健康信息交互平台的制作方法

本发明涉及健康信息交互领域，具体涉及一种健康信息交互平台。
背景技术：
：近年来我国人口老龄化加速，并且随着时代的快速发展人们的生活节奏不断加快，生活压力不断增加，随之而来的是各种慢性疾病发病率的增长，这对人们的身心健康、社会的稳定与发展带来了严重的负面影响。为了能够方便快速地获取自身的健康信息状况并能够针对该健康信息状况在日常生活中进行调理，现在新开发出了一些针对健康管理的健康信息交互平台。因为要智能地判断不同的人的健康状况且还需要识别判断不断出现的新型疾病，这些信息交互平台内都设置有用来使信息交互平台更加智能的机器学习系统。众所周知，机器学习系统需要使用一定数据量作为基础才能不断地优化学习。而现有的健康信息交互平台都过分依赖于机器学习系统，使得现有的健康信息交互平台都需要录入一定的待康复数据后才能开始比较精确地运行。为了使现有的健康信息交互平台能够有比较精确的反馈效果，则在投入使用前必须先向该平台输入一定量的待康复数据进行模型训练。这不仅浪费健康信息交互平台的整体调试时间，且操作麻烦。更不利的是这种平台的精准度十分依赖待康复数据的整体质量，如果前期用来训练的待康复数据并不合适，则会使健康信息交互平台在具体投入使用时仍然精准度较低，换言之，该平台的使用受到作为训练使用的待康复数据的样本的极大限制。因此，现在急需研制出一种能够立即使用且不依赖于待康复数据样本的健康信息交互平台。技术实现要素：本发明意在提供一种能够直接使用，不依赖于待康复数据样本的健康信息交互平台。本方案中的健康信息交互平台，包括云端服务器和与云端服务器通过网络连接的多个客户端；所述客户端包括第一处理器以及分别与第一处理器连接的输入组件、显示屏和第一存储器；所述云端服务器包括第二处理器，以及分别与第二处理器连接的存储有多个康复视频组合的第二存储器、用来实时更新用户调查问卷及其答案的数据库、用来对用户输入的身份信息和调查问卷答案进行验证的验证组件；所述第一存储器中设有等级参考表；所述等级参考表约定与视频编号的关系；所述视频编号与存储在所述数据库中的康复视频组合一一对应。名称解释：康复视频：包括视频加上音频、图文的各种组合而成且以视频为主的用来进行康复指导的视频文件。康复视频组合即多个康复视频。用户调查问卷及答案：用来对用户进行数据采集的调查问卷，以及用户填写调查问卷后的答案。其中，用户填写的调查问卷的答案即待康复数据，待康复数据可以理解为用户在得到推送的视频之前的所有输入数据。等级参考表：根据用户输入的待康复数据，提取各种因素，将这些因素根据程度不同而分级，形成的每级因素与视频编号进行一一对应的关系表格。视频编号：每个康复视频用来进行唯一标识的编号。工作原理及有益效果：用户通过客户端，针对传入客户端内的调查问卷进行作答，用户回答的调查问卷的答案作为待康复数据通过输入组件输入到第一处理器中。第一处理器根据设置在第一存储器中的等级参考表，直接将待康复数据与等级参考表的各因素进行对应，分别获取与各因素对应的视频编号。客户端将从等级参考表中获取的视频编号发送至云端服务器，第二处理器根据视频编号将第二存储器内与这些视频编号一一对应的康复复视频组合发送至第一处理器，第一处理器将该康复视频组合传递给显示屏显示出来。本方案中的健康信息交互平台可以在不收集一定量的待康复数据时，即数据库中的累积的待康复数据为零时，仅凭第一存储器中的等级参考表就能够直接产生康复视频组合的结果，能够立即使用且不依赖于待康复数据的健康信息交互平台。进一步，所述第一处理器中设有用来判断输入组件输入信息的判断模块；所述判断模块内设置有AHP模型；AHP模型采用了两阶段法求解调查问卷各评估因素的相对权重；第一处理器根据各评估因素的权重值计算出用户的第一关联常数，第一处理器将设置在第一处理器中与第一关联常数对应的说明数据传递到显示屏。第一处理器中的判断模块对输入的待康复数据用AHP模型进行权重计算得出一个第一关联常数，第一处理器通过对比预先设置在第一处理器中的诸如健康或者不健康的说明数据与第一关联常数对应后将该说明数据传递到显示屏显示出来。用户通过显示屏显示出来的说明数据选择退出或者进行下一步操作，方便直接通过输入待康复数据来判断用户是否健康。进一步，验证组件中设有用来将视频编号与具体视频进行联系的验证模块；所述验证模块内设置有专家针对问卷调查表中各因素中的每个选项为康复视频组合对应设置的第二关联参数；以康复视频组合总数为随机变量数，通过专家给出的康复视频组合方案的标准组合数目作为模型约束条件，约束各康复视频组合之间的优先关系或关联关系，建立规划模型。云端服务器中的验证组件在收到从客户端传来的要求康复视频组合传送的请求时，将问卷调查表通过AHP模型得到的问卷调查数据与设置验证模块内针对每个康复视频组合的第二关联参数进行计算并得出适于推送的多个康复视频组合即康复训练方案组合。第二处理器将验证模块得到康复视频组合方案组合的数据传递个第二存储器，从第二存储器中提取对应的康复视频组合传递给客户端。进一步，所述第一处理器内还设有优化模块；所述优化模块内设有根据多种常见现象编制的医生指导意见数据；优化模块通过医生指导意见数据计算出对应的视频编号并以视频编号的调整量为变量计算出的视频组合和专家的最大治疗程度之差的绝对值为目标函数，采用改进的智能算法进行逐次迭代得到多组综合参数调整量，根据权重对调整量进行因素选项分配和熵处理，将康复视频组合对应的视频编号表进行调整优化。在客户端接收到从云端服务器中传递来的康复视频组合后，第一处理器中的优化模块通过预先设置在优化模块中的医生指导意见数据，采用改进的智能算法对康复视频组合相关的各类参数取值进行自动优化。进一步，所述第二处理器中设有筛选模块；所述筛选模块将数据库中实时更新的待康复数据作为设置在筛选模块中的决策树模型的输入数据和类别数据，对与这些待康复数据对应的调查问卷中的问题行分类，采用CART算法构建决策树模型；筛选模块针对从输入组件中输入的用户数据向第一处理器传递是否需要推送康复视频组合的判断结果。第二处理器中的筛选模块，根据数据库中实时更新的用户输入数据对从输入组件输入的问卷调查答案进行回归树分类，使筛选模块根据用户症状数据的的输入得出康复视频组合或者不康复视频组合的判断结果。进一步，所述验证组件中设置的学习模块通过BP神经网络将传递到数据库中的所有数据进行训练和学习，得到相应的BP神经网络参数保存在数据库中；在验证组件接收到康复视频组合的判断结果，学习模块根据输入组件输入的待康复数据和BP神经网络参数向第二处理器输出对应的推送康复视频组合的视频编号；与此同时后台程序将此次数据更新之前的BP神经网络参数。验证组件中的学习模块接收到筛选模块传送来的进行康复视频组合的结果，验证组件内的学习模块通过BP神经网络将存储在数据库中经过实时更新后得到的用户数据进行计算后得到BP神经网络参数。BP神经网络参数指的是能够决定BP神经网络拓扑结构的所有参数。当用户通过输入组件进行康复视频组合方案定制时，学习模块将验证组件在康复视频组合过程中加入BP神经网络参数，改变推送的康复视频组合的视频编号，优化推送的视频组合，同时将包含这次输入在内的BP神经网络的模型参数保存至数据库。第二处理器通过得到的视频组合对客户端进行视频推送。进一步，所述第二处理器中还设有修正模块；所述修正模块中设置有支持向量机模型，修正模块根据用户的反馈数据来判断是否重新进行视频推送，同时第二处理器根据用户的反馈数据实时更新康复视频组合与视频编号之间的关系；并将修正后的关联数据传递到数据库保存。在用户通过推送的康复视频组合进行操作后，用户通过输入组件输入针对推送的康复视频组合的反馈结果，其中用户通过填写关于康复视频组合操作后的问卷调查进行反馈。第二处理器中的修正模块通过反馈数据运动支持向量机模型，对康复视频组合的相关参数进行修正，并将修正后的关联参数更新到数据库中保存。进一步，健康信息交互平台的运行过程包括至少两个阶段，其中初期运行阶段在收集到1000～2000样本量的待康复数据后进入到中期运行阶段。本发明通过了两次视频推送时期，第一次视频推送主要是依据设置在第一存储器中的等级考数表来进行视频推送，通过这个过程有效积累了待康复数据(如用户输入数据、用户健康数据)，为后面进行机器学习，不断完善整个信息交互平台提供了前提。本发明通过问卷调查的形式来对用户的各种输入进行采集，对用户的输入具有导向性，使用户能够提供健康信息交互平台所需要的类型数据，提高用户输入信息的有效利用率。在第一次视频推送完成后，通过设置在第一处理器中的优化模块，能够自动通过改进的智能算法对与康复视频组合相关的各类参数取值进行优化，使健康信息交互平台具有初步学习能力，有效提高了了康复视频组合的精确度。在第二次视频推送的时候，数据库已经收集了一定的待康复数据。在收集的用户数据基础上依次通过回归树模型、BP神经网络和支持向量机模型对健康信息交互平台中与康复视频组合相关的参数进行调整完善，使整个平台在逐步运行中具有机器学习功能。能够根据用户数据的积累，使视频推送更加人性化、智能化，提高被康复视频组合的精准度。附图说明图1为本发明实施例的结构示意图。图2为本发明实施例的初期运行示意图。图3为本发明实施例的中期运行示意图。具体实施方式下面通过具体实施方式对本发明作进一步详细的说明：说明书附图中的附图标记包括：验证组件1、第二存储器2、数据库3、外部端口4、无线通信组件5、第二处理器6、输入组件7、视频解析组件8、显示屏9、第一存储器10、网络收发组件11、第一处理器12。如图1所示，健康信息交互平台包括云端服务器和与云端服务器通过网络连接的多个客户端；客户端包括第一处理器12、输入组件7、视频解析组件8、显示屏9、第一存储器10和网络收发组件11，输入组件7、视频解析组件8、显示屏9、第一存储器10和网络收发组件11通过数据总线与第一处理器12连接，第一处理器12控制客户端各组件的运行；网络收发组件11通过至少一种网络协议建立客户端与云端服务器的数据通信链路；输入组件7用于用户输入身份验证信息和调查问卷答案等信息；第一存储器10存储经由前述网络收发组件11接收的来自云端服务器的运动康复视频数据和调查待康复数据；视频解析组件8用于解析经由前述网络收发组件11接收的来自云端服务器的运动康复视频数据；显示屏9用于播放经解析后的运动康复视频数据。云端服务器包括存储有多个运动康复视频的第二存储器2、用来实时更新用户调查问卷答案的数据库、用来对用户输入的身份信息和调查问卷答案进行验证的验证组件1、无线通信组件5、外部端口4及第二处理器6；外部端口4、第二存储器2、数据库、验证组件1、无线通信组件5均与第二处理器6连接；外部端口4适于将云端服务器的第二存储器2和数据库直接或者通过网络间接耦接到其他设备；验证组件1用于验证经由无线通信组件5接收到的用户身份信息并向第二处理器6发送验证结果信号；第二处理器6响应于验证组件1发送的验证通过信号，控制数据库中的调查问卷经由无线通信组件5发送到前述客户端。用户通过输入组件7将针对调查问卷中的问题答案输入到第一处理器12中，第一处理器12将这些用户数据通过网络收发组件11发送至云端服务器。云端服务器的无线通信组件5接收到用户数据并将这些用户数据传递至第二处理器6。第二处理器6将这些用户数据传递至用户数据库3的同时将这些数据传递至验证组件1，验证组件1通过验证答案后发送信号给第二处理器6，使第二处理器6从第二存储器2中调取相应的视频数据，并将这些视频数据通过无线通信组件5传递至客户端。所述第二处理器中设有用来进行后期学习的后期学习模块，所述后期学习模块中设置的BP神经网络模型的节点数目比所述学习模块中的BP神经网络模型中的节点数多。通过后期学习模块中的多节点的BP神经网络的计算，能够更加优化康复视频组合相关的视频参数表，使健康信息交互平台的视频推送更加智能化。本发明通过了两次视频推送时期，第一次视频推送主要是依据设置在第一存储器中的等级考数表来进行视频推送，通过这个过程有效积累了待康复数据(如用户输入数据、用户健康数据)，为后面进行机器学习，不断完善整个信息交互平台提供了前提。本发明通过问卷调查的形式来对用户的各种输入进行采集，对用户的输入具有导向性，使用户能够提供健康信息交互平台所需要的类型数据，提高用户输入信息的有效利用率。在第一次视频推送完成后，通过设置在第一处理器中的优化模块，能够自动通过改进的智能算法对与康复视频组合相关的各类参数取值进行优化，使健康信息交互平台具有初步学习能力，有效提高了了康复视频组合的精确度。在第二次视频推送的时候，数据库已经收集了一定的待康复数据。在收集的用户数据基础上依次通过回归树模型、BP神经网络和支持向量机模型对健康信息交互平台中与康复视频组合相关的参数进行调整完善，使整个平台在逐步运行中具有机器学习功能。能够根据用户数据的积累，使视频推送更加人性化、智能化，提高被康复视频组合的精准度。如图2所示，在健康信息交互平台运行的初期，健康信息交互平台中并没有任何用户数据，通过用户在使用健康信息交互平台的过程中不断收集用户症状数据和对应的康复训练数据。首先，云端服务器将调查问卷发送至客户端，用户通过显示屏9阅读调查问卷并通过输入组件7将针对调查问卷的答案即用户症状数据输入到第一处理器12中。第一处理器12通过判断模块对该症状描述进行初步判断后将判断结果通过显示屏9呈现给用户，以便用户进行后续操作选择。在第一处理器12中使用AHP模型预先针对常规的用户现象输入进行了AHP赋权。采用了两阶段法求解各因素的相对权重：采用(0，1，2)三标度法对各参考因素进行两两比较后建立如表1比较矩阵。表1并计算各元素的重要性排序指数；第二阶段采用以下变换：Bi＝(考虑因素1，考虑因素2，考虑因素3，考虑因素4，考虑因素5，考虑因素6，考虑因素7，考虑因素8，考虑因素9)与Bj＝(考虑因素1，考虑因素2，考虑因素3，考虑因素4，考虑因素5，考虑因素6，考虑因素7，考虑因素8，考虑因素9)构成的比较矩阵转换成判断矩阵，并采用几何平均法计算最终的权重向量。其中，考虑因素可以是诸如疼痛原因、疼痛时长和疼痛等级等与症状检查相关的因素，而这些因素都会埋藏在调查问卷的问题中。用户通过回答调查问卷，以待康复数据的形式将包含这些因素的数据输入进来。基于已知元素Bi与Bj的重要性排序指数ri和rj来构造判断矩阵。C＝cij。判断矩阵系数cij表示元素Bi与Bj之间的重要程度，要求若表示cij＞1则表示Bi比Bj重要，Bi≥Bj。cij越大重要程度越高。若cij＜1则表示Bi比Bj重要，Bi≤Bj。cij＝1时，Bi＝Bj。为了提高判断矩阵的可靠性与一致性，假定所有元素对的相对重要程度是基于同一变换准则下给出的，设此变换准则为f(ri,rj)＝cij。通过判断矩阵，第一处理器12对输入的诊断数据进行计算并得出权重，并针对权重将设置在第一存储器10中的判断结果传递到显示屏9中，使用户了解此时的健康状况。在第一存储器10中使用SPA模型预先设置有医学专家对各问题因素选项分析后针对主要身体部位建立了三张如下的健康现象等级参考表。推荐方案的具体因素总共有九个，分别对对应的各种考虑因素。表2-1疼痛部位(腰部)现象严重现象一般健康说明考虑因素11,324数字代表选项代号考虑因素24,5,62,31数字代表选项代号考虑因素3321数字代表选项代号考虑因素43,421数字代表选项代号考虑因素542,31数字代表选项代号考虑因素6122数字代表选项代号考虑因素7122数字代表选项代号考虑因素8122数字代表选项代号考虑因素94,5,62,3,41数字代表选项个数表2-2疼痛部位(颈部)现象严重现象一般健康说明考虑因素11,324数字代表选项代号考虑因素24,5,62,31数字代表选项代号考虑因素3321数字代表选项代号考虑因素43,421数字代表选项代号考虑因素542,31数字代表选项代号考虑因素6122数字代表选项代号考虑因素7122数字代表选项代号考虑因素8122数字代表选项代号考虑因素94,52,31数字代表选项个数表2-3疼痛部位(肩部)现象严重现象一般健康说明考虑因素11,324数字代表选项代号考虑因素24,5,62,31数字代表选项代号考虑因素3321数字代表选项代号考虑因素43,421数字代表选项代号考虑因素542,31数字代表选项代号考虑因素6122数字代表选项代号考虑因素7122数字代表选项代号考虑因素8122数字代表选项代号考虑因素94,5,62,3,41数字代表选项个数表2-4数字123456选项ABCDEF表2-1至表2-3中，数字代表选项代号是指选的数字就是选项的代号即康复视频组合的编号。数字代表选项个数，是指数字限定选项的个数，比如选择了AB/AC/BD，都是2，ABC/BCD则都是3。表2-4中写明了评估表中的每一个答案选项的换算关系。根据健康症状等级参考表对用户健康状况分为三级，故SPA中的联系元为三元。根据用户提交的症状数据和健康症状等级参考表对该评估系统中的同、异、反进行加权计算，最终得到综合联系数，根据联系数系数的大小关系确定对应的健康症状。同系数对应为症状严重级，异系数对应症状一般级，反系数对应症状良好型(健康型)，计算出的联系数各系数中最大者即为用户的健康等级。第一处理器12从第一存储器10中调取该健康等级数据并将其传递到显示屏9上，使用户能直观地看到自己的健康状况。然后，客户端将用户输入的症状数据传递至云端服务器。第二处理器6接收从无线通信组件5传递来的用户症状数据，并将该数据同时传递至验证组件1验证和用户数据库3存储。验证组件1中设有规划模型。通过医学专家针对模型因素中的可能选项为视频设置相应治疗参数，即直接将各视频针对某一具体可能出现的症状(比如疼痛度0-3分)的治疗效果有多大，建立视频与影响方案推荐的各因素选项之间的关联。以视频为随机变量(视频总数为随机变量数，随机变量只能取0或1)量，各视频之间的优先关系或关联关系和专家给视频方案的标准组合数目作为模型约束条件建立规划模型，通过最大化治疗程度得到最终取值为1的随机变量，这些变量对应的视频即为最终的康复训练方案组合。验证组件1通过规划模型得到康复训练方案组合数据，并将该数据传递至第二处理器6，第二处理器6依据该数据调取预先存储在第二存储器2中的康复视频组合，并将该康复视频组合的数据发送至客户端。客户端通过访问云端服务器该康复视频组合，可以通过显示屏9看到具体的康复视频。规划模型的具体算法可以如下所示：在本实施例中，通过客户端接收用户基于调查问卷答复的关于用户当前身体状况的描述信息；待康复数据为抽取出的症状描述信息，即问题和用户所选择的选项；推送方案为康复训练视频；具体问卷形式，包括多个问题，每个为问题包括多个选项，每个选项具体为一种症状描述，I为问题的数目，Ji为第i个问题的选项总数；针对每个选项，则用一个权重参数表征该选项对与所属问题的重要程度；针对每个问题，则用另一个权重参数表征该问题对与康复视频组合的选择的重要程度；康复训练视频的综合参数包括取值为0-100％的多个效力参数、取值为0、1、2、3……M的优先级参数(M表示最大优先级数)，以及表示视频所属阶段的阶段参数，取值为1、2、3……K(K表示最大优先级数)；康复视频组合的限定参数优选的为单个康复视频组合所包含的康复训练视频的数量；这些参数均可通过预设在存储设备中的参数对应表进行查询。于是，在本实施例中的参数设定具体如表3所示:表3于是，推送结果的选择问题被转换为O-1整数规划模型；具体地说，即在满足一定条件下的最大化计算maxg(x)＝Kernel(Kernel(R,Handamard(λ,U)),x)式中Hadamard符号表示矩阵/向量的Hadamard乘积；Kernel表示向量数量积该最大化计算需要满足如下约束条件：视频的数量为N；在用户所处的康复阶段，不得输出不符合该阶段训练的视频只包含同属一阶段的视频，根据用户所对应的康复阶段和每个视频的阶段参数选取；在同样满足治疗的情况下，选择优先级高的视频(由视频的优先级参数决定)；具体的最大化计算为求解：最大化计算的目的是求解满足约束条件的X，解出的X中，根据其结果选取对应的康复视频组合推送给用户，而此时最大化的数值则是该视频组合的综合效力参数，以下记为g。最后，通过设置在第一处理器12中的改进的智能算法模型，对整个健康信息交互平台内的模型进行优化。第一处理器12中设置有医生指导意见数据，该医生指导意见数据是医学专家编制常见的几十类症状数据，并召开医学专家研讨会对每一个症状给出客观准确的治疗方案组合。根据这几十类症状数据计算视频对应的综合参数，以综合参数的调整量为变量，模型计算出的视频组合和专家的最大治疗程度之差的绝对值为目标函数，采用改进的智能算法进行逐次迭代得到多组综合参数调整量，根据权重对调整量进行因素选项分配和熵处理，最终将视频对应的整个视频参数表进行调整优化。其中，事先设定好的推送方案优选为康复训练视频、康复指导图文以及康复训练解说音频中的一种或多种；每个独立的推送方案都被专业人士人为的赋予了综合参数。综合参数包括但不限于：单个推送方案对于与多项待康复数据分别的效力参数、单个推送方案的优先级参数等；例如：推送方案A所对应于病症B的有效治疗能力为rAB(rAB∈[0,1])，其值的大小可以衡量该推送方案有效治疗能力的强弱。优先级参数为,推送方案进行优先序排序，先筛选出与待推送方案相关联的推送方案与无关联的推送方案，设定无关联的推送方案优先序列为0，相关联的推送方案则按优先序列等级设定1，2，3，……，且1＜2＜…＜n(存在多个视频均处于同一优先级)，针对同一优先关系的信息将根据综合有效治疗能力高低进行个数限制输出。同时，推送方案组合也被事先设定了限定参数，该限定参数优选为单个推送方案组合所包含的单个推送方案的数量；根据待康复数据、每个推送方案的综合参数以及推送方案组合的限定参数，计算出最优化的推送方案组合发送给用户。若用户进行第i轮康复训练后，将参与新一轮问卷诊断，当诊断结果显示该用户仍需接受下一轮训练，系统则根据次轮诊断数据，推荐该轮进行的康复训练以及相应的训练天数，训练过程中的反馈情况进行第i+1轮康复训练推送，直至用户能够完全达到医学健康标准为止。这种大量而不重复的针对性推送方案推送能实现对用户健康状况的实时监控，有利于用户身体的逐步康复。在健康信息交互平台的第一阶段中采用建立规划模型的方式来求解最优推送方案组合。将信息将推送方案作为随机变量，以最大化推送方案组合对于用户的效力为目标，根据推送方案组合的限定参数设立约束条件建立了规划模型，最终求得推送方案组合的结果。更为优选的，还可以将计算出的推送方案组合与专业医生根据同样的用户数据制定的推送方案组合进行比对；根据比对结果更新每个推送方案的综合参数。事前，医学专家编制常见的几十类病症，并召开医学专家研讨会对每一个症状给出客观准确的推送方案组合。每次计算出用于推送的推送方案组合后，以综合参数的更新量为变量，针对同一症状，模型计算出的推送方案组合和专家给出组合的最大治疗程度之差的绝对值为目标函数，采用智能算法进行逐次迭代得到多组综合参数更新量，熵权法对更新量进行多因素分配，最终将视频对应的整个视频参数表进行更新优化。传统的智能算法，通过模拟某一自然过程来解决一些复杂的工程问题；例如遗传算法模拟自然界的物竞天择，以一种群体中的所有个体为对象，并利用随机化技术指导对一个被编码的参数空间进行高效搜索；模拟退火算法的则是依据是固体物质退火过程和组合优化问题之间的相似性。将热力学的理论套用到统计学上，将搜寻空间内每一点想像成空气内的分子；分子的能量，就是它本身的动能；而搜寻空间内的每一点，也像空气分子一样带有“能量”，以表示该点对命题的合适程度。算法先以搜寻空间内一个任意点作起始：每一步先选择一个“邻居”，然后再计算从现有位置到达“邻居”的概率。如今，出现了更多的改进的智能算法，具有更高计算效率和搜索精度；这些算法都可以用于本发明的实施例中，这些算法包括但不限于遗传退火算法/改进粒子算法/自适应调整的差分进化算法。为了进一步的优化更新，本实施里进一步的采用了医生指导意见配合参数表进行更新量计算。医生建议数据的来源为，事前，专家编制常见的几十类病症，每一类病症包含多个症状，等同于在问卷中选择了多个症状选项；如果有P个病症，每个病症的症状选项可以用一个答案向量Up来表示；而后，召开专家研讨会对每一个病症给出客观准确的推送方案组合。进一步的参数设定如表4所示：表4于是，对于综合参数的更新转化为以下的最小化问题：本实施使用改进的智能算法对该最小化问题进行求解；此处可供选择的采用了，遗传退火算法/改进粒子算法/自适应调整的差分进化算法，三种算法。遗传退火算法中，具体采用二进制编码，初代种群产生之后，按照适者生存和优胜劣汰的原理，逐代演化产生出最好的xp的近似解；而为了加快搜索速度和增强算法的局部搜索能力，通过定义单个个体的能量评估函数以及初始温度，使用模拟退火算法进行搜索。改进的粒子算法中，使用了新的群体极值以及个体极值的计算方式。对于每个个体极值Pbi，从剩余的同代其他个体极值中随机选取一个个体的极值记作Pbj,新产生的个体极值记作Pbi则：Pbi(t)＝r*Pbi(t)+(1-r)*Pbj(t)其中t表示运行到第t代,i表示第i个粒子,j表示第j个粒子,r是随机产生的[0,1]之间的数。对个群体极值Gb的改进如下:将所有的个体极值进行排序,然后从其中挑选出最好的K个个体Pb1′,Pb2′,,,Pbk′,用这K个个体的加权平均值表示Gb′，则其中t表示运行到第t代,i表示挑选出的第i个粒子,ai满足自适应调整的差分进化算法中，在传统差分进化算法中加入了自适应算子λ，在迭代过程中改变变异算子，通过逐步降低的方式，使种群在初期保持个体多样性，避免早熟，在后期保留优良信息，避免最优解遭到破坏，增加搜索到全局最优解的概率：式中：F0为变异算子；Gm为最大进化代数：G为当前进化代数。通过上述方法中的一种，最终求解出xp的最优近似解，并依据权重得到最终的微调矩阵Yp，即：Yp＝Kernel(xp,πp)；对所有病症单独计算一次Yp；最后，利用该微调矩阵对康复视频与症状描述信息的关联矩阵R进行更新，即：R′则为更新后的关联矩阵。到此，健康信息交互平台的初期运行阶段完成。如图3所示，初期运行一段时间后，在用户数据库3收集到足够多的用户数据后，健康信息交互平台开始进入中期运行阶段。首先，用户通过客户端将调查问卷的答案即症状数据通过输入组件7输入到第一处理器12中，第一处理器12将这些症状数据通过网络收发组件11传递到云端服务器中。云端服务器中的无线通信组件5接收症状数据并将症状数据传递至第二处理器6。第二处理器6中运用决策树模型，将用户数据库3在初期运行中收集到的用户症状数据和用户健康状况数据分别作为决策树模型的输入数据和类别数据，对调查问卷中的问题行分类，将这些问卷问题的数据处理为十进制数，即将每个问题中的所有选项都看作0或1的二元值，当选项被选中时，则取1，否则取0；然后将这些值连成一组二进制串，采用进制转换方法将二进制转化为十进制数(针对单选问题的特征取值为离散型{21,22,…,2n-1，n为该问题所对应的选项数目}；针对多选问题则特征取值为连续型{12n-1-1，n为该问题所对应的选项数目})，采用CART算法构建决策树模型。将问卷调查中的问题数据经过预处理，将每个问题中的所有选项都看作0或1的二元值，当选项被选中时，则取1，否则取0；然后将这些值连成一个二进制串，采用进制转换方法将二进制转化为十进制数；形成特征集，特征集具体可以表示为：{Feature1，Feature2，Feature3，Feature4，Feature5，Feature6，Feature7，Feature8，Feature9}经过转化计算可以知道各特征集的具体取值情况如下表所示：表5根据决策树模型设置，类别集为{Level1,Level2,Level3}，对应的取值可设置为{1，2，3}。通过决策树模型对用户从客户端输入的信息进行分类，并通过分类结果判断是否需要对用户进行方案推送。如果是Level1或Level2则证明需要进行康复训练治疗，否则无须推荐(请参考评估表，明确说明了第一二级说明症状明显，第三级说明身体比较健康，无须进行康复训练)。如果判断的结果是不需要推送，则会由云端服务器向客户端发送不满足条件信息：您很健康不需要推送方案治疗。如果判断结果为需要推送方案，则决策树模型的输出结果会被直接送到设置在验证组件1中的BP神经网络模型中。用户通过客户端访问云端服务器，能够在显示屏9上看到经过决策树模型判断出的自己的健康状况。进而根据显示屏9上的提示进行下面的操作。验证组件1中的BP神经网络在后台将初期运行阶段所收集到的数据进行训练和学习，得到相应的BP神经网络参数保存在云端。当有用户进行定制方案时，保存在云端的模型将根据用户提交的待康复数据输出对应的康复视频组合；与此同时后台程序将此次数据更新之前的BP神经网络参数。在整个模型训练过程中，网络输入为用户症状数据(二进制编码字符串)，期望输出为医生对经过视频参数表进行0-1规划模型计算后所得到治疗视频数据进行修正后的视频输出数据。对初期阶段所得到的视频方案进行修正后的数据(二元决策向量形式)，网络设置为双隐层结构，并采用梯度下降算法进行学习。BP神经网络模型的具体计算如下：步骤一：初始化网络:由通过决策树模型和支持向量机模型传递过来的用户数据组成神经网络的输入，将这些输入数据处理成二进制数据，神经网络的输入输出组成了一个序列,表示为(x,y),根据此序列,我们能够确定出网络的输入层、隐含层和输出层节点个数,分别为n个节点、l个节点、m个节点。然后,初始化连接权值和阈值,设输入层、隐含层神经元之间的连接权值为wij,隐含层和输出层神经元之间的连接权值为wjk,隐含层和输出层的阈值分别为a和b。最后,给出神经网络的神经元激励函数f(X)以及学习速率η。步骤二：计算隐含层的输出：根据网络的输入变量X,输入层与隐含层之间的连接权值wij,以及隐含层的阈值a,可以得出隐含层的输出H：上式中f为隐含层的激励函数；l为隐含层的节点个数。激励函数为：步骤三：计算输出层的输出：根据步骤二计算出隐含层的输出，联系隐含层与输出层的连接权值wjk以及输出层阈值b,可以得出BP神经网络预测输出0:步骤四：计算误差:根据网络的期望输出Y以及步骤三得出的网络预测输出O,能够计算网络的预测误差e:ek＝Yk-Okk＝1,2,…,m步骤五：更新权值:根据神经网络的预测误差e对网络的连接权值wij和wjk进行更新：wjk＝wjk+ηHjekj＝1,2,…,l；k＝1,2,…,m其中,η为神经网络的学习速率。步骤六：更新阈值:根据网络的预测误差e再对网络隐含层和输出层的阈值a、b进行更新:bk＝bk+ekk＝1,2,…,m步骤七：判断是否满足算法迭代结束条件,若不满足,则返回步骤二。BP神经网络模型得到的BP计算结果即为第二推送数据，第二推送数据与第二存储器2中的视频方案对应，第二处理器6将视频方案发送给客户端或者将存储视频方案的位置数据发送给客户端，由客户端进行获取。为了提高BP神经网络的收敛速度，在步骤五后采用二阶梯度法：w(t+1)＝w(t)-η[▽2E(t)]-1▽E(t)其中：虽然二阶梯度法具有比较好的收敛性，但需要计算E对w的二阶导数，计算量很大。一般不直接采用二阶梯度法，而采用变尺度法或共轭梯度法，它们具有如二阶梯度法收敛快的优点，而又无需直接计算二阶梯度。其中，变尺度算法：w(t+1)＝w(t)+μH(t)D(t)Δw(t)＝w(t)-w(t-1)ΔD(t)＝D(t)-D(t-1)设置在第二处理器6中的支持向量机模型采用常见的二分类支持向量机模型,将客户使用视频后的反馈数据集合：{接受治疗后的疼痛感，功能改善程度}作为已知的训练集。步骤一：设已知训练集:T＝{(x1,y1),…,(xl,yl)}∈(X×Y)l其中,xi∈X∈Rn，yi∈Y＝{1，-1}(i＝1，2，...，l)；xi为特征向量。步骤二：选择适当的核函数尤K(x，x′)和适当的参数C,构造并求解最优化问题:得到最优解:步骤三：选取α*的一个正分量并据此计算阈值:步骤四：构造决策函数:根据f(x)为1或-1,决定其类别归属。f(x)为1时表示用户各部分机能已经恢复正常，经过神经网络，模型向用户推送的视频是准确有用的，f(x)为-1时表示仍需参加下一阶段的康复训练，此时将用户反馈的{疼痛感：均值、方差，功能改善程度：均值、方差}输入到支持向量机模型中，然后再由BP神经网络模型再次给客户端输出视频数据，即对BP神经网络模型的计算进行优化。在支持向量机模型的不断反馈中，会根据用户的反馈数据将用户输入的症状和推送的视频之间进行不断地修正，使后面神经网络模型在为用户康复视频组合时更加准确。同时，修正数据针对用户在进行视频康复训练时进行跟踪，能够使用户实现更迅速的康复效果(能够根据用户接受康复训练后的症状反应调整后期推送方案，达到人性化的定制)。在健康信息交互平台的后期运行中主要是建立深度学习模型，增加中期机器学习阶段的神经网络隐层节点数目，并将用户反馈数据作为阶段性治疗的依据，直接构建更大型的神经网络代替之前所有的模型。在本方案中，健康信息交互平台，包括至少两个阶段的运行流程，其中初期运行阶段在收集到1000～2000样本量的待康复数据后进入到中期运行阶段。中期运行阶段在运行到5000～7000样本量的待康复数据后进入到后期运行阶段。一个完整的样本量包括待康复数据从输入健康信息交互平台到用户得到满意的康复视频组合即停止自然停止使用健康信息交互平台这一完整过程内所产生的所有数据。初期运行阶段一般包括AHP模型、SPV模型和规划模型；中期运行阶段一般包括决策树模型、BP神经网络模型和支持向量机模型。后期运行阶段将引入卷积神经网络建立深度学习系统。本实施例中使用的改进的智能算法为差分进化算法。其具体步骤如下：步骤一：初始化。采用差分进化算法利用NP个维数为D的实数值参数向量作为每一代的种群，每个个体表示为：Xi,G(i＝1,2,...,NP)式中：i表示—个体在种群中的序列；G表示进化代数；NP表示种群规模，在最小化过程中NP保持不变。假定对所有随机初始化种群均符合均匀概率分布。设参数变量的界限为则：式中，rand[0,1]在[0,1]之间产生的均匀随机数。步骤二：变异。对每个目标向量Xi,G(i＝1,2,...,NP)，基本的差分进化算法的变异向量如下产生：其中，随机选择的序号r1r2和r3互不相同，且r1r2和r3与目标向量序号i也应不同，所以必须满足NP≥4。变异算子F∈[0,2]是一个实常数因数，控制变差变量的放大作用。因为变异算子取实常数，实施中变异算子较难确定，变异率太大，使算法搜索效率低下，求得全局最优解精度低；变异率太小，种群多样性降低，易出现“早熟”现象。因此加入如下的自适应变异算子λ，根据算法搜索进展情况，自适应变异算子设计如下：式中：F0为变异算子；Gm为最大进化代数：G为当前进化代数。在算法开始时自适应变异算子为F0～2F0,具有较大值,在初期保持个体多样性,避免早熟；随着算法进展变异算子逐步降低，到后期变异率接近F0,保留优良信息，避免最优解遭到破坏，增加搜索到全局最优解的概率。步骤三：交叉。为了增加干扰参数向量的多样性,引入交叉操作。则试验向量变为：ui,G+1＝(u1i,G+1,u2i,G+1,...,uDi,G+1)(i＝1,2,...NP；j＝1,3,...,D)式中：randb(j)产生[0,1]之间随机数发生器的第j个估计值；rnb(i)∈1,2，...，D是一个随机选择的序列，用它来确保ui,G+1至少从Vi,G+1获得一个参数；CR为交叉算子，取值范围为[0,1]。为了保持群体的多样性，设计了如下随机范围的交叉算子：p0＝rand(0,1)；步骤四：选择。为决定试验向量ui,G+1是否会成为下一代中的成员，按照贪婪准则将试验向量与当前种群中的目标向量Xi,G进行比较。如果目标函数要被最小化，那么具有较小目标函数值的向量将在下一代种群中赢得一席地位。下一代中的所有个体都比当前种群的对应个体更佳或者至少一样好。步骤五：边界条件的处理。在有边界约束的问题中，确保产生新个体的参数值位于问题的可行域中是必要的，一个简单方法是将不符合边界约束的新个体用在可行域中随机产生的参数向量代替。即：若或那么：试验例：为了方便比较，选用实施例的健康信息交互平台(本例)和现有的健康信息交互平台(对比例)来进行试验，两个健康信息交互平台的新旧程度和制作材料均相同。首先，选取两组年龄、性别和病症情况均相同的两组组员，分别同时用本实施例中的健康信息交互平台(本例)和现有的健康信息交互平台(对比例)每隔一天在相同时段进行一次使用。为了方便对比，每个年龄段和病症情况相同的用户分别采取男性和女性两种性别的人进行对比使用。表6中记录了每个组员在输入待康复数据完毕后到接收到推送康复视频组合的响应时间。表6表5中的单位为秒，其中测试第一次的响应时间为完全没有待康复数据时的健康信息交互平台。从上表可以看出，每个年龄段的人在同样时间段的响应时间20岁和30岁的人的响应时间最短，这和这两个年龄的人的熟练的操作有关。且同一小组中同样年龄段和相同病症情况的男性和女性的响应时间差别不大。对于每一行的中，同样病症情况同样年龄段和同样性别的两组组员中，使用安装有本实施例中的健康信息交互平台的组员，在首次使用的时候(没有自身带康复数据存储的情况)就具有较短的响应时间，而且使用本实施例的健康信息交互平台能够随着使用次数的增加而更加缩短响应时间，而使用现有的健康信息交互平台的哪一组组员，虽然响应时间也随着使用次数的增多而逐渐缩短，但是对应时间段的响应时间均长于另一组组员。充分说明了本实施例中健康信息交互平台能够在没有待康复数据的情况下仍然能够进行正常使用，即本实施例中的健康信息交互平台不依赖于待康复数据。同时也说明了随着用户使用过程中不断输入的待康复数据，机器学习系统能够不断进行学习优化，提高计算速度，使整个健康信息交互平台快速地将适合用户的方案推送给用户。然后，使每组组员根据表6中第四次得到的推送方案进行为期六个月的康复训练，并在第三月、第四月、第五月和第六月时，分别对每个组员的康复效果进行评价。评价标准为去相同医院的完成相同标准的体检，表7为根据体检结果进行的结果统计，其中100表示完全康复，0表示完全没康复，即推送方案完全没起到作用。表7从上表可以看出，每个年龄段的人在同样时间段的康复速度不同，其中10岁、20岁和30岁的人的康复速度较快，这和这三个年龄的人的身体素质有关。而同一小组中同样年龄段和相同病症情况的男性和女性的康复速度差别不大。对于每一行的中，同样病症情况同样年龄段和同样性别的两组组员中，使用本实施例中的健康信息交互平台在每一个体检月中体检结果都好于另一组组员的体检结果，充分说明了使用本实施例的健康信息交互平台推送的方案更加适合用户，推送康复视频组合的精准度更高，产生的效果更好，本实施例中的健康信息交互平台通过相同的待康复数据取得的康复效果更好。以上所述的仅是本发明的实施例，方案中公知的具体结构及特性等常识在此未作过多描述，所属领域普通技术人员知晓申请日或者优先权日之前发明所属
技术领域：
所有的普通技术知识，能够获知该领域中所有的现有技术，并且具有应用该日期之前常规实验手段的能力，所属领域普通技术人员可以在本申请给出的启示下，结合自身能力完善并实施本方案，一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出，对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。当前第1页1 2 3