一种基于深度学习算法的空气波压力按摩仪参数优化方法与流程

本发明涉及医疗技术领域，具体涉及基于深度学习算法的空气波压力按摩仪参数优化方法。

背景技术：

空气波压力治疗仪通过对多腔气囊有顺序的反复充放气，形成了对肢体和组织的循环压力，能够促进血液和淋巴的流动，已被广泛应用于治疗或缓解多种疾病。但是还存在以下问题：

(1)目前市场上绝大部分按摩器，仅能完成简单的按摩操作，且只能监测自身的工作状态。

(2)现有的医疗产品在对人体健康进行数据分析时，普遍只能针对某一种疾病进行分析，且价格昂贵，普通人难以承受。

(3)现有的医学大数据预测，往往参数设置依赖于经验值，难以维护和适应变化。

(4)现有的机器学习算法大部分依赖于已有的经验数据，且完成学习后难以快速适应变化。

另外人工深度学习是20世纪80年代以来人工智能领域兴起的研究热点。深度学习是一种运算模型，它模拟人脑神经元的信息处理方式，设置大量信息节点(神经元)，每个节点代表一种特定的输出函数，称为激励函数。每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重，这是通过人工网络进行机器学习的基础。人工深度学习由大量的节点通过权重相互联接构成，节点与节点之间按照不同的连接方式形成不同的网络。在工程与学术界也常直接简称为深度学习或类深度学习。网络的输出则因网络的连接方式，权重值和激励函数的不同而不同。而网络自身通常都是对自然界某种算法或者函数的逼近，也可能是对一种逻辑策略的表达。

目前，大数据技术和深度学习算法已经在医学界有了很多的应用，如在特殊疾病诊断、病理研究、疾病预防等方面已取得了很多成就。此外，现在国外的很多高级医院以及我国一些顶级医院也逐渐设置了计算机辅助诊断系统，有效地减少了医生的工作量及误诊率，大大提高了医疗效率。

技术实现要素：

本发明的目的是为了解决现有深度学习只训练一次导致准确率低以及重新训练成本高的缺点，而提出一种基于深度学习算法的空气波压力按摩仪参数优化方法。

一种基于深度学习算法的空气波压力按摩仪参数优化方法包括以下步骤：

步骤一：采集用户的血压和脉搏数据，作为训练集；

步骤二：在服务器上建立深度学习结构模型；

步骤三：将步骤一的训练集输入步骤二建立的深度学习结构模型中进行训练，得到训练后的深度学习结构模型；

步骤四：采集空气波压力按摩仪用户的血压和脉搏数据，输入训练后的深度学习结构模型中，模型输出空气波压力按摩仪参数，根据输出的空气波压力按摩仪参数调整空气波压力按摩仪的按摩力度、按摩频率和按摩部位，所述空气波压力按摩仪参数包括按摩力度、按摩频率和按摩部位；同时服务器保存采集的空气波压力按摩仪用户的血压和脉搏数据和模型输出的空气波压力按摩仪参数；

步骤五：经过时间t采用步骤四中服务器保存的空气波压力按摩仪用户的血压和脉搏数据和模型输出的空气波压力按摩仪参数，对得到的训练后的深度学习结构模型进行训练，得到新的模型；采用新的模型替换步骤四中训练后的深度学习结构模型，重复执行步骤四。

本发明的有益效果为：

本发明在空气波压力仪的基础上，增加了检测人体各项健康数据指标的部分，在完成按摩与检测自身工作状态的同时，还能监测人体血压、脉搏等数据，并根据人体各项指标调整工作状态，带给人们更健康、更舒适的享受；同时对传统的深度学习算法进行了改良：相比于传统的机器学习，本发明采用的算法只采用一段时间内的数据作为训练数据、并在除首次进行机器学习之外，采用上一次的参数值为下一次训练的初始参数值，当连续多次得出结果与实际不符后，则以原数据为中心进行微调并进入新一轮的学习，使机器能够更快地进行学习、更能适应变化；基于改良后的算法，利用大数据(该用户的历史数据、大量其他用户的历史数据)对人体的各项数据指标进行多元数据分析，计算出各项数据与人体健康情况的相关性，并在此过程中不断调节修正参数，为用户提供健康预测以及制定最合适的保健方案；达到“治病于未有”的目的。

将测量设备与理疗设备相结合，省去了设备冗杂的麻烦。

相比于现在的医疗大数据服务，本发明更好地将其辅助的人群从医生转向用户，使用户更方便的从大数据分析中获益。

对用户的健康数据检测与仪器工作状态的调整是实时进行的，提高了对疾病的预防能力与反应速度，方便达到“治病于未有”的目的。

对于训练的数据具有时效性，相比于传统深度学习算法能够迅速准确地适应用户各项身体指标的变化，同时多次训练时的参数调整并非完全的重新训练而是在原有的基础上进行微调，减少了重新训练的成本。

本发明节约了重复训练的时间：传统的深度学习的训练时间一般需要几十到上百个小时，而本发明采用的方法除首次训练外，所需时间仅为两个小时。

本发明首次将深度学习算法运用到空气波按摩仪上，填补市场空白。

在志愿者试用的一个月内，记录到本发明的空气波按摩仪共改变不同的工作状态16次，对比于市面上常见的仅几个档位的空气波按摩仪，大大地提高了按摩方式的灵活性与多样性；在一个月后，以志愿者这一个月内的数据作为训练集重新训练的用时仅为1小时53分钟，准确率为96.7％，大幅度减少了重新训练的成本。

附图说明

图1为空气波压力按摩仪的工作流程示意图。

具体实施方式

具体实施方式一：一种基于深度学习算法的空气波压力按摩仪参数优化方法包括以下步骤：

步骤一：采集用户的血压和脉搏数据，作为训练集；

步骤二：在服务器上建立深度学习结构模型；

步骤三：将步骤一的训练集输入步骤二建立的深度学习结构模型中进行训练，得到训练后的深度学习结构模型；

步骤四：采集空气波压力按摩仪用户的血压和脉搏数据，输入训练后的深度学习结构模型中，模型输出空气波压力按摩仪参数，根据输出的空气波压力按摩仪参数调整空气波压力按摩仪的按摩力度、按摩频率和按摩部位，所述空气波压力按摩仪参数包括按摩力度、按摩频率和按摩部位；同时服务器保存采集的空气波压力按摩仪用户的血压和脉搏数据和模型输出的空气波压力按摩仪参数；

步骤五：经过时间t采用步骤四中服务器保存的空气波压力按摩仪用户的血压和脉搏数据和模型输出的空气波压力按摩仪参数，对得到的训练后的深度学习结构模型进行训练，得到新的模型；采用新的模型替换步骤四中训练后的深度学习结构模型，重复执行步骤四。

基于空气波治疗方法的智能按摩理疗仪，包括按摩气垫、气囊、中央控制电路(包括主控芯片、压力传感器、蓝牙模块、蜂鸣器、滤波放大电路)组成，其工作流程如图1所示。

由空气波按摩仪的压力传感器采集用户的血压、脉搏等数据，空气波按摩仪的蓝牙模块将压力传感器采集到的数据发送到手机；手机通过配套的app将空气波按摩仪采集到的数据上传到服务器；服务器根据接收到的空气波按摩仪采集到的数据，判断此时用户的身体状态；服务器根据计算得到的用户的身体状态，选择空气波按摩仪的按摩频率、力度、部位，并发送调整指令给手机配套app；手机配套app在接收到服务器的调整指令后，通过蓝牙将指令发送给空气波按摩仪，控制空气波按摩仪改变按摩频率、力度、部位。

空气波理疗仪在提供按摩服务的同时，通过压力传感器及滤波放大电路将用户的心跳、血压等数据以及此时自身的工作状态通过蓝牙通信传输至手机应用，应用再将数据上传给云端服务器，由服务器经过深度学习算法计算后，判断出此时用户的状态、并调整参数，发送给手机应用控制理疗仪改变工作状态。

云端服务器部分依据深度学习算法，深度学习各项条件如下所示：

设置激励函数如下：根据已有的国际正常标准范围，若用户的数值高于该范围则记为用户数值-范围上界，反之则记为用户数值-范围下界。之后对其取softplus函数作为激励函数。

网络结构：采用两层的深度学习架构。

训练数据源：国内外各大医疗开源数据集及用户历史数据。

在最初始状态下，通过赋予权函数不同的在0到1之间的平均分布的随机值，利用已有的开源数据集，设定误差函数为计算结果与事实不符的次数(即事实为用户健康，计算结果为用户不健康；或恰好相反)。在充分训练后，选择误差函数最小的一组权函数作为初始的权重值。

在经过充分训练后，将所确定的模型上传云端服务器，对发送的用户数据进行处理。若用户的数值代入计算出的结果持续一段时间超过所预设的阈值，则判定此时用户的健康有风险，并检测哪一条件在最终结果中影响最大，以此为根据调节机器工作状态(力度、频率、部位等)。

同时，每过一段时间，深度学习算法会对这段时间内采集到的用户数据以上一次的参数值为中心进行一次重新训练，以便更快更好地适应用户身体状态的变化

此外，深度学习算法会对用户使用过一段时间后的历史数据进行整理，计算出用户这段时间内各项指标的平均值、变化率、方差等，以此为依据分析其走势是相对于正常值是将会偏离还是将保持在正常状态内；以此为依据，给予用户自己的健康状况分析与建议。

在志愿者试用的一个月内，记录到本发明的空气波按摩仪共改变不同的工作状态16次，对比于市面上常见的仅几个档位的空气波按摩仪，大大地提高了按摩方式的灵活性与多样性；在一个月后，以志愿者这一个月内的数据作为训练集重新训练的用时仅为1小时53分钟，准确率为96.7％，大幅度减少了重新训练的成本。

具体实施方式二：本实施方式与具体实施方式一不同的是：所述步骤二中在服务器上建立深度学习结构模型的具体过程为：

将步骤一采集的用户的血压和脉搏数据作为输入，经过激励函数层和全连接层输出空气波压力按摩仪参数。

其它步骤及参数与具体实施方式一相同。

具体实施方式三：本实施方式与具体实施方式一或二不同的是：所述激励函数层激励函数具体为：

对采集的用户的血压和脉搏数据进行预处理；

设置血压和脉搏的阈值范围；若高于阈值范围，则将其与阈值上界的差值记为正；若低于阈值范围，则将其与阈值下界的差值记为负；在阈值范围内记为0；

对预处理后的值取softplus函数，作为激励函数；

所述softplus函数为log(1+exp(t))，其中t为预处理后的值。

其它步骤及参数与具体实施方式一或二相同。

具体实施方式四：本实施方式与具体实施方式一至三之一不同的是：所述步骤三中将步骤一的训练集输入步骤二建立的深度学习结构模型中进行训练，得到训练后的深度学习结构模型的具体过程为：

通过赋予权函数不同的在0到1之间的平均分布的随机值，利用已有的开源数据集为训练集，设定误差函数为用户的血压和脉搏数据经过深度学习模型的计算结果与用户健康状况不符的次数，即事实为用户健康计算结果为用户不健康的情况的次数，或者事实为用户不健康计算结果为用户健康的情况的次数；具体训练的方法为逐层训练的方法，即先进行一层的训练，在这一层训练完成后，再以这一层的输出值作为下一层的输入进行下一层的训练，直至各层均训练完成为止。在充分训练后，选择误差函数最小的一组权函数作为初始的权重值。

其它步骤及参数与具体实施方式一至三之一相同。

具体实施方式五：本实施方式与具体实施方式一至四之一不同的是：所述步骤四中采集空气波压力按摩仪用户的血压和脉搏数据，输入训练后的深度学习结构模型中，模型输出空气波压力按摩仪参数，根据输出的空气波压力按摩仪参数调整空气波压力按摩仪的按摩力度、按摩频率和按摩部位的具体过程为：

深度学习结构模型充分训练后，将确定的模型上传云端服务器，按摩仪采集用户的血压和脉搏数据并发送给服务器，服务器对按摩仪发送的血压和脉搏数据进行处理，若用户的血压和脉搏数据输入深度学习模型计算出的结果在连续3天超过所预设的阈值，则判定此时用户的健康有风险，并根据检测到的隐藏层2中4个数据中的最大值，确定导致健康存在风险的输入数据，根据确定的导致健康存在风险的输入数据，选择按摩仪相应的工作模式。如：按摩频率、力度、部位初始设置分别为5秒/次、15kpa、小腿上部；采集到的用户血压为：高压130mmhg，低压90mmhg；脉搏为62次；的根据深度学习算法得出的结果为-0.1524，不在设定的阈值范围内(0.4500～0.7200)，检测得出脉搏的影响较大，则调整按摩频率、力度、部位分别为3秒/次、20kpa、小腿全部，以达到加速血液循环的效果。

其它步骤及参数与具体实施方式一至四之一相同。

具体实施方式六：本实施方式与具体实施方式一至五之一不同的是：所述步骤五中经过时间t采用步骤四中服务器保存的空气波压力按摩仪用户的血压和脉搏数据和模型输出的空气波压力按摩仪参数，对得到的训练后的深度学习结构模型进行训练，得到新的模型具体过程为：

以上一次训练得到的权函数为基础，赋予权函数为服从上一次训练得到的权函数为期望，0.001为方差的正态分布随机数，利用经过时间t步骤四中服务器保存的空气波压力按摩仪用户的血压和脉搏数据和模型输出的空气波压力按摩仪参数为训练集，设定误差函数为用户的血压和脉搏数据经过深度学习模型的计算结果与用户健康状况不符的次数，即事实为用户健康计算结果为用户不健康的情况的次数，或者事实为用户不健康计算结果为用户健康的情况的次数；在充分训练后，选择误差函数最小的一组权函数作为初始的权重值。

其它步骤及参数与具体实施方式一至四之一相同。

本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，本领域技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。