首页 创业指南 致富视频 网上开店 养殖视频 范文大全 创业项目开店经验创业杂谈如何创业技术资料创业防骗项目分析微信营销农村创业投资理财
  • 致富经
  • 农广天地
  • 致富早班车
  • 乡约
  • 科技苑
  • 农业电商
  • 农业要闻
  • 地方动态
  • 食品安全
  • 深度
  • 独家
    • 东东创业网 > 创业指南 > 农村创业 > 深度 > 正文

    基于深度学习的健康云数据监控分析算法设计

    时间：2023-04-16 09:45:04 来源：东东创业网 本文已影响人 东东创业网手机站

    相关热词搜索：

    陈娇花

    （上海中医药大学附属第七人民医院，上海 200137）

    近年来，随着人口老龄化水平的提高，处于亚健康水平的人数逐渐增多，各种慢性病发病人数也在不断激增。针对特殊人群研究的智能在线诊断平台成为了热点需求[1]，而云平台技术的飞速发展也为智能健康数据监控提供了技术基础[2]。

    医疗领域中的大数据技术与云服务，在近年来得到了广泛关注。文献[3]提出基于物联网云计算大数据的智能健康生活成长系统。文献[4]提出基于云计算的移动医疗监控系统。在智能养老方面，大数据和数据挖掘技术也得到了进一步的广泛应用[5-6]。为实现对用户健康数据的智能监测，文献[7]提出基于健康云平台利用大数据技术提供智能服务。文献[8]提出利用数据挖掘技术分析网络健康状态，实现对网络情况的智能监控。

    利用大数据技术实现人体健康状态的智能监控，可以进一步结合学习类算法进行更优的诊断。文献[9-10]提出利用逻辑回归和AdaBoost 方法对数据进行分析。文献[11]提出利用随机森林方法进行训练，可以对人体健康数据进行有效监测。文献[12]提出医疗SVM（Support Vector Machines）算法利用采集的健康数据进行学习与训练，完成健康状态的分类。此外，深度学习算法可以有效地利用数据训练模型，从而应用于口腔诊断及新冠病毒筛查[13-16]。但算法模型更针对于特定疾病，不具有普适性。

    结合智能健康云数据监控与应用的实际需求，文中提出了一种基于深度学习的健康数据挖掘算法。该算法在数据预处理的基础上，对挖掘出的数据建立了数据集。然后结合疾病的多特征属性，再建立深度学习网络模型，并通过反向传播算法进行网络模型训练。利用梯度下降法不断迭代最小化期望残差，最终完成对深度学习网络的训练。与同类算法的数据分析对比结果表明，文中所提算法可以有效诊断各类疾病且具有较强的适用性。

    为了满足大数据背景下对于健康云数据的精准分析处理需求，该文所设计的处理系统总体架构如图1 所示。

    图1 健康云数据处理系统架构图

    感知层是健康云系统架构的最底层，通过化学传感器、生物传感器、光敏传感器和温敏传感器实现对人体指标数据的采集。

    传输层主要负责将感知层采集的人体数据通过移动通信终端设备，并利用蓝牙、无线等技术上传至健康云数据库。

    服务层指健康云数据存储层，将传输层的数据传输在分布式数据库并通过门户网站等提供服务。

    云应用层是最外层，直接为用户提供健康云数据监控和分析服务，服务对象包括个人、家庭、医疗机构和养老院等。

    健康云数据挖掘与深度学习数据分析架构如图2 所示，分为数据准备、数据预处理、模型训练及健康监控。

    图2 健康云数据挖掘与分析架构

    该文使用深度学习网络进行数据挖掘，模型设计如图3 所示。

    使用深度学习网络进行数据挖掘，首先需要对测试数据集完成数据挖掘预处理，将所收集到的数据依次采用筛选、清洗、转换、修正和归一化等方法进行处理。

    深度学习网络模型如图4 所示，主要包括输入层、隐藏层和输出层三部分。其中隐藏层可以不止一层，深度学习网络模型的层数即为整个网络的深度，该网络由多个神经元连接而成。

    图4 深度学习网络模型

    设输入值集合为{xm}，m为集合中数据的个数，神经元的个数与数据特征数量有关，则神经元的输入可表示为：

    式中，Wi表示第i个输入值的权值，b表示偏置项。f(·)表示激活函数，该文使用Sigmoid 函数，其表达方式为：

    则第l层的第i个神经元的输入值加权和可表示为：

    式中，n表示神经元数量；
    l表示层数；
    表示第l-1 层第j个神经元到第l层第i个神经元之间的输出权值；
    表示第l-1 层的第j个神经元的输出值；
    表示第l-1 层的第i个神经元的偏置项。

    对于该文所采用的深度网络模型，其计算过程可以表示为：

    因此在前向传播计算中，l+1 层的输出值计算方式为：

    在深度学习模型建立完成之后，该文采用反向传播的方法对模型进行训练。反向训练的具体步骤如图5 所示。

    图5 深度学习反向训练流程

    反向传播训练实际是根据输出残差进行负反馈，残差的计算方法会影响训练的精度。在该文的设计中，对于输出层，可以直接计算输出与期望之间的误差；
    而对于隐藏层，则可根据神经元残差的加权平均值进行计算。

    该文所使用深度学习网络的各层输出值可具体表示为：

    则可根据式（7）计算各层神经元的残差：

    式中，x表示输入集合，y表示最后一层输出数据集合。

    对于神经网络隐藏层，残差计算方法可表示为：

    该文所使用的深度学习网络的代价函数可表示为：

    其中，λ表示代价函数矢量的特征值。

    对深度学习网络进行训练，使整个网络代价函数最小。该文使用梯度下降迭代方法计算代价函数的偏导函数，并进行迭代。代价函数的整体偏导函数的向量表示方法为：

    式中，?WJ(W,b;x,y)与?bJ(W,b;x,y)分别表示代价函数对于网络权值和偏置项的偏导数，其可定义为：

    则可根据偏导数进行迭代更新网络权重和偏置项，如下：

    式中，α表示调节系数，*表示迭代更新值。

    通过多次迭代，更新网络连接权重和偏置项可以实现偏导数最小化，也即实现了训练值与期望值之间的最小化，从而完成深度学习网络模型的训练。

    为了验证该文所提基于数据挖掘与深度学习的健康云数据监控分析算法的有效性，对比了所提算法与现有四种算法对于同一种疾病的数据分析正确率。另外，为了进一步验证所提算法的鲁棒性，针对多类型的健康疾病进行分析对比。

    表1 是该文算法与四种现有算法对于同一组数据针对骨质疏松问题进行的分析诊断结果。其中，逻辑回归算法和AdaBoost 算法的误诊率及漏诊率均较高，这与算法的训练精度有关。而随机森林算法和SVM 算法的诊断率有一定的提升，其训练复杂度与所提算法相当。但漏诊率远高于该文算法，说明所提算法的性能更加优越。

    表1 不同算法健康疾病诊断率对比

    如表2 所示，根据不同的疾病，该文所提基于数据挖掘与深度学习的数据分析算法诊断率均大于94%，说明所提算法具有较高的鲁棒性。同时还可以发现，对于感冒发烧、鼻炎和骨质疏松等症状和指标比较明显的疾病，该文算法的诊断率更高；
    而对于肿瘤等特征不明显的疾病，算法性能则会有一定的下降。

    表2 不同类型疾病的诊断率对比

    针对在线智能健康诊断的需求，该文提出了一种基于数据挖掘和深度学习的健康云数据监控分析算法。将深度学习网络与数据挖掘技术相结合，对健康云数据进行数据挖掘预处理，建立深度学习网络模型，并利用处理后的数据进行反向传播算法训练。通过采用梯度下降法实现深度学习网络训练，从而完成智能诊断。数据分析结果说明，该文所提算法相对于现有算法具有更高的诊断率，且对于不同类型疾病的适用性良好。对于部分疾病特征不明显导致的算法性能下降问题，则有待于后续的进一步研究。

    猜你喜欢诊断率数据挖掘神经元探讨人工智能与数据挖掘发展趋势大众投资指南(2021年35期)2021-02-16X 线CT联合检查对非典型性肺结核的临床诊断效果研究影像研究与医学应用(2020年14期)2020-07-04跃动的神经元——波兰Brain Embassy联合办公现代装饰(2018年5期)2018-05-26基于并行计算的大数据挖掘在电网中的应用电力与能源(2017年6期)2017-05-14一种基于Hadoop的大数据挖掘云服务及应用信息通信技术(2015年6期)2015-12-26基于二次型单神经元PID的MPPT控制电源技术(2015年5期)2015-08-222010～2014年中山市情感障碍住院患者的临床特征及诊断构成变化中国当代医药(2015年19期)2015-08-19ERK1/2介导姜黄素抑制STS诱导神经元毒性损伤的作用中国生化药物杂志(2015年4期)2015-07-07肺炎支原体抗体联合白细胞计数、超敏C反应蛋白检测在小儿支原体肺炎感染诊断中的临床价值医学信息(2015年5期)2015-03-31毫米波导引头预定回路改进单神经元控制弹箭与制导学报(2015年1期)2015-03-11
  • 野山鸡叫声mp3|野鸡叫声大全试听
  • 【大葱种植超过三年是否有毒】有毒
  • 草本植物盖度计算公式_草本植物
  • 金银花种植技术搭架子:怎样给金银花
  • 妻子支持丈夫事迹 [她流着泪讲完丈
  • 高粱怎样种植栽培 高粱栽培
  • 农村单排牛棚设计图_养牛场设计
  • 聊城养驴场:山东聊城有养驴基地
  • [少年创业故事] 创业故事案例
    • 创业指南
    • 网上开店
    • 养殖视频
    • 理财
    • 政策
    • 技术
    • 致富视频
    最新文章

    推荐访问

    本文基于深度学习的健康云数据监控分析算法设计由东东创业网整理提供，版权归原作者、原出处所有。

    Copyright © 东东创业网 All Rights Reserved.