)想像成空氣內(nèi)的分子；分子的能量，就是它本身的動(dòng)能；而搜尋空間內(nèi)的每一點(diǎn)，也像空氣分子一樣帶有“能量”，以表示該點(diǎn)對(duì)命題的合適程度。算法先以搜尋空間內(nèi)一個(gè)任意點(diǎn)作起始：每一步先選擇一個(gè)“鄰居”，然后再計(jì)算從現(xiàn)有位置到達(dá)“鄰居”的概率。如今，出現(xiàn)了更多的改進(jìn)的智能算法，具有更高計(jì)算效率和搜索精度；這些算法都可以用于本發(fā)明的實(shí)施例中，這些算法包括但不限于遺傳退火算法/改進(jìn)粒子算法/自適應(yīng)調(diào)整的差分進(jìn)化算法。為了進(jìn)一步的優(yōu)化更新，本實(shí)施里進(jìn)一步的采用了醫(yī)生指導(dǎo)意見配合參數(shù)表進(jìn)行更新量計(jì)算。醫(yī)生建議數(shù)據(jù)的來源為，事前，專家編制常見的幾十類病癥，每一類病癥包含多個(gè)癥狀，等同于在問卷中選擇了多個(gè)癥狀選項(xiàng)；如果有P個(gè)病癥，每個(gè)病癥的癥狀選項(xiàng)可以用一個(gè)答案向量Up來表示；而后，召開專家研討會(huì)對(duì)每一個(gè)病癥給出客觀準(zhǔn)確的推送方案組合。進(jìn)一步的參數(shù)設(shè)定如表4所示：表4于是，對(duì)于綜合參數(shù)的更新轉(zhuǎn)化為以下的最小化問題：本實(shí)施使用改進(jìn)的智能算法對(duì)該最小化問題進(jìn)行求解；此處可供選擇的采用了，遺傳退火算法/改進(jìn)粒子算法/自適應(yīng)調(diào)整的差分進(jìn)化算法，三種算法。遺傳退火算法中，具體采用二進(jìn)制編碼，初代種群產(chǎn)生之后，按照適者生存和優(yōu)勝劣汰的原理，逐代演化產(chǎn)生出最好的xp的近似解；而為了加快搜索速度和增強(qiáng)算法的局部搜索能力，通過定義單個(gè)個(gè)體的能量評(píng)估函數(shù)以及初始溫度，使用模擬退火算法進(jìn)行搜索。改進(jìn)的粒子算法中，使用了新的群體極值以及個(gè)體極值的計(jì)算方式。對(duì)于每個(gè)個(gè)體極值Pbi，從剩余的同代其他個(gè)體極值中隨機(jī)選取一個(gè)個(gè)體的極值記作Pbj,新產(chǎn)生的個(gè)體極值記作Pbi則：Pbi(t)＝r*Pbi(t)+(1-r)*Pbj(t)其中t表示運(yùn)行到第t代,i表示第i個(gè)粒子,j表示第j個(gè)粒子,r是隨機(jī)產(chǎn)生的[0,1]之間的數(shù)。對(duì)個(gè)群體極值Gb的改進(jìn)如下:將所有的個(gè)體極值進(jìn)行排序,然后從其中挑選出最好的K個(gè)個(gè)體Pb1′,Pb2′,,,Pbk′,用這K個(gè)個(gè)體的加權(quán)平均值表示Gb′，則其中t表示運(yùn)行到第t代,i表示挑選出的第i個(gè)粒子,ai滿足自適應(yīng)調(diào)整的差分進(jìn)化算法中，在傳統(tǒng)差分進(jìn)化算法中加入了自適應(yīng)算子λ，在迭代過程中改變變異算子，通過逐步降低的方式，使種群在初期保持個(gè)體多樣性，避免早熟，在后期保留優(yōu)良信息，避免最優(yōu)解遭到破壞，增加搜索到全局最優(yōu)解的概率：式中：F0為變異算子；Gm為最大進(jìn)化代數(shù)：G為當(dāng)前進(jìn)化代數(shù)。通過上述方法中的一種，最終求解出xp的最優(yōu)近似解，并依據(jù)權(quán)重得到最終的微調(diào)矩陣Yp，即：Yp＝Kernel(xp,πp)；對(duì)所有病癥單獨(dú)計(jì)算一次Yp；最后，利用該微調(diào)矩陣對(duì)康復(fù)視頻與癥狀描述信息的關(guān)聯(lián)矩陣R進(jìn)行更新，即：R′則為更新后的關(guān)聯(lián)矩陣。到此，健康信息交互平臺(tái)的初期運(yùn)行階段完成。如圖3所示，初期運(yùn)行一段時(shí)間后，在用戶數(shù)據(jù)庫(kù)3收集到足夠多的用戶數(shù)據(jù)后，健康信息交互平臺(tái)開始進(jìn)入中期運(yùn)行階段。首先，用戶通過客戶端將調(diào)查問卷的答案即癥狀數(shù)據(jù)通過輸入組件7輸入到第一處理器12中，第一處理器12將這些癥狀數(shù)據(jù)通過網(wǎng)絡(luò)收發(fā)組件11傳遞到云端服務(wù)器中。云端服務(wù)器中的無線通信組件5接收癥狀數(shù)據(jù)并將癥狀數(shù)據(jù)傳遞至第二處理器6。第二處理器6中運(yùn)用決策樹模型，將用戶數(shù)據(jù)庫(kù)3在初期運(yùn)行中收集到的用戶癥狀數(shù)據(jù)和用戶健康狀況數(shù)據(jù)分別作為決策樹模型的輸入數(shù)據(jù)和類別數(shù)據(jù)，對(duì)調(diào)查問卷中的問題行分類，將這些問卷問題的數(shù)據(jù)處理為十進(jìn)制數(shù)，即將每個(gè)問題中的所有選項(xiàng)都看作0或1的二元值，當(dāng)選項(xiàng)被選中時(shí)，則取1，否則取0；然后將這些值連成一組二進(jìn)制串，采用進(jìn)制轉(zhuǎn)換方法將二進(jìn)制轉(zhuǎn)化為十進(jìn)制數(shù)(針對(duì)單選問題的特征取值為離散型{21,22,…,2n-1，n為該問題所對(duì)應(yīng)的選項(xiàng)數(shù)目}；針對(duì)多選問題則特征取值為連續(xù)型{12n-1-1，n為該問題所對(duì)應(yīng)的選項(xiàng)數(shù)目})，采用CART算法構(gòu)建決策樹模型。將問卷調(diào)查中的問題數(shù)據(jù)經(jīng)過預(yù)處理，將每個(gè)問題中的所有選項(xiàng)都看作0或1的二元值，當(dāng)選項(xiàng)被選中時(shí)，則取1，否則取0；然后將這些值連成一個(gè)二進(jìn)制串，采用進(jìn)制轉(zhuǎn)換方法將二進(jìn)制轉(zhuǎn)化為十進(jìn)制數(shù)；形成特征集，特征集具體可以表示為：{Feature1，F(xiàn)eature2，F(xiàn)eature3，F(xiàn)eature4，F(xiàn)eature5，F(xiàn)eature6，F(xiàn)eature7，F(xiàn)eature8，F(xiàn)eature9}經(jīng)過轉(zhuǎn)化計(jì)算可以知道各特征集的具體取值情況如下表所示：表5根據(jù)決策樹模型設(shè)置，類別集為{Level1,Level2,Level3}，對(duì)應(yīng)的取值可設(shè)置為{1，2，3}。通過決策樹模型對(duì)用戶從客戶端輸入的信息進(jìn)行分類，并通過分類結(jié)果判斷是否需要對(duì)用戶進(jìn)行方案推送。如果是Level1或Level2則證明需要進(jìn)行康復(fù)訓(xùn)練治療，否則無須推薦(請(qǐng)參考評(píng)估表，明確說明了第一二級(jí)說明癥狀明顯，第三級(jí)說明身體比較健康，無須進(jìn)行康復(fù)訓(xùn)練)。如果判斷的結(jié)果是不需要推送，則會(huì)由云端服務(wù)器向客戶端發(fā)送不滿足條件信息：您很健康不需要推送方案治療。如果判斷結(jié)果為需要推送方案，則決策樹模型的輸出結(jié)果會(huì)被直接送到設(shè)置在驗(yàn)證組件1中的BP神經(jīng)網(wǎng)絡(luò)模型中。用戶通過客戶端訪問云端服務(wù)器，能夠在顯示屏9上看到經(jīng)過決策樹模型判斷出的自己的健康狀況。進(jìn)而根據(jù)顯示屏9上的提示進(jìn)行下面的操作。驗(yàn)證組件1中的BP神經(jīng)網(wǎng)絡(luò)在后臺(tái)將初期運(yùn)行階段所收集到的數(shù)據(jù)進(jìn)行訓(xùn)練和學(xué)習(xí)，得到相應(yīng)的BP神經(jīng)網(wǎng)絡(luò)參數(shù)保存在云端。當(dāng)有用戶進(jìn)行定制方案時(shí)，保存在云端的模型將根據(jù)用戶提交的待康復(fù)數(shù)據(jù)輸出對(duì)應(yīng)的康復(fù)視頻組合；與此同時(shí)后臺(tái)程序?qū)⒋舜螖?shù)據(jù)更新之前的BP神經(jīng)網(wǎng)絡(luò)參數(shù)。在整個(gè)模型訓(xùn)練過程中，網(wǎng)絡(luò)輸入為用戶癥狀數(shù)據(jù)(二進(jìn)制編碼字符串)，期望輸出為醫(yī)生對(duì)經(jīng)過視頻參數(shù)表進(jìn)行0-1規(guī)劃模型計(jì)算后所得到治療視頻數(shù)據(jù)進(jìn)行修正后的視頻輸出數(shù)據(jù)。對(duì)初期階段所得到的視頻方案進(jìn)行修正后的數(shù)據(jù)(二元決策向量形式)，網(wǎng)絡(luò)設(shè)置為雙隱層結(jié)構(gòu)，并采用梯度下降算法進(jìn)行學(xué)習(xí)。BP神經(jīng)網(wǎng)絡(luò)模型的具體計(jì)算如下：步驟一：初始化網(wǎng)絡(luò):由通過決策樹模型和支持向量機(jī)模型傳遞過來的用戶數(shù)據(jù)組成神經(jīng)網(wǎng)絡(luò)的輸入，將這些輸入數(shù)據(jù)處理成二進(jìn)制數(shù)據(jù)，神經(jīng)網(wǎng)絡(luò)的輸入輸出組成了一個(gè)序列,表示為(x,y),根據(jù)此序列,我們能夠確定出網(wǎng)絡(luò)的輸入層、隱含層和輸出層節(jié)點(diǎn)個(gè)數(shù),分別為n個(gè)節(jié)點(diǎn)、l個(gè)節(jié)點(diǎn)、m個(gè)節(jié)點(diǎn)。然后,初始化連接權(quán)值和閾值,設(shè)輸入層、隱含層神經(jīng)元之間的連接權(quán)值為wij,隱含層和輸出層神經(jīng)元之間的連接權(quán)值為wjk,隱含層和輸出層的閾值分別為a和b。最后,給出神經(jīng)網(wǎng)絡(luò)的神經(jīng)元激勵(lì)函數(shù)f(X)以及學(xué)習(xí)速率η。步驟二：計(jì)算隱含層的輸出：根據(jù)網(wǎng)絡(luò)的輸入變量X,輸入層與隱含層之間的連接權(quán)值wij,以及隱含層的閾值a,可以得出隱含層的輸出H：上式中f為隱含層的激勵(lì)函數(shù)；l為隱含層的節(jié)點(diǎn)個(gè)數(shù)。激勵(lì)函數(shù)為：步驟三：計(jì)算輸出層的輸出：根據(jù)步驟二計(jì)算出隱含層的輸出，聯(lián)系隱含層與輸出層的連接權(quán)值wjk以及輸出層閾值b,可以得出BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)輸出0:步驟四：計(jì)算誤差:根據(jù)網(wǎng)絡(luò)的期望輸出Y以及步驟三得出的網(wǎng)絡(luò)預(yù)測(cè)輸出O,能夠計(jì)算網(wǎng)絡(luò)的預(yù)測(cè)誤差e:ek＝Y(jié)k-Okk＝1,2,…,m步驟五：更新權(quán)值:根據(jù)神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)誤差e對(duì)網(wǎng)絡(luò)的連接權(quán)值wij和wjk進(jìn)行更新：wjk＝wjk+ηHjekj＝1,2,…,l；k＝1,2,…,m其中,η為神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)速率。步驟六：更新閾值:根據(jù)網(wǎng)絡(luò)的預(yù)測(cè)誤差e再對(duì)網(wǎng)絡(luò)隱含層和輸出層的閾值a、b進(jìn)行更新:bk＝bk+ekk＝1,2,…,m步驟七：判斷是否滿足算法迭代結(jié)束條件,若不滿足,則返回步驟二。BP神經(jīng)網(wǎng)絡(luò)模型得到的BP計(jì)算結(jié)果即為第二推送數(shù)據(jù)，第二推送數(shù)據(jù)與第二存儲(chǔ)器2中的視頻方案對(duì)應(yīng)，第二處理器6將視頻方案發(fā)送給客戶端或者將存儲(chǔ)視頻方案的位置數(shù)據(jù)發(fā)送給客戶端，由客戶端進(jìn)行獲取。為了提高BP神經(jīng)網(wǎng)絡(luò)的收斂速度，在步驟五后采用二階梯度法：w(t+1)＝w(t)-η[▽2E(t)]-1▽E(t)其中：雖然二階梯度法具有比較好的收斂性，但需要計(jì)算E對(duì)w的二階導(dǎo)數(shù)，計(jì)算量很大。一般不直接采用二階梯度法，而采用變尺度法或共軛梯度法，它們具有如二階梯度法收斂快的優(yōu)點(diǎn)，而又無需直接計(jì)算二階梯度。其中，變尺度算法：w(t+1)＝w(t)+μH(t)D(t)Δw(t)＝w(t)-w(t-1)ΔD(t)＝D(t)-D(t-1)設(shè)置在第二處理器6中的支持向量機(jī)模型采用常見的二分類支持向量機(jī)模型,將客戶使用視頻后的反饋數(shù)據(jù)集合：{接受治療后的疼痛感，功能改善程度}作為已知的訓(xùn)練集。步驟一：設(shè)已知訓(xùn)練集:T＝{(x1,y1),…,(xl,yl)}∈(X×Y)l其中,xi∈X∈Rn，yi∈Y＝{1，-1}(i＝1，2，...，l)；xi為特征向量。步驟二：選擇適當(dāng)?shù)暮撕瘮?shù)尤K(x，x′)和適當(dāng)?shù)膮?shù)C,構(gòu)造并求解最優(yōu)化問題:得到最優(yōu)解:步驟三：選取α*的一個(gè)正分量并據(jù)此計(jì)算閾值:步驟四：構(gòu)造決策函數(shù):根據(jù)f(x)為1或-1,決定其類別歸屬。f(x)為1時(shí)表示用戶各部分機(jī)能已經(jīng)恢復(fù)正常，經(jīng)過神經(jīng)網(wǎng)絡(luò)，模型向用戶推送的視頻是準(zhǔn)確有用的，f(x)為-1時(shí)表示仍需參加下一階段的康復(fù)訓(xùn)練，此時(shí)將用戶反饋的{疼痛感：均值、方差，功能改善程度：均值、方差}輸入到支持向量機(jī)模型中，然后再由BP神經(jīng)網(wǎng)絡(luò)模型再次給客戶端輸出視頻數(shù)據(jù)，即對(duì)BP神經(jīng)網(wǎng)絡(luò)模型的計(jì)算進(jìn)行優(yōu)化。在支持向量機(jī)模型的不斷反饋中，會(huì)根據(jù)用戶的反饋數(shù)據(jù)將用戶輸入的癥狀和推送的視頻之間進(jìn)行不斷地修正，使后面神經(jīng)網(wǎng)絡(luò)模型在為用戶康復(fù)視頻組合時(shí)更加準(zhǔn)確。同時(shí)，修正數(shù)據(jù)針對(duì)用戶在進(jìn)行視頻康復(fù)訓(xùn)練時(shí)進(jìn)行跟蹤，能夠使用戶實(shí)現(xiàn)更迅速的康復(fù)效果(能夠根據(jù)用戶接受康復(fù)訓(xùn)練后的癥狀反應(yīng)調(diào)整后期推送方案，達(dá)到人性化的定制)。在健康信息交互平臺(tái)的后期運(yùn)行中主要是建立深度學(xué)習(xí)模型，增加中期機(jī)器學(xué)習(xí)階段的神經(jīng)網(wǎng)絡(luò)隱層節(jié)點(diǎn)數(shù)目，并將用戶反饋數(shù)據(jù)作為階段性治療的依據(jù)，直接構(gòu)建更大型的神經(jīng)網(wǎng)絡(luò)代替之前所有的模型。在本方案中，健康信息交互平臺(tái)，包括至少兩個(gè)階段的運(yùn)行流程，其中初期運(yùn)行階段在收集到1000～2000樣本量的待康復(fù)數(shù)據(jù)后進(jìn)入到中期運(yùn)行階段。中期運(yùn)行階段在運(yùn)行到5000～7000樣本量的待康復(fù)數(shù)據(jù)后進(jìn)入到后期運(yùn)行階段。一個(gè)完整的樣本量包括待康復(fù)數(shù)據(jù)從輸入健康信息交互平臺(tái)到用戶得到滿意的康復(fù)視頻組合即停止自然停止使用健康信息交互平臺(tái)這一完整過程內(nèi)所產(chǎn)生的所有數(shù)據(jù)。初期運(yùn)行階段一般包括AHP模型、SPV模型和規(guī)劃模型；中期運(yùn)行階段一般包括決策樹模型、BP神經(jīng)網(wǎng)絡(luò)模型和支持向量機(jī)模型。后期運(yùn)行階段將引入卷積神經(jīng)網(wǎng)絡(luò)建立深度學(xué)習(xí)系統(tǒng)。本實(shí)施例中使用的改進(jìn)的智能算法為差分進(jìn)化算法。其具體步驟如下：步驟一：初始化。采用差分進(jìn)化算法利用NP個(gè)維數(shù)為D的實(shí)數(shù)值參數(shù)向量作為每一代的種群，每個(gè)個(gè)體表示為：Xi,G(i＝1,2,...,NP)式中：i表示—個(gè)體在種群中的序列；G表示進(jìn)化代數(shù)；NP表示種群規(guī)模，在最小化過程中NP保持不變。假定對(duì)所有隨機(jī)初始化種群均符合均勻概率分布。設(shè)參數(shù)變量的界限為則：式中，rand[0,1]在[0,1]之間產(chǎn)生的均勻隨機(jī)數(shù)。步驟二：變異。對(duì)每個(gè)目標(biāo)向量Xi,G(i＝1,2,...,NP)，基本的差分進(jìn)化算法的變異向量如下產(chǎn)生：其中，隨機(jī)選擇的序號(hào)r1r2和r3互不相同，且r1r2和r3與目標(biāo)向量序號(hào)i也應(yīng)不同，所以必須滿足NP≥4。變異算子F∈[0,2]是一個(gè)實(shí)常數(shù)因數(shù)，控制變差變量的放大作用。因?yàn)樽儺愃阕尤?shí)常數(shù)，實(shí)施中變異算子較難確定，變異率太大，使算法搜索效率低下，求得全局最優(yōu)解精度低；變異率太小，種群多樣性降低，易出現(xiàn)“早熟”現(xiàn)象。因此加入如下的自適應(yīng)變異算子λ，根據(jù)算法搜索進(jìn)展情況，自適應(yīng)變異算子設(shè)計(jì)如下：式中：F0為變異算子；Gm為最大進(jìn)化代數(shù)：G為當(dāng)前進(jìn)化代數(shù)。在算法開始時(shí)自適應(yīng)變異算子為F0～2F0,具有較大值,在初期保持個(gè)體多樣性,避免早熟；隨著算法進(jìn)展變異算子逐步降低，到后期變異率接近F0,保留優(yōu)良信息，避免最優(yōu)解遭到破壞，增加搜索到全局最優(yōu)解的概率。步驟三：交叉。為了增加干擾參數(shù)向量的多樣性,引入交叉操作。則試驗(yàn)向量變?yōu)椋簎i,G+1＝(u1i,G+1,u2i,G+1,...,uDi,G+1)(i＝1,2,...NP；j＝1,3,...,D)式中：randb(j)產(chǎn)生[0,1]之間隨機(jī)數(shù)發(fā)生器的第j個(gè)估計(jì)值；rnb(i)∈1,2，...，D是一個(gè)隨機(jī)選擇的序列，用它來確保ui,G+1至少?gòu)腣i,G+1獲得一個(gè)參數(shù)；CR為交叉算子，取值范圍為[0,1]。為了保持群體的多樣性，設(shè)計(jì)了如下隨機(jī)范圍的交叉算子：p0＝rand(0,1)；步驟四：選擇。為決定試驗(yàn)向量ui,G+1是否會(huì)成為下一代中的成員，按照貪婪準(zhǔn)則將試驗(yàn)向量與當(dāng)前種群中的目標(biāo)向量Xi,G進(jìn)行比較。如果目標(biāo)函數(shù)要被最小化，那么具有較小目標(biāo)函數(shù)值的向量將在下一代種群中贏得一席地位。下一代中的所有個(gè)體都比當(dāng)前種群的對(duì)應(yīng)個(gè)體更佳或者至少一樣好。步驟五：邊界條件的處理。在有邊界約束的問題中，確保產(chǎn)生新個(gè)體的參數(shù)值位于問題的可行域中是必要的，一個(gè)簡(jiǎn)單方法是將不符合邊界約束的新個(gè)體用在可行域中隨機(jī)產(chǎn)生的參數(shù)向量代替。即：若或那么：試驗(yàn)例：為了方便比較，選用實(shí)施例的健康信息交互平臺(tái)(本例)和現(xiàn)有的健康信息交互平臺(tái)(對(duì)比例)來進(jìn)行試驗(yàn)，兩個(gè)健康信息交互平臺(tái)的新舊程度和制作材料均相同。首先，選取兩組年齡、性別和病癥情況均相同的兩組組員，分別同時(shí)用本實(shí)施例中的健康信息交互平臺(tái)(本例)和現(xiàn)有的健康信息交互平臺(tái)(對(duì)比例)每隔一天在相同時(shí)段進(jìn)行一次使用。為了方便對(duì)比，每個(gè)年齡段和病癥情況相同的用戶分別采取男性和女性兩種性別的人進(jìn)行對(duì)比使用。表6中記錄了每個(gè)組員在輸入待康復(fù)數(shù)據(jù)完畢后到接收到推送康復(fù)視頻組合的響應(yīng)時(shí)間。表6表5中的單位為秒，其中測(cè)試第一次的響應(yīng)時(shí)間為完全沒有待康復(fù)數(shù)據(jù)時(shí)的健康信息交互平臺(tái)。從上表可以看出，每個(gè)年齡段的人在同樣時(shí)間段的響應(yīng)時(shí)間20歲和30歲的人的響應(yīng)時(shí)間最短，這和這兩個(gè)年齡的人的熟練的操作有關(guān)。且同一小組中同樣年齡段和相同病癥情況的男性和女性的響應(yīng)時(shí)間差別不大。對(duì)于每一行的中，同樣病癥情況同樣年齡段和同樣性別的兩組組員中，使用安裝有本實(shí)施例中的健康信息交互平臺(tái)的組員，在首次使用的時(shí)候(沒有自身帶康復(fù)數(shù)據(jù)存儲(chǔ)的情況)就具有較短的響應(yīng)時(shí)間，而且使用本實(shí)施例的健康信息交互平臺(tái)能夠隨著使用次數(shù)的增加而更加縮短響應(yīng)時(shí)間，而使用現(xiàn)有的健康信息交互平臺(tái)的哪一組組員，雖然響應(yīng)時(shí)間也隨著使用次數(shù)的增多而逐漸縮短，但是對(duì)應(yīng)時(shí)間段的響應(yīng)時(shí)間均長(zhǎng)于另一組組員。充分說明了本實(shí)施例中健康信息交互平臺(tái)能夠在沒有待康復(fù)數(shù)據(jù)的情況下仍然能夠進(jìn)行正常使用，即本實(shí)施例中的健康信息交互平臺(tái)不依賴于待康復(fù)數(shù)據(jù)。同時(shí)也說明了隨著用戶使用過程中不斷輸入的待康復(fù)數(shù)據(jù)，機(jī)器學(xué)習(xí)系統(tǒng)能夠不斷進(jìn)行學(xué)習(xí)優(yōu)化，提高計(jì)算速度，使整個(gè)健康信息交互平臺(tái)快速地將適合用戶的方案推送給用戶。然后，使每組組員根據(jù)表6中第四次得到的推送方案進(jìn)行為期六個(gè)月的康復(fù)訓(xùn)練，并在第三月、第四月、第五月和第六月時(shí)，分別對(duì)每個(gè)組員的康復(fù)效果進(jìn)行評(píng)價(jià)。評(píng)價(jià)標(biāo)準(zhǔn)為去相同醫(yī)院的完成相同標(biāo)準(zhǔn)的體檢，表7為根據(jù)體檢結(jié)果進(jìn)行的結(jié)果統(tǒng)計(jì)，其中100表示完全康復(fù)，0表示完全沒康復(fù)，即推送方案完全沒起到作用。表7從上表可以看出，每個(gè)年齡段的人在同樣時(shí)間段的康復(fù)速度不同，其中10歲、20歲和30歲的人的康復(fù)速度較快，這和這三個(gè)年齡的人的身體素質(zhì)有關(guān)。而同一小組中同樣年齡段和相同病癥情況的男性和女性的康復(fù)速度差別不大。對(duì)于每一行的中，同樣病癥情況同樣年齡段和同樣性別的兩組組員中，使用本實(shí)施例中的健康信息交互平臺(tái)在每一個(gè)體檢月中體檢結(jié)果都好于另一組組員的體檢結(jié)果，充分說明了使用本實(shí)施例的健康信息交互平臺(tái)推送的方案更加適合用戶，推送康復(fù)視頻組合的精準(zhǔn)度更高，產(chǎn)生的效果更好，本實(shí)施例中的健康信息交互平臺(tái)通過相同的待康復(fù)數(shù)據(jù)取得的康復(fù)效果更好。以上所述的僅是本發(fā)明的實(shí)施例，方案中公知的具體結(jié)構(gòu)及特性等常識(shí)在此未作過多描述，所屬領(lǐng)域普通技術(shù)人員知曉申請(qǐng)日或者優(yōu)先權(quán)日之前發(fā)明所屬
技術(shù)領(lǐng)域：
所有的普通技術(shù)知識(shí)，能夠獲知該領(lǐng)域中所有的現(xiàn)有技術(shù)，并且具有應(yīng)用該日期之前常規(guī)實(shí)驗(yàn)手段的能力，所屬領(lǐng)域普通技術(shù)人員可以在本申請(qǐng)給出的啟示下，結(jié)合自身能力完善并實(shí)施本方案，一些典型的公知結(jié)構(gòu)或者公知方法不應(yīng)當(dāng)成為所屬領(lǐng)域普通技術(shù)人員實(shí)施本申請(qǐng)的障礙。應(yīng)當(dāng)指出，對(duì)于本領(lǐng)域的技術(shù)人員來說，在不脫離本發(fā)明結(jié)構(gòu)的前提下，還可以作出若干變形和改進(jìn)，這些也應(yīng)該視為本發(fā)明的保護(hù)范圍，這些都不會(huì)影響本發(fā)明實(shí)施的效果和專利的實(shí)用性。本申請(qǐng)要求的保護(hù)范圍應(yīng)當(dāng)以其權(quán)利要求的內(nèi)容為準(zhǔn)，說明書中的具體實(shí)施方式等記載可以用于解釋權(quán)利要求的內(nèi)容。當(dāng)前第1頁(yè)1 2 3