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)模型的高血壓預(yù)測(cè)方法和預(yù)測(cè)系統(tǒng)。

背景技術(shù)：

當(dāng)前國(guó)內(nèi)各健康管理系統(tǒng)均設(shè)置高血壓預(yù)測(cè)評(píng)價(jià)，其使用的預(yù)測(cè)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(cè)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(duì)其進(jìn)行檢測(cè)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(wú)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(cè)的特異性十分差，所以目前的國(guó)內(nèi)健康管理系統(tǒng)無(wú)法有效對(duì)個(gè)人的高血壓進(jìn)行準(zhǔn)確預(yù)測(cè)。

此前大部分對(duì)高血壓預(yù)測(cè)都是使用BP神經(jīng)網(wǎng)絡(luò)模型，但是當(dāng)新的檢測(cè)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(wú)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)模型的高血壓預(yù)測(cè)方法和預(yù)測(cè)系統(tǒng)，本發(fā)明通過(guò)神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練預(yù)測(cè)大量醫(yī)院患者病理數(shù)據(jù)，找到高血壓病理與高血壓早期生活細(xì)節(jié)變化、臨床癥狀、檢測(cè)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(duì)高血壓患病幾率準(zhǔn)確預(yù)測(cè)的高血壓病理神經(jīng)網(wǎng)絡(luò)模型，本發(fā)明通過(guò)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(guò)高血壓病理神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)用戶的患高血壓概率，以視覺(jué)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(cè)不準(zhǔn)確時(shí)通過(guò)增量式算法不斷修正神經(jīng)網(wǎng)絡(luò)模型，以針對(duì)每個(gè)設(shè)備用戶建立訓(xùn)練出針對(duì)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(duì)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)模型的高血壓預(yù)測(cè)方法，包括如下步驟：

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

步驟(2)、根據(jù)步驟(1)建立的高血壓日常數(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)練好的高血壓病理神經(jīng)網(wǎng)絡(luò)模型；

步驟(3)、通過(guò)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)練好的高血壓病理神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行高血壓危險(xiǎn)程度概率預(yù)測(cè)，得到高血壓概率結(jié)果數(shù)組P，服務(wù)器將數(shù)組P中最高概率對(duì)應(yīng)的高血壓危險(xiǎn)程度值W傳送給智能家庭高血壓護(hù)理設(shè)備；

步驟(5)、智能家庭高血壓護(hù)理設(shè)備接收服務(wù)器傳送的高血壓危險(xiǎn)程度值W后，判斷高血壓危險(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(guò)智能家庭高血壓護(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(shuō)明高血壓病理神經(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(shuō)明高血壓病理神經(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)高血壓病理神經(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)，從高血壓日常數(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(guò)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。

進(jìn)一步地，智能家庭高血壓護(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)際判斷的高血壓危險(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。

進(jìn)一步地，對(duì)高血壓病理神經(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(méi)有插入新的神經(jīng)元也沒(méi)有長(zhǎng)出新的子網(wǎng)，說(shuō)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。

進(jìn)一步地，在步驟(4)中，得到的高血壓概率結(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)高血壓危險(xiǎn)程度概率，把6個(gè)高血壓危險(xiǎn)程度概率中最高概率對(duì)應(yīng)的高血壓危險(xiǎn)程度值W傳送給智能家庭高血壓護(hù)理設(shè)備；在步驟(5)中，當(dāng)高血壓危險(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。

進(jìn)一步地，如果用戶通過(guò)其他方式包括體檢和自查，得知自己已患高血壓，而智能家庭高血壓護(hù)理設(shè)備的警示器沒(méi)有警示，則表示智能家庭高血壓護(hù)理設(shè)備判斷不準(zhǔn)確，此時(shí)執(zhí)行步驟(6)～(7)，智能家庭高血壓護(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高血壓預(yù)測(cè)方法的預(yù)測(cè)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)器和智能家庭高血壓護(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(guò)通訊裝置一與所述服務(wù)器網(wǎng)絡(luò)通訊，所述智能家庭高血壓護(hù)理設(shè)備通過(guò)通訊裝置二與所述服務(wù)器網(wǎng)絡(luò)通訊。

進(jìn)一步地，所述智能家庭高血壓護(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(guò)神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練預(yù)測(cè)大量醫(yī)院患者病理數(shù)據(jù)，找到高血壓病理與高血壓早期生活細(xì)節(jié)變化、臨床癥狀、檢測(cè)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(duì)高血壓患病幾率準(zhǔn)確預(yù)測(cè)的高血壓病理神經(jīng)網(wǎng)絡(luò)模型，本發(fā)明通過(guò)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(guò)高血壓病理神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)用戶的患高血壓危險(xiǎn)程度概率，以視覺(jué)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(cè)不準(zhǔn)確時(shí)通過(guò)增量式算法不斷修正神經(jīng)網(wǎng)絡(luò)模型，以針對(duì)每個(gè)設(shè)備用戶建立訓(xùn)練出針對(duì)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(duì)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(shuō)明

為了更清楚地說(shuō)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(duì)實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡(jiǎn)單地介紹，顯而易見(jiàn)地，下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來(lái)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(duì)發(fā)明進(jìn)一步說(shuō)明，但不用來(lái)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)模型的高血壓預(yù)測(cè)方法，包括如下步驟：

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

其中日常監(jiān)控?cái)?shù)據(jù)為12項(xiàng)數(shù)據(jù)，其12項(xiàng)數(shù)據(jù)為年齡，性別，心率，體脂，吸煙量(每日)，喝酒量(每日)，血壓，體重，睡眠時(shí)間及質(zhì)量，行走距離(每日)等12項(xiàng)數(shù)據(jù)，本發(fā)明以12項(xiàng)數(shù)據(jù)建立12維向量；

步驟(2)、根據(jù)步驟(1)建立的高血壓日常數(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)練好的高血壓病理神經(jīng)網(wǎng)絡(luò)模型；

步驟(3)、通過(guò)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)練好的高血壓病理神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行高血壓危險(xiǎn)程度概率預(yù)測(cè)，得到高血壓概率結(jié)果數(shù)組P，服務(wù)器將數(shù)組P中最高概率對(duì)應(yīng)的高血壓危險(xiǎn)程度值W傳送給智能家庭高血壓護(hù)理設(shè)備；

其中在步驟(4)中，得到的高血壓概率結(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)高血壓危險(xiǎn)程度概率，把6個(gè)高血壓危險(xiǎn)程度概率中最高概率對(duì)應(yīng)的高血壓危險(xiǎn)程度值W傳送給智能家庭高血壓護(hù)理設(shè)備。

步驟(5)、智能家庭高血壓護(hù)理設(shè)備接收服務(wù)器傳送的高血壓危險(xiǎn)程度值W后，判斷高血壓危險(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；

其中在步驟(5)中，當(dāng)高血壓危險(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。即本發(fā)明將高血壓危險(xiǎn)程度分成6個(gè)等級(jí)，更加準(zhǔn)確直觀。

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(guò)智能家庭高血壓護(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(shuō)明高血壓病理神經(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(shuō)明高血壓病理神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)準(zhǔn)確；

其中智能家庭高血壓護(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)際判斷的高血壓危險(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。

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(duì)高血壓病理神經(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12個(gè)節(jié)點(diǎn)，隱含層個(gè)數(shù)為25，輸出層為6個(gè)節(jié)點(diǎn)(即6個(gè)高血壓危險(xiǎn)程度概率)，從高血壓日常數(shù)據(jù)數(shù)據(jù)庫(kù)表中提取400000條記錄進(jìn)行訓(xùn)練，每條記錄是一個(gè)12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)12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12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(guò)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。

本發(fā)明的對(duì)高血壓病理神經(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(méi)有插入新的神經(jīng)元也沒(méi)有長(zhǎng)出新的子網(wǎng)，說(shuō)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。

如果用戶通過(guò)其他方式包括體檢和自查，得知自己已患高血壓，而智能家庭高血壓護(hù)理設(shè)備的警示器沒(méi)有警示，則表示智能家庭高血壓護(hù)理設(shè)備判斷不準(zhǔn)確，此時(shí)執(zhí)行步驟(6)～(7)，智能家庭高血壓護(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高血壓預(yù)測(cè)方法的預(yù)測(cè)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)器和智能家庭高血壓護(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(guò)通訊裝置一與所述服務(wù)器網(wǎng)絡(luò)通訊，所述智能家庭高血壓護(hù)理設(shè)備通過(guò)通訊裝置二與所述服務(wù)器網(wǎng)絡(luò)通訊。

本發(fā)明的所述智能家庭高血壓護(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(guò)神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練預(yù)測(cè)大量醫(yī)院患者病理數(shù)據(jù)，找到高血壓病理與高血壓早期生活細(xì)節(jié)變化、臨床癥狀、檢測(cè)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(duì)高血壓患病幾率準(zhǔn)確預(yù)測(cè)的高血壓病理神經(jīng)網(wǎng)絡(luò)模型，本發(fā)明通過(guò)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(guò)高血壓病理神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)用戶的患高血壓概率，以視覺(jué)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(guò)wifi自動(dòng)連接互聯(lián)網(wǎng)，并長(zhǎng)期保持在線。各種智能監(jiān)控設(shè)備都可以通過(guò)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，高血壓發(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(guò)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)高血壓的方法準(zhǔn)確率不高。本發(fā)明針對(duì)每個(gè)設(shè)備用戶建立訓(xùn)練出針對(duì)該用戶的神經(jīng)網(wǎng)絡(luò)模型，在運(yùn)行過(guò)一段時(shí)間后，將產(chǎn)生對(duì)該用戶量身定做神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)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)，智能家庭高血壓護(hù)理設(shè)備將錯(cuò)誤信息將反饋給服務(wù)器，針對(duì)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)明的智能家庭高血壓護(hù)理設(shè)備的判斷將會(huì)越來(lái)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(shuō)明書(shū)中描述的只是說(shuō)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(shū)及其等同物界定。