基于概率神经网络改进的人体健康评估研究

摘要

随着现代人们生活水平的不断提高，越来越多的人关注自己的健康问题，同时对医疗质量的需求也越来越高。　　由于人们生活水平的提高和不健康的生活习惯，传统健康评估方法已经满足不了大多数人的人体健康监测评估。因此本文通过基于智能算法的远程医疗评估系统来实现对人体健康的监测评估，旨在减少医务人员工作量，并为现代医疗管理的创新带来启发。　　本文选用概率神经网络(PNN)作为基础模型，通过对PNN方法的研究和本课题的实际需求对PNN进行改进，进而完成人体健康评估。不管从训练时间短、性能良好的优点还是需要大量训练样本集的难点考虑，PNN都非常适合用来进行人体健康评估。由于所有训练样本集直接组成PNN隐含层神经元个数，所以当训练样本太大时，会导致PNN网络结构过于复杂，从而增加了硬件上实现的难度。　　为了缩短运行时间和简化PNN因训练样本巨大而导致结构复杂的问题，本文引用了径向基神经网络(RBFNN)模式层神经元个数少于训练样本总数的特点，将RBFNN模式层和输出层直接引入到PNN的网络拓扑结构中。通过提取RBFNN和PNN各自的优点，进而形成了径向基概率神经网络(RBPNN)。　　另外，由于RBPNN的网络性能很大程度上取决于平滑因子的取值，因此为了更加精准地进行人体健康评估，提出利用人工鱼群算法(AFSA)对平滑因子向量进行寻优，并动态调整觅食行为以提高运算速度。但是利用AFSA调整平滑因子后的RBPNN的健康评估结果容易陷入局部最优的情况，从而导致模型结果不稳定，不能够直接用于人体健康评估中。　　为了解决AFSA在平滑因子寻优过程中陷入局部最优的问题，提出在AFSA的搜索后期利用模拟退火算法(SA)进行改进。SA操作具有全局优化的特点，AFSA搜索后期通过选取最高食物浓度，利用SA操作进行局部搜索，从而实现局部优化，最终得到跳出局部最优解的近似精确极值。实验证明，通过SA优化后的AFSA对RBPNN的平滑因子进行寻优后，模型的准确度得到了提升。　　本课题的研究能够帮助医务人员更加有效地管理人体健康状况，也有助于个人更加实时全面地了解自身健康状况。从仿真实验结果表明，本课题方法的准确率和运行时间均优于其他方法，因此本课题的开展不仅能够为现代医疗管理领域做出一定贡献，也能为PNN的改进与应用提供思路。

目录

声明

1 绪论

1.1.1 课题研究背景

1.1.2 课题研究意义

1.2 人体健康评估研究现状

1.3 PNN国内外研究现状

1.3.1 PNN应用研究现状

1.3.2 PNN改进研究现状

1.4本文主要内容

2 人体健康评估概述和生理数据研究

2.1.1 亚健康的定义

2.1.2 亚健康的表现形式

2.2 人体健康评估与生理信号的关系

2.3 人体健康评估系统框架

2.4 生理数据预处理

2.4.1 参数缺失值和异常值处理

2.4.2 主成分分析法对个体参数提取的处理

2.5 本章小结

3 基于RBPNN的人体健康判别方法

3.1 PNN相关理论概述

3.1.1 径向基函数神经网络

3.1.2 概率神经网络

3.2 PNN改进目的分析

3.3 RBFNN与PNN的比较

3.4 RBPNN的网络结构

3.5.1 PNN的人体健康评估对比仿真分析

3.5.2 基于RBPNN的人体健康评估仿真分析

3.6本章小结

4 基于AFSA_RBPNN的人体健康评估算法分析

4.1 RBPNN改进目的分析

4.2 平滑因子的影响

4.3 对PNN平滑因子改进的几种常见方法

4.4 人工鱼群算法

4.4.1 人工鱼群算法基本理论描述

4.4.2人工鱼群算法改善觅食行为

4.5.1 RBPNN中平滑因子的分析

4.5.2 AFSA_RBPNN的算法定义和流程

4.5.3 AFSA_RBPNN方法的验证

4.6 仿真分析

4.7 本章小结

5 基于SAFSA_RBPNN的人体健康评估研究

5.1.1 AFSA局部最优解原因分析

5.1.2对AFSA陷入局部最优的常见方法

5.2.1 IAFSA的缺点分析

5.2.2 模拟退火算法原理

5.3.1 SAFSA方法和步骤

5.3.2 SAFSA方法的测试

5.4 SAFSA_RBPNN整体的思路和模型的建立

5.5 仿真实验

5.6 本章小结

6 总 结

6.1 论文的主要工作

6.2 论文的创新点

6.3 后续工作展望

致谢

参考文献

攻读学位期间取得的研究成果