一种基于增量式神经网络模型的膀胱结石预测方法和预测系统与流程

技术特征：

1.一种基于增量式神经网络模型的膀胱结石预测方法，其特征在于，包括如下步骤：

步骤(1)、获取医院膀胱结石治病病因病理数据源与病人日常监控数据，从而建立膀胱结石日常数据数据库；

步骤(2)、根据步骤(1)建立的膀胱结石日常数据数据库以离线的方式对神经网络模型进行训练，以得到训练好的膀胱结石病理神经网络模型；

步骤(3)、通过智能监控设备对用户的日常生活数据进行采集，并将采集的日常生活数据发送至服务器，服务器将用户的日常生活数据保存至用户日常数据记录表中；

步骤(4)、从用户日常数据记录表中提取当日数据，形成n维向量，并对n维向量做归一化处理后输入步骤(2)中训练好的膀胱结石病理神经网络模型中进行膀胱结石概率预测，得到膀胱结石概率，服务器将膀胱结石概率传送给智能家庭膀胱结石护理设备；

步骤(5)、智能家庭膀胱结石护理设备接收服务器传送的膀胱结石概率后，判断膀胱结石概率值是否大于0.5，如果大于0.5，则判定为该用户得了膀胱结石，警示器警示以提醒用户，如果小于0.5，则判定为该用户没有得膀胱结石；

步骤(6)、当用户判定为得了膀胱结石时，用户自行去医院检查，并将检查结果通过智能家庭膀胱结石护理设备传送回服务器，服务器判断检查结果是否正确，如果检查结果错误，则说明膀胱结石病理神经网络模型预测不准确，如果检查结果正确，则说明膀胱结石病理神经网络模型预测准确；

步骤(7)、当检查结果错误时，从用户日常数据记录表中抽取m天内的记录保存至增量数据表中，当增量数据表中的记录数量大于h条时，执行增量式算法，对膀胱结石病理神经网络模型进行动态修正；

步骤(8)、重复步骤(3)～(7)。

2.根据权利要求1所述的一种基于增量式神经网络模型的膀胱结石预测方法，其特征在于，神经网络模型的输入层为n个节点，隐含层个数为n*2+1，输出层为1个节点，从膀胱结石日常数据数据库表中提取k条记录进行训练，每条记录是一个n维向量，所有数据在使用前先经归一化处理，使其数值在[0,1]区间,然后执行如下步骤对神经网络模型进行训练：

1)输入一个n维向量到神经网络模型，计算神经网络模型中所有的权向量到该输入n维向量的距离，距离最近的神经元即为获胜神经元，其计算公式如下：

其中：W_k是获胜神经元的权向量,||…||为欧几里得距离；

2)调整获胜神经元和获胜神经元领域内的神经元的权向量，公式如下：

其中：W_j(t)是神经元；W_j(t+1)是调整前和调整后的权向量；j属于获胜神经元领域；α(t)是学习率，它是随着迭代次数的增加逐渐递减的函数，取值范围为[0 1]，经过多次实验选取最佳学习率为0.62；D_j是神经元j与获胜神经元的距离；σ(t)是随着时间递减的函数；每一次迭代都将所有输入n维向量输入到神经网络模型中进行训练，当达到规定的迭代次数后，神经网络模型训练结束。

3.根据权利要求1所述的一种基于增量式神经网络模型的膀胱结石预测方法，其特征在于，智能家庭膀胱结石护理设备将检查结果传送回服务器的结果信息的格式为：{检查是否正确，血糖值}，服务器在接收到结果信息后，判断检查结果是否正确。

4.根据权利要求1所述的一种基于增量式神经网络模型的膀胱结石预测方法，其特征在于，对膀胱结石病理神经网络模型进行动态修正的增量式算法为：

把增量数据表中的每条向量V{V₁,V₂,…,V_n}，传送至神经网络模型学习函数中进行学习，学习步骤如下：

1)首先对输出层各权向量赋小随机数并做归一化处理，然后利用输入模式向量V的平均值Avg(V)，初始化为神经网络模型第0层中唯一神经元的权值，并设置为获胜神经元，计算其量化误差QE；

2)从第0层的神经元中拓展出一个2×2结构SOM，并将其层次标识Layer 置为1；

3)对于第Layer层中拓展出的每一个2×2结构SOM子网，初始化这4个神经元的权值；将第i个神经元的输入向量集合Ci设置为空，主标签置为NULL，神经元i的主标签比率r_i置为0；新的SOM的异常预警数据向量V继承其父神经元的获胜输入向量集合VX；

4)从VX中挑选一个向量VX_i做以下判断：

如果VX_i为不带标签的数据，则计算它与每个神经元的欧氏距离，选择距离最短的神经元作为获胜神经元；

如果VX_i为带标签的数据，则选择主标签与VX_i的标签相同且r_i值最大的神经元作为获胜神经元，更新该获胜神经元主标签；

如果找不到主标签与VX_i的标签相同的神经元，则找到与VX_i距离最近的神经元i作为获胜神经元；

5)对获胜神经元及其邻域内神经元的权值进行调整，更新获胜向量集合W＝W∪{VX_i}，计算获胜神经元的主标签、主标签比率r_i和信息熵E_i.如果未达到预定训练次数，则转步骤4)；

6)计算经调整后的该神经网络模型中每个神经元的量化误差QE_i、神经元信息熵E_i和子网的平均量化误差MQE，公式如下：

其中：W_i为神经元i的权值向量，C_i为映射到神经元i的所有输入向量构成的集合；

其中：n_i表示落在神经元上标签为i的样本个数，m表示落在神经元上有标签数据的总数，T表示落在神经元上的样本标签种类集合；

然后判断：

如果MQE>父节点的QE×阈值q，其中q＝0.71，则在该SOM中插入一行神经元，转步骤4)；

如果E_i>父节点的E_i×阈值p，其中p＝0.42，则从该神经元上长出一层新的 子网，将新长出的子网增加到Layer+1层的子网队列中；

如果SOM中没有插入新的神经元也没有长出新的子网，说明该子网训练完成；

7)对于新拓展出的Layer+1层的所有2×2结构SOM，迭代运行步骤3)～5)对其重新进行训练，直至神经网络模型不再产生新的神经元和新的分层，整个训练结束。

5.根据权利要求1所述的一种基于增量式神经网络模型的膀胱结石预测方法，其特征在于，如果用户通过其他方式包括体检和自查，得知自己已患膀胱结石，而智能家庭膀胱结石护理设备的警示器没有警示，则表示智能家庭膀胱结石护理设备判断不准确，此时执行步骤(6)～(7)，智能家庭膀胱结石护理设备把结果信息传送到服务器上。

6.一种采用权利要求1～6所述膀胱结石预测方法的预测系统，其特征在于，包括智能监控设备、智能设备数据采集器、服务器和智能家庭膀胱结石护理设备，所述智能监控设备与所述智能设备数据采集器相连接，所述智能设备数据采集器通过通讯装置一与所述服务器网络通讯，所述智能家庭膀胱结石护理设备通过通讯装置二与所述服务器网络通讯。

7.根据权利要求7所述膀胱结石预测方法的预测系统，其特征在于，所述智能家庭膀胱结石护理设备上设置有警示器。

8.根据权利要求7所述膀胱结石预测方法的预测系统，其特征在于，所述智能监控设备包括智能穿戴设备、智能水杯、智能体重称、智能马桶和智能光感设备。