一种基于增量式神经网络模型的冠心病预测方法和预测系统技术方案

本发明专利技术公开了一种基于增量式神经网络模型的冠心病预测方法，包括如下步骤：建立冠心病日常数据数据库；对神经网络模型进行训练；采集日常生活数据发送至服务器，保存至用户日常数据记录表中；从用户日常数据记录表中提取当日数据，形成n维向量，做归一化处理后输入冠心病病理神经网络模型中进行冠心病概率预测；智能家庭冠心病护理设备判断冠心病概率值是否大于0.5；当用户判定为得了冠心病时，用户自行去医院检查，并将检查结果通过智能家庭冠心病护理设备传送回服务器，服务器判断检查结果是否正确；当检查结果错误时执行增量式算法，对神经网络模型进行动态修正。本发明专利技术预测准确，针对每个用户量身定做神经网络模型。

【技术实现步骤摘要】

本专利技术属于医疗
，特别是涉及一种基于增量式神经网络模型的冠心病预测方法和预测系统。
技术介绍
当前国内各健康管理系统均设置冠心病预测评价，其使用的预测方式为数据匹配。其原理是将个人生活数据输入系统由系统匹配固定数据然后得出患病几率。但由于人体和疾病的复杂性、不可预测性，在生物信号与信息的表现形式上、变化规律(自身变化与医学干预后变化)上，对其进行检测与信号表达，获取的数据及信息的分析、决策等诸多方面都存在非常复杂的非线性联系。所以使用传统的数据匹配只能是盲目的数据筛查，无法判断数据与数据之间的逻辑关联以及变量，得到的值域偏差大，造成系统预测的特异性十分差，所以目前的国内健康管理系统无法有效对个人的冠心病进行准确预测。此前大部分对冠心病预测都是使用BP神经网络模型，但是当新的检测数据产生的时候，都必须再次训练神经网络模型，运算效率极低。而且当系统用户规模增加后，服务器将无法及时完成训练任务。
技术实现思路
本专利技术的目的就在于克服现有技术的不足，提供了一种基于增量式神经网络模型的冠心病预测方法和预测系统，本专利技术通过神经网络模型训练预测大量医院患者病理数据，找到冠心病病理与冠心病早期生活细节变化、临床症状、检测标准值、高危人群特征，这几项病因之间的逻辑关联和变量，最终形成对冠心病患病几率准确预测的冠心病病理神经网络模型，本专利技术通过采集用户日常生活数据，主动分析其数据的周期性、规律性最终通过冠心病病理神经网络模型预测用户的患冠心病概率，以视觉效果的方式提醒用户即时就医，当神经网络模型预测不准确时通过增量式算法不断修正神经网络模型，以针对每个设备用户建立训练出针对该用户的神经网络模型，随着使用时间的增加，以建立对该用户量身定做的神经网络模型，准确率被大幅提高。为了实现上述目的，本专利技术提供了一种基于增量式神经网络模型的冠心病预测方法，包括如下步骤：步骤(1)、获取医院冠心病病因病理数据源与病人日常监控数据，从而建立冠心病日常数据数据库；步骤(2)、根据步骤(1)建立的冠心病日常数据数据库以离线的方式对神经网络模型进行训练，以得到训练好的冠心病病理神经网络模型；步骤(3)、通过智能监控设备对用户的日常生活数据进行采集，并将采集的日常生活数据发送至服务器，服务器将用户的日常生活数据保存至用户日常数据记录表中；步骤(4)、从用户日常数据记录表中提取当日数据，形成n维向量，并对n维向量做归一化处理后输入步骤(2)中训练好的冠心病病理神经网络模型中进行冠心病概率预测，得到冠心病概率，服务器将冠心病概率传送给智能家庭冠心病护理设备；步骤(5)、智能家庭冠心病护理设备接收服务器传送的冠心病概率后，判断冠心病概率值是否大于0.5，如果大于0.5，则判定为该用户得了冠心病，警示器警示以提醒用户，如果小于0.5，则判定为该用户没有得冠心病；步骤(6)、当用户判定为得了冠心病时，用户自行去医院检查，并将检查结果通过智能家庭冠心病护理设备传送回服务器，服务器判断检查结果是否正确，如果检查结果错误，则说明冠心病病理神经网络模型预测不准确，如果检查结果正确，则说明冠心病病理神经网络模型预测准确；步骤(7)、当检查结果错误时，从用户日常数据记录表中抽取m天内的记录保存至增量数据表中，当增量数据表中的记录数量大于h条时，执行增量式算法，对冠心病病理神经网络模型进行动态修正；步骤(8)、重复步骤(3)～(7)。进一步地，神经网络模型的输入层为n个节点，隐含层个数为n*2+1，输出层为1个节点，从冠心病日常数据数据库表中提取k条记录进行训练，每条记录是一个n维向量，所有数据在使用前先经归一化处理，使其数值在[0,1]区间,然后执行如下步骤对神经网络模型进行训练：1)输入一个n维向量到神经网络模型，计算神经网络模型中所有的权向量到该输入n维向量的距离，距离最近的神经元即为获胜神经元，其计算公式如下：其中：Wk是获胜神经元的权向量,||...||为欧几里得距离；2)调整获胜神经元和获胜神经元领域内的神经元的权向量，公式如下：其中：Wj(t)是神经元；Wj(t+1)是调整前和调整后的权向量；j属于获胜神经元领域；α(t)是学习率，它是随着迭代次数的增加逐渐递减的函数，取值范围为[01]，经过多次实验选取最佳学习率为0.62；Dj是神经元j与获胜神经元的距离；σ(t)是随着时间递减的函数；每一次迭代都将所有输入n维向量输入到神经网络模型中进行训练，当达到规定的迭代次数后，神经网络模型训练结束。进一步地，智能家庭冠心病护理设备将检查结果传送回服务器的结果信息的格式为：{检查是否正确，血糖值本文档来自技高网...

【技术保护点】
一种基于增量式神经网络模型的冠心病预测方法，其特征在于，包括如下步骤：步骤(1)、获取医院冠心病治病病因病理数据源与病人日常监控数据，从而建立冠心病日常数据数据库；步骤(2)、根据步骤(1)建立的冠心病日常数据数据库以离线的方式对神经网络模型进行训练，以得到训练好的冠心病病理神经网络模型；步骤(3)、通过智能监控设备对用户的日常生活数据进行采集，并将采集的日常生活数据发送至服务器，服务器将用户的日常生活数据保存至用户日常数据记录表中；步骤(4)、从用户日常数据记录表中提取当日数据，形成n维向量，并对n维向量做归一化处理后输入步骤(2)中训练好的冠心病病理神经网络模型中进行冠心病概率预测，得到冠心病概率，服务器将冠心病概率传送给智能家庭冠心病护理设备；步骤(5)、智能家庭冠心病护理设备接收服务器传送的冠心病概率后，判断冠心病概率值是否大于0.5，如果大于0.5，则判定为该用户得了冠心病，警示器警示以提醒用户，如果小于0.5，则判定为该用户没有得冠心病；步骤(6)、当用户判定为得了冠心病时，用户自行去医院检查，并将检查结果通过智能家庭冠心病护理设备传送回服务器，服务器判断检查结果是否正确，如果检查结果错误，则说明冠心病病理神经网络模型预测不准确，如果检查结果正确，则说明冠心病病理神经网络模型预测准确；步骤(7)、当检查结果错误时，从用户日常数据记录表中抽取m天内的记录保存至增量数据表中，当增量数据表中的记录数量大于h条时，执行增量式算法，对冠心病病理神经网络模型进行动态修正；步骤(8)、重复步骤(3)～(7)。...

【技术特征摘要】
1.一种基于增量式神经网络模型的冠心病预测方法，其特征在于，包括如下步骤：步骤(1)、获取医院冠心病治病病因病理数据源与病人日常监控数据，从而建立冠心病日常数据数据库；步骤(2)、根据步骤(1)建立的冠心病日常数据数据库以离线的方式对神经网络模型进行训练，以得到训练好的冠心病病理神经网络模型；步骤(3)、通过智能监控设备对用户的日常生活数据进行采集，并将采集的日常生活数据发送至服务器，服务器将用户的日常生活数据保存至用户日常数据记录表中；步骤(4)、从用户日常数据记录表中提取当日数据，形成n维向量，并对n维向量做归一化处理后输入步骤(2)中训练好的冠心病病理神经网络模型中进行冠心病概率预测，得到冠心病概率，服务器将冠心病概率传送给智能家庭冠心病护理设备；步骤(5)、智能家庭冠心病护理设备接收服务器传送的冠心病概率后，判断冠心病概率值是否大于0.5，如果大于0.5，则判定为该用户得了冠心病，警示器警示以提醒用户，如果小于0.5，则判定为该用户没有得冠心病；步骤(6)、当用户判定为得了冠心病时，用户自行去医院检查，并将检查结果通过智能家庭冠心病护理设备传送回服务器，服务器判断检查结果是否正确，如果检查结果错误，则说明冠心病病理神经网络模型预测不准确，如果检查结果正确，则说明冠心病病理神经网络模型预测准确；步骤(7)、当检查结果错误时，从用户日常数据记录表中抽取m天内的记录保存至增量数据表中，当增量数据表中的记录数...

【专利技术属性】
技术研发人员：杨滨，
申请(专利权)人：湖南老码信息科技有限责任公司，
类型：发明
国别省市：湖南;43