CN103637800A

CN103637800A - 基于八段阻抗模型的人体成分分析的方法

Info

Publication number: CN103637800A
Application number: CN201310712626.0A
Authority: CN
Inventors: 陈波; 毕美晨; 高秀娥; 杜秀丽
Original assignee: Dalian University
Current assignee: Dalian University
Priority date: 2013-12-20
Filing date: 2013-12-20
Publication date: 2014-03-19
Anticipated expiration: 2033-12-20
Also published as: CN103637800B

Abstract

本发明公开了一种基于八段阻抗模型的人体成分分析的方法，包括：根据输入电流和测得电压，利用八段人体阻抗模型，获得六个关于人体阻抗的有效表达式；利用人体五段阻抗模型，获得左右上肢阻抗值差值和左右下肢阻抗值差值；计算得到每段人体阻抗的表达式；根据至少两组以上的不同的输入电流和每段人体阻抗的表达式，获得至少两组以上的人体阻抗值；选取最佳的一组八段阻抗值，并根据选取最佳的一组八段阻抗值，确定拟合模型；使用多组已知样本在拟合模型中训练，获得拟合模型的未知系数，并获得人体成分预测公式；根据人体成分预测公式，对未知样本进行分析，获得人体成分参数。采用本发明方法，分析出来的人体成分更加精确。

Description

基于八段阻抗模型的人体成分分析的方法

技术领域

本发明涉及人体成分分析领域，尤其涉及一种基于八段阻抗模型的人体成分分析的方法。

背景技术

目前，现有的人体成分分析方法大都采用全身阻抗模型或五段阻抗模型，而几乎没有采用八段阻抗模型的，为了突破全身和五段阻抗测量模型的局限性，目前市场十分需要采用八段阻抗测量模型的人体成分分析方法。虽然业内已提出八段阻抗模型，但尚无较成熟的求解方法，因此研究八段阻抗的求解问题是十分有意义的。目前，国内外人体成分的测量法有多种，如生物电阻抗法、身体指数法、水下称重法、皮褶厚度测量法、围度测量法、同位素稀释法或者双能X射线吸收法等，这些方法各有各的优点与不足。例如：基于采用生物电阻抗分析法进行测量的，采用的分析方法大都是多元回归方法，根据回归方程进行预测，但这种分析方法误差大和适应性差。

发明内容

本发明针对以上问题的提出，而提出的一种基于八段阻抗模型的人体成分分析方法，解决了分析人体成分误差大和适应性差的问题。

一方面，本发明提供了一种基于八段阻抗模型的人体成分分析的方法，包括：

根据输入电流和测得电压，利用八段人体阻抗模型，获得六个关于人体阻抗的有效表达式；

根据输入电流和测得电压，利用人体五段阻抗模型，获得左右上肢阻抗值差值和左右下肢阻抗值差值；

根据所述六个关于人体阻抗的有效表达式、所述左右上肢阻抗值差值和所述左右下肢阻抗值差值，计算得到每段人体阻抗的表达式；

根据至少两组以上的不同的输入电流和所述每段人体阻抗的表达式，获得所述至少两组以上的人体阻抗值；

根据赤池信息量准则和预设的人体生理参数，从所述至少两组以上的人体阻抗值中，选取最佳的一组八段阻抗值，并根据所述选取最佳的一组八段阻抗值，确定拟合模型；

使用多组已知样本在拟合模型中训练，获得拟合模型的未知系数，并获得人体成分预测公式；

根据所述人体成分预测公式，对未知样本进行分析，获得人体成分参数。

本发明的有益效果是：采用本发明的基于八段人体阻抗模型的人体成分分析的方法，分析出来的人体成分更加精确，误差小和适应性高。

附图说明

为了更清楚的说明本发明的实施例或现有技术的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做一简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的八段人体阻抗模型示意图；

图2为本发明实施例提供的的一种电极分布图；

图3为本发明实施例提供的的另一种电极分布图；

图4为本发明实施例提供的的又一种电极分布图；

图5为本发明实施例提供的的五段人体阻抗模型示意图；

图6为本发明实施例提供的神经网络神经元示意图；

图7为本发明神经网络算法设计流程图；

图8为本发明实施例中样本1的神经网络算法随机赋初值的进化过程示意图；

图9为本发明实施例中样本1的遗传算法进化过程示意图；

图10为本发明实施例中样本1的神经网络算法赋确定初值的进化过程示意图；

图11为本发明实施例中样本2的神经网络算法预测结果与实际测量值的对比图。

具体实施方式

为使本发明的实施例的目的、技术方案和优点更加清楚，下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚完整的描述：

首先，给出八段人体阻抗模型和求解相关阻抗的方法，如图1所示：将人体右上肢的阻抗值设为R₁、左上肢设为R₃、右下肢R₇、左下肢R₈、躯体右部纵向R₄、躯体左部纵向R₅、躯体部上部R₂、躯体部下部R₆；在人体的左手、右手、左脚和右脚作为接入点，分别命名为a、b、c和d，在每个接入点各安置一个电流电极和一个电压电极。通过在两个电流电极添加电流激励形成回路，通过不同的电压电极进行测量，得到该激励-测量模式下的电压值，计算相应段的阻抗结果，不同激励-测量模式下，电流流经人体的示意图如图2-4所示。表一表示了不同的电流值和电压值的对应关系。

表一

由电路原理可知，对于一个确定的四端口网络，有效的测量只有6组，如表一所示。对应于这六组有效测量方式的阻抗求解方程分别为：

(R_{1} + \frac{R_{2} * R_{4}}{R_{2} + R_{4} + R_{5} + R_{6}}) * I = V_{acl} - - - (1)

(R_{3} + \frac{R_{2} + R_{5}}{R_{2} + R_{4} + R_{5} + R_{6}}) * I = V_{bd 1} - - - (2)

\frac{R_{2} * R_{6}}{R_{2} + R_{4} + R_{5} + R_{6}} * I = V_{cd 1} - - - (3)

\frac{R_{4} * R_{5}}{R_{2} + R_{4} + R_{5} + R_{6}} * I = V_{ad 2} - - - (4)

(R_{7} + \frac{R_{4} * R_{6}}{R_{2} + R_{4} + R_{5} + R_{6}}) * I = V_{cd 2} - - - (5)

(R_{8} + \frac{R_{4} * R_{5}}{R_{2} + R_{4} + R_{5} + R_{6}} + \frac{R_{5} * R_{6}}{R_{2} + R_{4} + R_{5} + R_{6}}) * I = V_{bd 3} - - - (6)

其中，式(1)中，电流I加在左手与右手间，测量得到右手与右脚间的电压为V_ac1；式(2)中，电流I加在左手与右手间，测量得到左手与左脚间的电压为V_bd1；式(3)中，电流I加在左手与右手间，测量得到左脚与右脚间的电压为V_cd1；式(4)中，电流I加在右脚与右手间，测量得到右手与左手间的电压为V_ad2；式(5)中，电流I加在右脚与右手间，测量得到左脚与右脚间的电压为V_cd2；式(6)中，电流I加在右手与左脚间，测量得到左手与左脚间的电压为V_bd3。

然后再根据五段阻抗模型求解出左右上肢阻抗值差值α和左右下肢阻抗值差值β，该左右上肢阻抗值差值α正好也是右上肢的阻抗值设为R₁与左上肢设为R₃之间的差值，左右下肢阻抗值差值β正好也是右下肢R₇与左下肢R₈之间的差值。即得到两个方程：R₁=R₃+α和R₇=R₈+β。

如图5所示为五段人体阻抗模型，将人体右上肢的阻抗值设为R₅₁，左上肢的阻抗值设为R₅₂，躯干部的阻抗值设为R₅₃，右下肢的阻抗值设为R₅₄，左下肢的阻抗值设为R₅₅；

在人体的右手、左手、右脚和左脚作为接入点，分别命名为a、b、c和d，在每个接入点各安置一个电流电极和一个电压电极。通过在两个电流电极添加电流激励形成回路，通过不同的电压电极进行测量，得到该激励-测量模式下的电压值，计算相应段的阻抗结果。

表二

根据电路原理可知，对于一个确定的四端口网络，有效的测量只有五组，如表二所示。

可得方程：

I_ab*R₅₁=V_ac （7）

I_ab*R₅₂=V_bd （8）

I_ac*R₅₃=V_bd （9）

I_cd*R₅₄=V_ac （10）

I_cd*R₅₅=V_bd （11）

其中，式(7)中，电流I_ab加在左手与右手间，测量得到右手与右脚间的电压为V_ac；式(8)中，电流I_ab加在左手与右手间，测量得到左手与左脚间的电压为V_bd；式(9)中，电流I_ac加在右手与右脚间，测量得到左脚与右脚间的电压为V_bd；式(10)中，电流I_cd加在右脚与左脚间，测量得到右手与右脚间的电压为V_ac；式(11)中，电流I_cd加在右脚与左脚间，测量得到左脚与右脚间的电压为V_bd。

根据以上方程求解得到：

R₅₁=V_ac/I_ab

R₅₂=V_bd/I_ab

R₅₃=V_bd/I_ac

R₅₄=V_ac/I_cd

R₅₅=V_bd/I_cd

从而得到：

α=V_ac/I_ab-V_bd/I_ab

β=V_ac/I_cb-V_bd/I_cb

将求解到的α值和β值带入R₁=R₃+α和R₇=R₈+β中与式子（1）-（6）联立组成一个八元一次方程组。八个未知数、八个方程可求解出八个未知数，如下所示：

R₁=X₁-kX₃

R₂=(m+n+2k+1)*X₃

R₃=R₁-α

\begin{matrix} R_{4} = \frac{(k + n) * (m + n + 2 k + 1)}{m} * X_{3} \\ R_{5} = \frac{k * (m + n + 2 k + 1)}{m} * X_{3} \\ R_{6} = \frac{m + n + 2 k + 1}{m} * X_{3} \\ R_{7} = X_{5} - \frac{(k + n)}{m} * X_{3} \\ R_{8} = R_{7} - β \end{matrix}

这样，就能给获得了人体八段的各个阻抗值。

R₁～R₈、S、A、H、W、R等基本特征参数称为第1特征参数。使用第1特征参数的平方、倒数及乘积等的组合，得到第2特征参数：R_i ²、1/R_i、R_iR_j(1≤i≤8,1≤j≤8)。结合第1、2特征参数，可以得到候选特征参数，包括R₁～R₈、S、A、H、W、R、R_i ²、1/R_i、R_iR_j(1≤i≤8,1≤j≤8)。

为了得到尽可能简单、准确的模型，引入赤池信息量准则(AIC)作为评判标准，寻找可以最好的解释数据且包含最少自由参数的模型，使用相对较小的AIC来保证模型的简单性。AIC的定义值为：

AIC=2k-2ln(L)，其中，式中，k为参数个数，L为似然函数。

后来，针对不同的应用，AIC公式逐渐发展为以下三种模型：

对于一般模型，其AIC公式为：AIC_H=logσ²+(m/n)logn,

对于不稳定模型，其AIC公式为：AIC_H=logσ²+2(m/n)logn，

对于爆发性模型，其AIC公式为：AIC_H=logσ²+m，

其中，上述各个AIC公式中，σ²为模型的方差，m为模型的最高参数，n为参数个数。

具体的：本实施例采用一般模型的AIC公式，模型选择结果如表3所示，按AIC值从小到大排列，式中，No.表示序号，n为变量个数，S、A、H、W、R分别代表变量性别、年龄、身高、体重、种族。

在发明实施例中，模型AIC计算结果如下表：

基于以上结果，选取了排名第一，即AIC值最小的模型作为拟合模型，所得拟合模型如下：

f=a₁R₂+a₂R₄+a₃R₅+a₄R₆+a₅R₁R₃+a₆R₇R₈+a₇S+a₈A+a₉H+a₁₀W+a₁₁R+ε

（12）

其中，公式（12）模拟模型中，S代表性别、A代表年龄、H代表身高、W代表体重和R代表种族，a₁～a₁₁为拟合模型的系数，ε为误差。

进一步的，令X=[x₁,x₂,x₃,x₄,x₅,x₆,x₇,x₈,x₉,x₁₀,x₁₁]=[R₂,R₄,R₅,R₆,R₁R₃,R₇R₈,S,A,H,W,R]

A=[a₁,a₂,a₃,a₄,a₅,a₆,a₇,a₈,a₉,a₁₀,a₁₁]，则拟合模型f可表示为：f(x)=AX′+ε

接着，通过神经网络训练来获取具体的拟合模型的系数。

根据公式12的拟合模型，选用神经网络算法进行优化，选用的线性神经网络的神经元结构如图6所示，从图中可以看出线性神经网络的传递函数为f(x)=x。Madaline网络的学习过程是按照“误差平方和最小”的原则，即LMS算法（Least Mean Square）算法，反复对个连接权值进行修正的过程。这里的误差指的是实际输出和目标向量之间的差值。这种学习过程所使用的规则称为Widrow-Hoff学习规则。利用神经网络进行优化的具体过程，如附图7所示：

①根据参数间的相互关系，选用准确度较高的线性神经网络算法对拟合模型进行网络的建立：表示网络的输入向量，

表示网络的目标向量，W_ij=(w_i1,w_i2,…,w_is)表示连接权值向量。

②初始化。为各连接权值赋予初值，有两种方法：一在区间[-1,1]内的选取随机值作为初值，二赋予其确定的初值，使其按照选定的方向进行训练。本发明选取第二种方法。即选取采用遗传算法进行粗略优化后的值作为神经网络训练的初始值。W=[0.0435,0.0861,0.0819,0.0746,0.0001,-0.0001,-0.0496,0.0684,0.0742,-0.0591,0.0035]

③任选取一组学习模式提供给网络；

④计算网络输出值；

⑤计算网络各输出单元的实际输出与目标向量之间的误差；

⑥进行连接权值的修正；

⑦取下一个学习模式提供给网络，重复步骤3-5，直到误差小于0或训练次数达到200000次为止。

基于神经网络算法的进化过程如图8所示，图中横坐标为网络的训练次数，纵坐标为网络的误差平方和。从图中可看出即使训练次数达到上万多次，其误差还是很大的。随着训练次数的增多，曲线渐渐趋于平稳。神经网络算法的速度慢，但是只要有充足的时间训练结果也会达到一个预期的效果。

基于遗传算法的进化过程如附图9所示，图中横坐标为迭代次数，纵坐标为变量的值。从图中可以看出当迭代次数达到42次以后，种群均值及解得变化达到了最优值。利用遗传算法进化模型使得训练速度得到提高，从而使预测的速度也得到提高。但是遗传算法相对是十分早熟的即对新空间的探索能力是有限的也容易收敛到局部最优解，处理规模小、计算量小，无法处理复杂且大量的数据。

传统的线性神经网络只可以学习输入/输出向量之间的线性关系。所以，对于某些特殊的问题，网络无法得到满意的结果。但是即使不存在一个完美的结果，只要学习速率足够小，对于给定的结构，线性网络总可得到一个接近目标的结果。由于其训练速度过于缓慢，无法满足对速度的要求，因此本文对传统的神经网络进行改造。传统的神经网络的初始值是采用随机赋值的，这样训练的速度及方向都会有所偏差，但如果可以采用给定初始值法来赋予初值，就可以为网络的训练提供一个较准确的训练方向，加快其训练速度。本文采用用遗传算法进行优化得到粗略权值作为初始值赋给线性神经网络的方法，其进化过程如图10所示。

从图10中可以发现，其训练速度明显得到提高，使其训练时间得到减少，但是其误差依然十分。由于神经网络具有极强的鲁棒性、记忆性及拟合性，因此在训练时，可以不断地采用给定初值法，利用已得到训练结果来减少训练时间，提高训练精度。

初始值的选择对整个神经网络的训练具有十分重要的作用。采用随机赋值和给定初始值的两种方法进行比较发现给定初始值的方法可以更快的向着我们期望的方向发展，已达到更准确的地步。利用遗传算法进行进化与采用神经网络进行进化的结果的对比如图11所示。从图11中可以看出，采用遗传算法求得参数的粗略解，再将粗略解做为初始值赋给线性神经网络，进行下一步精确求解的方法得到相对误差值是最接近零坐标线的，及得到的结果是最精确地。

人体成分的测量中，由于不同的生长区域、不同的生活习惯、不同的饮食习惯等都对体成分产生不同的影响。因此体成分的测量要充分的考虑区域、生活、饮食等各个方面。在进行预测时，要选取地区中带有一般特征的人群作为预测标准。邻近区域中的人体成分具有一定的相似性，因此可以采用邻近区域的体成分预测公式作为参考进行本区域的体成分预测。这时将邻近区域的体成分公式中的权值作为将要进行训练的神经网络的初始值。这样的话，既可以减少训练的时间，又可以增加结果的精确性。

本发明使用神经网络算法作为主要的优化算法，与遗传算法进行结合，以得到精确地结果。采用人工神经网络算法来确定拟合模型的未知系数。线性神经网络和感知网络在结构上比较相似，区别在于线性神经网络的传递函数为线性的，而感知器的传递函数为二值型的。同感知网络也只能线性可分模式进行分类。但是相对于感知器网络学习算法的收敛速度和精度都有较大程度的提高。

Claims

1.一种基于八段阻抗模型的人体成分分析的方法，其特征在于，包括：

2.根据权利要求1所述的基于八段阻抗模型的人体成分分析的方法，其特征在于，所述根据输入电流和测得电压，利用八段人体阻抗模型，获得六个关于人体阻抗的有效表达式，具体为：

将人体右上肢的阻抗值设为R₁、左上肢设为R₃、右下肢R₇、左下肢R₈、躯体右部纵向R₄、躯体左部纵向R₅、躯体部上部R₂、躯体部下部R₆；

在人体的左手、右手、左脚和右脚作为接入点，分别命名为a、b、c和d，在每个接入点各安置一个电流电极和一个电压电极；

获得六个关于人体阻抗的有效表达式：

(R_{1} + \frac{R_{2} * R_{4}}{R_{2} + R_{4} + R_{5} + R_{6}}) * I = V_{acl} - - - (1)

(R_{3} + \frac{R_{2} + R_{5}}{R_{2} + R_{4} + R_{5} + R_{6}}) * I = V_{bd 1} - - - (2)

\frac{R_{2} * R_{6}}{R_{2} + R_{4} + R_{5} + R_{6}} * I = V_{cd 1} - - - (3)

\frac{R_{4} * R_{5}}{R_{2} + R_{4} + R_{5} + R_{6}} * I = V_{ad 2} - - - (4)

(R_{7} + \frac{R_{4} * R_{6}}{R_{2} + R_{4} + R_{5} + R_{6}}) * I = V_{cd 2} - - - (5)

(R_{8} + \frac{R_{4} * R_{5}}{R_{2} + R_{4} + R_{5} + R_{6}} + \frac{R_{5} * R_{6}}{R_{2} + R_{4} + R_{5} + R_{6}}) * I = V_{bd 3} - - - (6)

3.根据权利要求2所述的基于八段阻抗模型的人体成分分析的方法，其特征在于，所述根据输入电流和测得电压，利用人体五段阻抗模型，获得左右上肢阻抗值差值和左右下肢阻抗值差值，具体包括：

将人体右上肢的阻抗值设为R₅₁，左上肢的阻抗值设为R₅₂，躯干部的阻抗值设为R₅₃，右下肢的阻抗值设为R₅₄，左下肢的阻抗值设为R₅₅；

在人体的右手、左手、右脚和左脚作为接入点，分别命名为a、b、c和d，在每个接入点各安置一个电流电极和一个电压电极；

获得五个关于人体阻抗的有效表达式：

I_ab*R₅₁=V_ac （7）

I_ab*R₅₂=V_bd （8）

I_ac*R₅₃=V_bd （9）

I_cd*R₅₄=V_ac （10）

I_cd*R₅₅=V_bd （11）

其中，式(7)中，电流I_ab加在左手与右手间，测量得到右手与右脚间的电压为V_ac；式(8)中，电流I_ab加在左手与右手间，测量得到左手与左脚间的电压为V_bd；式(9)中，电流I_ac加在右手与右脚间，测量得到左脚与右脚间的电压为V_bd；式(10)中，电流I_cd加在右脚与左脚间，测量得到右手与右脚间的电压为V_ac；式(11)中，电流I_cd加在右脚与左脚间，测量得到左脚与右脚间的电压为V_bd；

根据所述五个关于人体阻抗的有效表达式，获得左右上肢阻抗值差值α和左右下肢阻抗值差值β，分别为：α=V_ac/I_ab-V_bd/I_ab和β=V_ac/I_cb-V_bd/I_cb。

4.根据权利要求3所述的基于八段阻抗模型的人体成分分析的方法，其特征在于，所述根据所述六个关于人体阻抗的有效表达式、所述左右上肢阻抗值差值和所述左右下肢阻抗值差值，计算得到每段人体阻抗的表达式，具体包括：

根据各个人体阻抗的关系，获得R₁=R₃+α和R₇=R₈+β，

令X₁=V_ac1/I，X₂=V_bd1/I，X₃=V_cd1/I，X₄=V_ad2/I，X₅=V_cd2/I，X₆=V_bd3/I，从而获得每段人体阻抗的表达式：R₁=X₁-kX₃，R₂=(m+n+2k+1)*X₃，R₃=R₁-α，

R_{4} = \frac{(k + n) * (m + n + 2 k + 1)}{m} * X_{3}, R_{5} = \frac{k * (m + n + 2 k + 1)}{m} * X_{3}, R_{6} = \frac{m + n + 2 k + 1}{m} * X_{3},

R_{7} = X_{5} - \frac{(k + n)}{m} * X_{3}

和R₈=R₇-β。

5.根据权利要求4所述的基于八段阻抗模型的人体成分分析的方法，其特征在于，所述拟合模型为：

f=a₁R₂+a₂R₄+a₃R₅+a₄R₆+a₅R₁R₃+a₆R₇R₈+a₇S+a₈A+a₉H+a₁₀W+a₁₁R+ε，

其中，S代表性别、A代表年龄、H代表身高、W代表体重和R代表种族，a₁～a₁₁为拟合模型的系数，ε为误差。

6.根据权利要求1所述的基于八段阻抗模型的人体成分分析的方法，其特征在于，所述使用多组已知样本在拟合模型中训练，获得拟合模型的未知系数，并获得人体成分预测公式，具体包括：

使用多组已知样本在拟合模型中训练，获得拟合模型的未知系数；

通过遗传算法对参数进行粗略的优化后，再将得到的粗略值作为神经网络的初始值进行训练，得到人体成分预测公式。

7.根据权利要求6所述的基于八段阻抗模型的人体成分分析的方法，其特征在于，所述通过遗传算法对参数进行粗略的优化后，再将得到的粗略值作为神经网络的初始值进行训练，具体包括：

根据拟合模型中的阻抗值和人体其他生理参数间呈现出的关系，选用线性神经网络算法对拟合模型进行网络的建立：

表示网络的输入向量，表示网络的目标向量，W_ij=(w_i1,w_i2,…,w_is)表示连接权值向量；

采用遗传算法进行粗略优化后的值作为神经网络训练的各连接权值W_ij初始值；

利用学习模式进行训练，获得网络输出值：

计算网络各输出单元的实际输出与目标向量之间的误差：

d_{j}^{k} = y_{j}^{k} - z_{i}^{k}, j = 1,2, . . ., s;

进行连接权值的修正：

w_{ij} (N + 1) = w_{IJ} (N) + α a_{i}^{k} d_{j}^{k}, i = 1,2, . . ., R,

所述连接权值为所述拟合模型的系数a₁-a₁₁。