[發明專利]基于深度置信網絡模型的糖尿病指標預測方法及其系統

在審

• 申請號: 201811016543.7
• 申請日: 2018-09-03
• 公開（公告）號: CN109171756A
• 公開（公告）日: 2019-01-11
• 發明（設計）人: 陳龍;鐘嘉泳;顧煒
• 申請（專利權）人: 廣州普麥健康咨詢有限公司
• 主分類號: A61B5/145
• 分類號: A61B5/145;A61B5/0205;A61B5/01;A61B5/04;A61B5/11
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于深度置信網絡模型的糖尿病指標預測方法，其特征在于，包括：

采集預設機體的心電波在第一預設時間段內若干個第一時間點的心率信號數據、體溫數據、皮膚電信號數據、皮膚水分數值數據、身體姿勢信息數據的數據；

對每一第一時間點的心電波的數據和該第一時間點的所述心率信號數據、體溫數據、皮膚電信號數據、皮膚水分數值數據、身體姿勢信息數據的數據進行相關性分析，將相關性系數大于預設值的所述心率信號數據、所述體溫數據、所述皮膚電信號數據、所述皮膚水分數值數據、所述身體姿勢信息數據的數據作為該第一時間點的糖尿病指標的關鍵因素；

將每一第一時間點的所述心率信號數據、所述體溫數據、所述皮膚電信號數據、所述皮膚水分數值數據、所述身體姿勢信息數據的數據、該糖尿病指標的關鍵因素及該心電波的數據的采集數據形成該第一時間點的數據集，將各個第一時間點的數據集形成數據庫；

建立深度置信網絡模型，將所述數據庫中多個第一時間點的數據集輸入所述深度置信網絡模型，并對所述深度置信網絡模型進行訓練；

利用訓練完成的深度置信網絡模型預測所述預設機體在第一預設時間段內第一時間點的血液粘度、血糖和糖化血紅蛋白值的預測數據。

2.根據權利要求1所述的基于深度置信網絡模型的糖尿病指標預測方法，其特征在于，所述深度置信網絡模型包括一個輸入層、一個輸出層及設置在所述輸入層和所述輸出層之間的多個隱含層，各個隱含層和所述輸入層中的任意兩相鄰層形成一個受限玻爾茲曼機，所述輸出層與相鄰的隱含層形成一個BP神經網絡模塊；每一層設置有預設數量的節點，且相鄰層之間設置有連接權重矩陣。

3.根據權利要求2所述的基于深度置信網絡模型的糖尿病指標預測方法，其特征在于，所述對所述深度置信網絡模型進行訓練，包括：

在所述深度置信網絡模型的每一受限玻爾茲曼機中建立一訓練目標函數，所述訓練目標函數的變量為該受限玻爾茲曼機中每一節點的狀態值、偏置值和該受限玻爾茲曼機中兩層之間的連接權重矩陣，所述訓練目標函數的訓練目標是該受限玻爾茲曼機能量值最小；

利用最大似然估計算法計算該受限玻爾茲曼機中的可選連接權重矩陣和每一節點的可選偏置值；

利用對比散列度算法進行尋優計算，在所述可選連接權重矩陣和每一節點的可選偏置值中篩選出最優連接權重矩陣和每一節點的最優偏置值。

4.根據權利要求2所述的基于深度置信網絡模型的糖尿病指標預測方法，其特征在于，在所述利用訓練完成的深度置信網絡模型預測所述預設機體在第一預設時間段內第一時間點的血液粘度、血糖和糖化血紅蛋白值的預測數據之前，還包括：

利用反向傳播算法計算所述深度置信網絡模型中每一節點的偏置值的誤差和每一連接權重矩陣的誤差；

利用得到的誤差對所述深度置信網絡模型每一節點的偏置值及每一連接權重矩陣進行修正。

5.根據權利要求2所述的基于深度置信網絡模型的糖尿病指標預測方法，其特征在于，采用下式確定所述輸入層的節點數量：

N1＝m1×m2；

其中，N1為輸入層的節點數量，m1為第一時間點的個數，m2為每一第一時間點的第一時間點的糖尿病指標的關鍵因素的個數之和。

6.根據權利要求2所述的基于深度置信網絡模型的糖尿病指標預測方法，其特征在于，采用下式確定每一隱含層的節點數量：

N2＝N1+N3+a1；

其中，N2為每一隱含層的節點數量，N1為所述輸入層的節點數量，N3為所述輸出層的節點數量，a1為大于等于0且小于等于10的整數。

7.根據權利要求2所述的基于深度置信網絡模型的糖尿病指標預測方法，其特征在于，所述輸出層為softmax函數，所述softmax函數公式為

其中輸出層數據公式為：

y_pred＝argmax_mP(Y＝m|x，W,b) (2)；

其中W為softmax層的權值矩陣，b為softmax層的偏置，Y為每個概率對應的標識標簽，y_pred表示最大概率對應的輸出層數據。