張珣 何東陽(yáng)

摘要：隨著大眾對(duì)健康認(rèn)知的提升，體質(zhì)檢測(cè)所采集的基本健康信息以及生理參數(shù)指標(biāo)數(shù)據(jù)呈指數(shù)級(jí)增長(zhǎng)。基于醫(yī)療大數(shù)據(jù)技術(shù)，提出對(duì)收集的生理健康數(shù)據(jù)進(jìn)行前期預(yù)處理和特征提取，通過(guò)運(yùn)用反向傳播網(wǎng)絡(luò)和受限玻爾茲曼機(jī)，提出一種基于深度信念網(wǎng)絡(luò)的個(gè)人健康評(píng)估模型。該模型能通過(guò)訓(xùn)練大量人體健康參數(shù)信息，將個(gè)人健康評(píng)估結(jié)果分為3類(lèi)9級(jí)：Healthy（A、B、C），Sub-Healthy（D+、D、D-），Unhealthy（F+、F、F-），評(píng)估出個(gè)人健康危險(xiǎn)因素與健康狀態(tài)之間的量化關(guān)系。

關(guān)鍵詞：個(gè)人健康評(píng)估；反向傳播網(wǎng)絡(luò)；深度信念網(wǎng)絡(luò)

DOIDOI：10.11907/rjdk.181244

中圖分類(lèi)號(hào)：TP301

文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1672-7800（2018）010-0044-04

英文摘要Abstract：In recent years， the public has improved their knowledge of health， and the basic health information and physiological parameter data collected by physical fitness tests have been increased exponentially. The pre-processing and feature extraction of the collected physiological health data are proposed， and then through the use of back-propagation network and restricted Boltzmann machine， a personal health assessment model based on deep belief network is proposed. The model can evaluate the quantitative relationship between individual health risk factors and the results of individual health assessments are classified into three categories： Healthy（A、B、C），Sub-Healthy（D+、D、D-），Unhealthy（F+、F、F-）and health status by training a large amount of human health parameter information are also evaluated.

英文關(guān)鍵詞Key Words：personal health assessment；back propagation network；deep belief network

0 引言

世界衛(wèi)生組織將“健康”定義為“不但是身體沒(méi)有疾病或虛弱，還要有完整的生理、心理狀態(tài)和社會(huì)適應(yīng)能力[1]”。“亞健康”指“通常沒(méi)有器官、組織、功能上的病癥和缺陷，但是自我感覺(jué)不適，疲勞乏力，經(jīng)常處在焦慮、煩躁?duì)顟B(tài)”[2]。調(diào)查顯示，符合“健康”定義的中國(guó)人群只有15%，還有15%的疾病人群，其余70%的人群處在“亞健康”狀態(tài)中。醫(yī)學(xué)資料表明，慢性非傳染性疾病的發(fā)生往往是由亞健康發(fā)展而來(lái)的。如果亞健康狀態(tài)沒(méi)有及時(shí)預(yù)防并采取有效治愈措施，可能導(dǎo)致真正的慢性疾病。顯然，研究發(fā)展針對(duì)于個(gè)人的健康評(píng)估[3]預(yù)測(cè)極具現(xiàn)實(shí)價(jià)值和意義。

了解自身健康，預(yù)測(cè)健康危險(xiǎn)因素[3-4]，規(guī)范自身健康行為，已成為當(dāng)前大眾重要的健康需求。普通人在醫(yī)院作完健康體檢[5]后，往往看著體檢報(bào)告單上的數(shù)據(jù)一頭霧水，不知所措。個(gè)人健康評(píng)估模型的建立有助于解決這類(lèi)問(wèn)題，它通過(guò)對(duì)個(gè)人健康危險(xiǎn)因素進(jìn)行全面篩查、分析、處理、預(yù)測(cè)，起到健康預(yù)警作用，讓個(gè)人清晰地認(rèn)識(shí)自身健康狀況，積極規(guī)范自身健康行為，提升健康生活質(zhì)量。

1 個(gè)人健康評(píng)估

體檢生理參數(shù)指標(biāo)的性質(zhì)和變化趨勢(shì)蘊(yùn)含著豐富的人體生理病理信息。更詳細(xì)的解釋是，人體生理參數(shù)[6]指標(biāo)的細(xì)微變化都反映著機(jī)體健康的趨勢(shì)。通過(guò)對(duì)話機(jī)體生理參數(shù)的多項(xiàng)指標(biāo)，基于深度信念網(wǎng)絡(luò)對(duì)個(gè)人健康狀況進(jìn)行綜合評(píng)估。個(gè)人健康評(píng)估通過(guò)取得多方面的個(gè)人健康體檢參數(shù)信息，分析出健康危險(xiǎn)因素與健康狀態(tài)之間的量化關(guān)系，預(yù)測(cè)個(gè)人在當(dāng)前時(shí)間下的健康狀況以及潛在危險(xiǎn)疾病發(fā)生的可能性，對(duì)這一可能性進(jìn)行量化評(píng)估。該模型能積極幫助體質(zhì)檢測(cè)個(gè)體全面綜合認(rèn)識(shí)自身健康狀況，提前預(yù)測(cè)潛在疾病的發(fā)生幾率，幫助改善個(gè)人健康狀況。

個(gè)人健康評(píng)估有健康生理參數(shù)信息采集、數(shù)據(jù)預(yù)處理[7]、個(gè)人健康評(píng)估幾個(gè)階段。

（1）健康生理參數(shù)信息采集：這是進(jìn)行個(gè)人健康評(píng)估的基礎(chǔ)，包括問(wèn)卷檢查、常規(guī)體格檢查、實(shí)驗(yàn)室檢查。問(wèn)卷檢查，就是以表和問(wèn)卷形式對(duì)被檢測(cè)人進(jìn)行相關(guān)健康問(wèn)答，該方法主觀性強(qiáng)，相比較而言，缺乏客觀、準(zhǔn)確的評(píng)價(jià)指標(biāo)和標(biāo)準(zhǔn)。常規(guī)體格檢查指對(duì)人體形態(tài)結(jié)構(gòu)和技能發(fā)展水平進(jìn)行檢測(cè)和計(jì)量，例如身高、體重、體溫、脈搏等。實(shí)驗(yàn)室檢查通常指在實(shí)驗(yàn)室進(jìn)行物理或化學(xué)檢查，確定檢測(cè)物質(zhì)的內(nèi)容、性質(zhì)、濃度、數(shù)量等特性，常見(jiàn)的實(shí)驗(yàn)室檢查有血常規(guī)、尿常規(guī)、血脂、血糖等。本研究中，個(gè)人健康評(píng)估預(yù)測(cè)模型獲取個(gè)人最新的體檢特征參數(shù)，共輸入182個(gè)生理特征。其中包括10大類(lèi)，分別為一般檢查12項(xiàng)（例如血壓、脈搏、體重、BMI[8]、體脂率等），血常規(guī)10項(xiàng)，尿常規(guī)13項(xiàng)，便常規(guī)10項(xiàng)，肝膽、腎、血脂、血糖等共24項(xiàng)，乙肝、丙肝、梅毒、AIDS[9]、腫瘤甲狀腺、風(fēng)濕等51項(xiàng)，男性性激素、女性性激素6項(xiàng)，體適能、肺功能、微量元素等18項(xiàng)，眼科、耳鼻喉科、口腔、婦科31項(xiàng)，心臟類(lèi)7項(xiàng)。

（2）數(shù)據(jù)預(yù)處理：數(shù)據(jù)預(yù)處理在機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等不同算法中起著非常重要的作用，實(shí)際運(yùn)用中，將數(shù)據(jù)作歸一化和標(biāo)準(zhǔn)化處理后，模型能夠發(fā)揮最佳預(yù)測(cè)效果。

（3）個(gè)人健康評(píng)估：主要包括健康狀態(tài)評(píng)估和疾病風(fēng)險(xiǎn)評(píng)估兩種評(píng)估方式。一般健康風(fēng)險(xiǎn)評(píng)估（HRA[10]）指對(duì)具有一定健康特征個(gè)體的危險(xiǎn)因素和可能發(fā)生疾病的評(píng)估。疾病風(fēng)險(xiǎn)評(píng)估（DSHA[11]）是健康風(fēng)險(xiǎn)評(píng)估擴(kuò)展為以疾病為基礎(chǔ)的健康危險(xiǎn)性評(píng)價(jià)。所謂疾病風(fēng)險(xiǎn)評(píng)估，是指對(duì)特定疾病患者健康風(fēng)險(xiǎn)的評(píng)估。

2 算法原理

3 個(gè)人健康評(píng)估模型

3.1 模型結(jié)構(gòu)

深度信念網(wǎng)絡(luò)結(jié)構(gòu)[17]（Deep Belief Networks ， DBNs）是由若干層受限玻爾茲曼機(jī)和一層反向傳播網(wǎng)絡(luò)組成的一種深層神經(jīng)網(wǎng)絡(luò)，見(jiàn)圖2。在深度信念網(wǎng)絡(luò)中，上一層RBM網(wǎng)絡(luò)可以通過(guò)學(xué)習(xí)得到的特征輸出作為下一層的輸入，使每層能更好地提取上一層特征。而頂層的反向傳播網(wǎng)絡(luò)則以RBM網(wǎng)絡(luò)提取特征作為輸入，然后對(duì)輸入特征進(jìn)行分類(lèi)或預(yù)測(cè)。

第一層RBM可視層節(jié)點(diǎn)數(shù)量由輸入樣本特征數(shù)量決定。實(shí)踐研究表明，隨著RBM 層數(shù)的增加，深度信念網(wǎng)絡(luò)的建模能力也隨之增強(qiáng)，特征提取的抽象能力增加，結(jié)果預(yù)測(cè)能力更強(qiáng)，但是由于過(guò)多的RBM層數(shù)導(dǎo)致DBNs的泛化能力降低，容易出現(xiàn)過(guò)擬合現(xiàn)象。所以，DBNs網(wǎng)絡(luò)深度對(duì)模型預(yù)測(cè)能力有一定的影響。需要考慮深度信念網(wǎng)絡(luò)模型的每個(gè)隱層節(jié)點(diǎn)數(shù)對(duì)模型預(yù)測(cè)性能的影響。大量實(shí)踐數(shù)據(jù)顯示，隱層節(jié)點(diǎn)數(shù)過(guò)少可能會(huì)導(dǎo)致模型預(yù)測(cè)效果偏低；隱層節(jié)點(diǎn)數(shù)過(guò)多，同樣也可能導(dǎo)致過(guò)擬合現(xiàn)象。

3.2 模型訓(xùn)練過(guò)程

4 評(píng)估結(jié)果

根據(jù)生命健康密切相關(guān)的生理體征信息，總結(jié)前人健康評(píng)估模型的不足，利用深度學(xué)習(xí)理論的強(qiáng)大特征抽象提取能力，建立一種新的健康評(píng)估方法。該評(píng)估模型通過(guò)對(duì)生理參數(shù)信息做前期預(yù)處理，利用反向傳播網(wǎng)絡(luò)、受限玻爾茲曼機(jī)生成深度信念網(wǎng)絡(luò)，預(yù)處理完成后的生理特征作為訓(xùn)練數(shù)據(jù)，經(jīng)過(guò)大量數(shù)據(jù)訓(xùn)練出科學(xué)、準(zhǔn)確的健康評(píng)估模型。把健康評(píng)估結(jié)果分為3類(lèi)9級(jí)：Healthy（A、B、C），Sub-Healthy[23]（D+、D、D-），Unhealthy（F+、F、F-），如表1所示。在判斷個(gè)體健康狀態(tài)基礎(chǔ)上，增加對(duì)每一狀態(tài)的健康等級(jí)劃分，目的是方便用戶(hù)更加簡(jiǎn)潔直觀地看到自己的健康情況。

5 結(jié)語(yǔ)

本文針對(duì)個(gè)人體檢參數(shù)結(jié)果，給出了健康生理特征參數(shù)信息的處理與分析方法，提出了一種基于深度信念網(wǎng)絡(luò)的個(gè)人健康評(píng)估模型。該模型基于深度信念網(wǎng)絡(luò)，建立一種個(gè)人體質(zhì)檢測(cè)生理特征參數(shù)（例如一般檢查、血常規(guī)、尿常規(guī)、生化檢查、免疫檢查等）作為輸入特征，以健康狀況作為輸出結(jié)果的模型。利用大量個(gè)人體檢健康數(shù)據(jù)對(duì)模型進(jìn)行訓(xùn)練，充分挖掘個(gè)人健康參數(shù)中的語(yǔ)義特征，實(shí)現(xiàn)基于體檢健康大數(shù)據(jù)的個(gè)人健康評(píng)估模型。通過(guò)利用受限玻爾茲曼機(jī)和深度信念網(wǎng)絡(luò)，對(duì)個(gè)人健康情況進(jìn)行分類(lèi)。研究表明，基于深度信念網(wǎng)絡(luò)的健康評(píng)估方法，能較好地提取人體重要特征，更好地挖掘健康大數(shù)據(jù)的潛在價(jià)值，為大眾提供健康指導(dǎo)，提高生活質(zhì)量。

參考文獻(xiàn)：

[1] 祝木蘭.大學(xué)生心理健康狀況及其影響因素研究[J].衛(wèi)生職業(yè)教育，2007，25（23）：123-125.

[2] 石愛(ài)橋，張匯敏.傳統(tǒng)體育養(yǎng)生的困境與未來(lái)發(fā)展方向研究[C].中國(guó)體育博士高層論壇，2014.

[3] 朱明賢.人體健康評(píng)估及信息管理平臺(tái)的設(shè)計(jì)與實(shí)現(xiàn)[D].濟(jì)南：山東大學(xué)，2015.

[4] 宇傳華，季潔，張干深，等.中國(guó)人壽命、死因與健康危險(xiǎn)因素——全球疾病負(fù)擔(dān)研究最新結(jié)果[J].中國(guó)衛(wèi)生統(tǒng)計(jì)，2015，32（1）：181-182.

[5] 姚宇彤.健康體檢護(hù)理在健康和亞健康人群中的應(yīng)用分析[J].中外醫(yī)學(xué)研究，2015（14）：94-96.

[6] 張騰宇，李立峰，王喜太.人體生理參數(shù)預(yù)警及定位系統(tǒng)[P].CN201692066U2011.

[7] 王培培.健康體檢數(shù)據(jù)預(yù)處理方法研究與應(yīng)用[D].鄭州：鄭州大學(xué)，2016.

[8] CONSULTATION W E. Appropriate body-mass index for Asian populations and its implications for policy and intervention strategies.[J]. Lancet， 2004， 363（9403）：157-163.

[9] FENTON L. Preventing HIV/AIDS through poverty reduction： the only sustainable solution[J]. Lancet， 2017， 364（9440）：1186-1187.

[10] SMITH D C. Tread carefully on new HRA law allowing individual coverage reimbursements[EB/OL]. https：//Ebn.benefitsnews.com， 2016.

[11] STEINBUECHEL N V， COVIC A， POLINDER S， et al. Assessment of health-related quality of life after TBI： comparison of a disease-specific （QOLIBRI） with a generic （SF-36） instrument[J]. Behavioural Neurology， 2016（6）：792-801.

[12] IONESCU C， VANTZOS O， SMINCHISESCU C. Matrix backpropagation for deep networks with structured layers[C]. IEEE International Conference on Computer Vision. IEEE， 2016：2965-2973.

[13] FISCHER A. Training restricted boltzmann machines[J]. KI - Künstliche Intelligenz， 2015， 29（4）：441-444.

[14] 張宏毅，王立威，陳瑜希.概率圖模型研究進(jìn)展綜述[J].軟件學(xué)報(bào)，2013（11）：2476-2497.

[15] 張艷霞.基于受限玻爾茲曼機(jī)的深度學(xué)習(xí)模型及其應(yīng)用[D].成都：電子科技大學(xué)，2016.

[16] RAMACHANDRAN P， ZOPH B， LE Q V. Searching for activation functions[EB/OL]. https：∥yq.aliyun.com/articles/363672.

[17] LOPES N， RIBEIRO B. Deep belief networks （DBNs）[C]. Machine Learning for Adaptive Many-Core Machines - A Practical Approach. Springer International Publishing， 2015：155-186.

[18] 何鵬程.改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)模型及其應(yīng)用研究[D].大連：大連理工大學(xué)，2015.

[19] BENGIO Y， DELALLEAU O. Justifying and generalizing contrastive divergence[J]. Neural Computation， 2014，21（6）：1601-1621.

[20] SEGAL M， WEINSTEIN E. A new method for evaluating the log-likelihood gradient， the Hessian， and the Fisher information matrix for linear dynamic systems[J]. IEEE Transactions on Information Theory， 1989，35（3）：682-687.

[21] CASELLA G， GEORGE E I. Explaining the gibbs sampler[J]. American Statistician， 1992，46（3）：167-174.

[22] 魏英姿，張?zhí)旌疲琄OMLAN.基于深度置信網(wǎng)絡(luò)的人臉識(shí)別方法研究[J].電子世界，2017（19）：89-90.

[23] WU S， LIN S， ZHANG Q， et al. A study of sub-healthy status of community residents and its relevant factors in Fuzhou City[J]. Journal of hygiene research， 2015，44（5）：738-741.

（責(zé)任編輯：杜能鋼）