一种流行性感冒预测方法及装置与流程

技术特征：

1.一种流行性感冒预测方法，其特征在于，包括：

以人体的健康数据建立流行性感冒预测模型，所述健康数据包括心率、体温、收缩压、舒张压和性别，所述流行性感冒预测模型采用如下公式描述：

$P=\frac{e^{{\mathrm{\β}}_0+{\mathrm{\β}}_1{x}_1+{\mathrm{\β}}_2{x}_2+{\mathrm{\β}}_3{x}_3+{\mathrm{\β}}_4{x}_4+{\mathrm{\β}}_5{x}_5}}{1+e^{{\mathrm{\β}}_0+{\mathrm{\β}}_1{x}_1+{\mathrm{\β}}_2{x}_2+{\mathrm{\β}}_3{x}_3+{\mathrm{\β}}_4{x}_4+{\mathrm{\β}}_5{x}_5}};$

其中，P为患流行性感冒的概率，β₀为常数，β₁为心率影响系数，β₂为体温影响系数，β₃为收缩压影响系数，β₄为舒张压影响系数，β₅为性别影响系数，变量x₁为心率值，变量x₂为体温值，变量x₃为收缩压值，变量x₄为舒张压值，变量x₅为性别；

随机采集m组人体数据，所述数据以(x₁，x₂，x₃，x₄，x₅，y)描述，基于所述m组数据求解获得所述预测模型中的各影响系数，其中y表示被采集者的患病状态；

将待测人员的健康数据代入所述预测模型中，计算获得待测人员的预测结果。

2.如权利要求1所述的方法，其特征在于，采用混沌自适应粒子群算法求解获得所述预测模型中的各影响系数。

3.如权利要求1所述的方法，其特征在于，所述随机采集m组人体数据，所述数据以(x₁，x₂，x₃，x₄，x₅，y)描述，基于所述m组数据求解获得所述预测模型中的各影响系数，包括：

S201：采集m组人体数据，以(x_i1，x_i2，x_i3，x_i4，x_i5，y_i)描述，i＝1，2，…，m；

S202：设定控制参数，包括设定群体规模N、最大迭代次数K_max，其中N、K_max均为大于零的正整数；

变量声明，包括：当前迭代次数k，第i个粒子的当前最优值P_besti，当前全局最优值G_best，惯性权重ω，学习因子c1和c2，随机数ξ、η，其中k为大于零的正整数；

粒子编码，对各影响系数β₀、β₁、β₂、β₃、β₄、β₅进行编码，第i个粒子的编码包括位置编码和速度编码，位置编码为β_i＝(β_i0，β_i1，β_i2，β_i3，β_i4，β_i5)，速度编码为v_i＝(v_i0，v_i1，v_i2，v_i3，v_i4，v_i5)；

定义适应度函数f(β)，其中β＝(β₀，β₁，β₂，β₃，β₄，β₅)为粒子位置；

S203：进行初始化，具体包括：令k＝0，获得第i个粒子的初始位置β_i⁽⁰⁾＝(β_i0⁽⁰⁾，β_i1⁽⁰⁾，β_i2⁽⁰⁾，β_i3⁽⁰⁾，β_i4⁽⁰⁾，β_i5⁽⁰⁾)，初始速度v_i＝(v_i0⁽⁰⁾，v_i1⁽⁰⁾，v_i2⁽⁰⁾，v_i3⁽⁰⁾，v_i4⁽⁰⁾，v_i5⁽⁰⁾)，其中β_ij⁽⁰⁾、v_ij⁽⁰⁾是[-1000，1000]的随机数，j＝1，2，3，4，5；

S204：运行迭代，对于一切i＝1，2，…，N，更新第i个粒子的速度和位置，对于第k次迭代，如果f(β_i^(k))>P_besti，则令P_besti＝f(β_i^(k))，如果max{P_best1，P_best2，…，P_bestN}>G_best，则令G_best＝max{P_best1，P_best2，…，P_bestN}；

S205：当k＝K_max时，输出G_best及其对应的粒子位置β＝β₀，β₁，β₂，β₃，β₄，β₅)。

4.如权利要求3所述的方法，其特征在于，所述步骤S204还包括：对于第k次迭代，计算种群适应度：

${\mathrm{\σ}}^2=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\left(\frac{f\left({{\mathrm{\β}}_i}^{\left(k\right)}\right)-\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}f\left({{\mathrm{\β}}_i}^{\left(k\right)}\right)}{f}\right)}^2,$

f(β_i^(k))表示第i个粒子在迭代次数k时的适应度，f是适应度评价值，具体描述为：

$f=max\{1,max\{|f\left({{\mathrm{\β}}_i}^{\left(k\right)}\right)-\frac{1}{N}\underset{i=1}{\overset{N}{\Σ}}f\left({{\mathrm{\β}}_i}^{\left(k\right)}\right)|\left\}\right\};$

判断是否σ²＜σ²_min，若否则运行第k+1次迭代，σ²_min为预设的最小种群适应度，为正数。

5.如权利要求4所述的方法，其特征在于，若σ²＜σ²_min，则判定粒子群进入早熟收敛状态，对适应度最高的粒子进行随机扰动，具体包括：

S300：随机生成一个初始混沌向量，描述为z₀＝(z₀₀,z₀₁,z₀₂,z₀₃,z₀₄,z₀₅)，其中z₀₀、z₀₁、z₀₂、z₀₃、z₀₄、z₀₅的取值范围均为[0，1]；

S301：混沌迭代生成Q个混沌向量，第l个向量描述为z_l＝(z₁₀,z_l1,z_l2,z_l3,z_l4,z_l5)，l＝1，2,，…，Q，0<Q<N，Q为正整数；

S302：产生Q个粒子，第l个粒子描述为β_l＝(β_l0,β_l1,β_l2,β_l3,β_l4,β_l5)；

S303：对适应度最高的粒子进行随机扰动，描述为：

${z_l}^{\&prime;}=|\frac{e^{\frac{l}{Q}}-1}{e-1}-\frac{1}{l}{|}^{\frac{3}{2}}{z}^{*}+(1-|\frac{e^{\frac{l}{Q}}-1}{e-1}-\frac{1}{l}{|}^{\frac{3}{2}})z_l;$

其中，z_l′为施加随机扰动后(β0，β1，β2，β3，β4，β5)相对应的混沌向量，z*为最优值β*＝(β₀*，β₁*，β₂*，β₃*，β₄*，β₅*)映射到[0,1]后形成的相应向量，z_l为迭代l次后的混沌向量，l为混沌迭代次数，Q为最大混沌迭代次数，z*具体描述为：

$z^{*}=\frac{{\mathrm{\&beta;}}^{*}-{\mathrm{\&beta;}}_{min}}{{\mathrm{\&beta;}}_{\max }-{\mathrm{\&beta;}}_{min}};$

β_max为粒子编码的最大值，β_min为粒子编码的最小值。

6.一种流行性感冒预测装置，其特征在于，包括：

信息采集模块，包括：

心率传感器，用于采集待测人员的心率信息；

血压传感器，用于采集待测人员的收缩压和舒张压；

体温传感器，用于采集待测人员的体温；

用户操作模块，用于接收用户输入的待测人员的性别信息；

数据分析模块，用于根据所采集的待测人员的健康数据，健康数据包括心率、体温、收缩压、舒张压和性别，通过所建立的流行性感冒预测模型计算获得待测人员患流行性感冒的概率，所述流行性感冒预测模型以如下公式描述：

$P=\frac{e^{{\mathrm{\&beta;}}_0+{\mathrm{\&beta;}}_1{x}_1+{\mathrm{\&beta;}}_2{x}_2+{\mathrm{\&beta;}}_3{x}_3+{\mathrm{\&beta;}}_4{x}_4+{\mathrm{\&beta;}}_5{x}_5}}{1+e^{{\mathrm{\&beta;}}_0+{\mathrm{\&beta;}}_1{x}_1+{\mathrm{\&beta;}}_2{x}_2+{\mathrm{\&beta;}}_3{x}_3+{\mathrm{\&beta;}}_4{x}_4+{\mathrm{\&beta;}}_5{x}_5}},$

其中，P为患流行性感冒的概率，β₀为常数，β₁为心率影响系数，β₂为体温影响系数，β₃为收缩压影响系数，β₄为舒张压影响系数，β₅为性别影响系数，变量x₁为心率值，变量x₂为体温值，变量x₃为收缩压值，变量x₄为舒张压值，变量x₅为性别。

7.如权利要求6所述的装置，其特征在于，所述用户操作模块还用于输出和显示预测结果。

8.如权利要求6所述的装置，其特征在于，所述用户操作模块还用于接收和记录用户输入的待测人员的个人信息，包括姓名、性别、年龄及检测记录。