CN106339754A - 遗传算法改进的神经网络建模用于人体成分分析的方法 - Google Patents
遗传算法改进的神经网络建模用于人体成分分析的方法 Download PDFInfo
- Publication number
- CN106339754A CN106339754A CN201610712139.8A CN201610712139A CN106339754A CN 106339754 A CN106339754 A CN 106339754A CN 201610712139 A CN201610712139 A CN 201610712139A CN 106339754 A CN106339754 A CN 106339754A
- Authority
- CN
- China
- Prior art keywords
- human body
- neural network
- layer
- genetic algorithm
- weight
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000002068 genetic effect Effects 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000004458 analytical method Methods 0.000 title abstract description 7
- 238000013528 artificial neural network Methods 0.000 title abstract description 4
- 238000003062 neural network model Methods 0.000 claims abstract description 12
- 108090000623 proteins and genes Proteins 0.000 claims description 25
- 230000001537 neural effect Effects 0.000 claims description 16
- 238000011871 bio-impedance analysis Methods 0.000 claims description 12
- 230000037396 body weight Effects 0.000 claims description 6
- 230000035772 mutation Effects 0.000 claims description 4
- 238000001467 acupuncture Methods 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 3
- 238000005259 measurement Methods 0.000 abstract description 2
- 238000012360 testing method Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000007935 neutral effect Effects 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/17—Function evaluation by approximation methods, e.g. inter- or extrapolation, smoothing, least mean square method
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Algebra (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Molecular Biology (AREA)
- Databases & Information Systems (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
Abstract
一种遗传算法改进的神经网络建模用于人体成分分析的方法，包括如下步骤：S1、采集多项人体生物电阻抗及身高、体重参数；S2、确定各项参数的初始权重和偏移量；S3、构建神经网络模型；S4、将各项参数的权重和偏移量数据输入神经网络模型后，输出最优权重和偏移量；S5、根据最优权重和偏移量确定人体成分含量值。上述遗传算法改进的神经网络建模用于人体成分分析的方法具有提高生物电阻抗方法测量人体成分的精度的优点。
Description
技术领域
本发明涉及人体成人检测方法，尤其是一种遗传算法改进的神经网络建模用于人体成分分析的方法。
背景技术
基于生物电阻抗原理的体成分测试是一种评估身体成分的间接方法，其基本原理是将微弱的交流电信号导入人体，通过测量得到人体各个部分的电阻抗，分析得到相应部分的组成成分。这种方法具有简单易用性和无创性等特点，近年来发展迅速，可适用于家庭、社区医生、健康俱乐部和医院。在测得人体生物阻抗后，根据各种经验公式计算出人体成分比例。经验公式一般通过生物阻抗测量所得的阻抗值与双能X射线吸收测量法等专业直接测试所测结果进行回归分析得到。现有的回归分析方法一般采取线性回归方式。线性回归模型假设生物电阻抗及身高、体重等其他参数与人体成分之间的关系是线性的，实际是一种线性建模，这种建模主要追求简单和方便，模型与实际情况之间存在的偏差会导致拟合优度较差。
发明内容
鉴于上述状况，有必要提供一种可提高测量计算精度的遗传算法改进的神经网络建模用于人体成分分析的方法。
为解决上述技术问题，提供一种遗传算法改进的神经网络建模用于人体成分分析的方法，包括如下步骤：
S1、采集多项人体生物电阻抗及身高、体重参数；
S2、确定各项参数的初始权重和偏移量；
S3、构建神经网络模型；
S4、将各项参数的权重和偏移量数据输入神经网络模型后，输出最优权重和偏移量；
S5、根据最优权重和偏移量确定人体成分含量值。
在本发明上述遗传算法改进的神经网络建模用于人体成分分析的方法中，所述步骤S3中的神经网络模型包括输入层、隐含层和输出层，所述输入层包括多项人体参数变量单元，所述输出层包括人体成分参数值单元，将人休参数变量通过所述输入层传给所述隐含层得到连接权值，所述隐含层分别连接所述输入层和所述输出层，通过所述隐含层将连接权值传给所述输出层，所述输出层通过人体成分参数单元输出最优人体成分参数值。
在本发明上述遗传算法改进的神经网络建模用于人体成分分析的方法中，所述步骤S4具体包括如下步骤：
S41、将各层权值和偏移量作为基因，随机生成基因群；
S42、逐一计算基因群中各个体针对人体成分参数的拟合优度；
S43、选取基因群中拟合优度较佳的优秀基因个体进行切断重组，作交叉遗传操作；
S44、对交叉遗传操作产生的新基因群，选取一部分个体进行随机变异操作；
S45、用交叉遗传和变异操作后生成的新基因群组，逐一计算各个体的拟合优度；
S46、当经过多次步骤S42至S45迭代，得到最优人体成分参数后，停止迭代，获得最优基因个体。
本发明采取神经网络建模的方式，并用遗传算法进行改进。神经网络建模的优点是，可以充分逼近任意复杂的非线性关系，可学习和自适应不知道或不确定的系统。而遗传算法的引入，可对神经网络的学习规则实现自动优化并能提高神经网络权系数的优化速度。与现有技术相比，
本发明由于采用基于神经网络建模可充分逼近任意复杂非线性关系，可学习和自适应不确定性系统的优势，实现生物电阻抗、身高、体重等参数与人体成分之间的最优建模；利用遗传算法的特点，对神经网络模型进行优化加速；提高拟合优度从而提高生物电阻抗方法测量人体成分的精度。对人体生物阻抗参数进行计算，得到的人体成分参数与双能X射线吸收测量法等专业直接测试所测结果在相关性、显著性差异等统计指标方面明显由于传统的线性回归经验公式。
附图说明
图1是本发明遗传算法改进的神经网络建模用于人体成分分析的方法的原理结构图。
具体实施方式
下面将结合附图及实施例对本发明遗传算法改进的神经网络建模用于人体成分分析的方法作进一步的详细说明。
本发明实施例的一种遗传算法改进的神经网络建模用于人体成分分析的方法，包括如下步骤：S1、采集多项人体生物电阻抗及身高、体重参数，通过对若干样本进行测试，记录数据，测试内容包括人体的生物电阻抗值和对应的身高、体重等参数；S2、确定各项参数的初始权重和偏移量，通过对采集数据进行数学统计，计数各项数据的权重和偏移量值；S3、构建神经网络模型，通过确定神经网络模型结构，设定函数值；S4、将各项参数的权重和偏移量数据输入神经网络模型后，输出最优权重和偏移量；S5、根据最优权重和偏移量确定人体成分含量值。
本发明遗传算法改进的神经网络建模用于人体成分分析的方法，如图1所示，步骤S3中的神经网络模型包括输入层、隐含层和输出层，所述输入层包括多项人体参数变量单元，所述输入层通过第一传递函数f把参数值Wij传给所述隐含层，所述隐含层包括有多项与所述输入层相对应的参数单元，所述隐含层分别连接所述输入层和所述输出层，所述隐含层通过第二传递函数g把参数值Wjk传给所述输出层，所述输出层包括多项人体成分参数单元，通过人体成分参数单元输出最优权重和偏移量。
如图1所示，本发明遗传算法改进的神经网络建模用于人体成分分析的方法中，所述步骤S4具体包括如下步骤：
S41、将各层权值和偏移量作为基因，随机生成基因群，如图1所述各层权值X1、X2、X3…XN和偏移量Wij随机生成基因群；
S42、逐一计算基因群中各个体针对人体成分参数的拟合优度；
S43、选取基因群中拟合优度较佳的优秀基因个体进行切断重组，作交叉遗传操作；
S44、对交叉遗传操作产生的新基因群yj，选取一部分个体进行随机变异操作；
S45、用交叉遗传和变异操作后生成的新基因群组，逐一计算各个体的拟合优度tk、zk；
S46、当经过多次步骤S42至S45迭代，得到最优人体成分参数后，停止迭代，获得最优基因个体。
本发明以各权重和偏移量构建遗传基因，随机生成一定数量的初始基因群，以针对测试样本的拟合优度作为选择判据，对初始基因群中的基因选取父母基因进行切段重组的遗传和变异操作，这样经过多代遗传迭代，可获得最佳拟合优度对应的基因，也就获得了最优权重和偏移量。
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，当可利用上述揭示的技术内容做出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。
Claims (3)
1.一种遗传算法改进的神经网络建模用于人体成分分析的方法，其特征在于，包括如下步骤：
S1、采集多项人体生物电阻抗及身高、体重参数；
S2、确定各项参数的初始权重和偏移量；
S3、构建神经网络模型；
S4、将各项参数的权重和偏移量数据输入神经网络模型后，输出最优权重和偏移量；
S5、根据最优权重和偏移量确定人体成分含量值。
2.如权利要求1所述的遗传算法改进的神经网络建模用于人体成分分析的方法，其特征在于：所述步骤S3中的神经网络模型包括输入层、隐含层和输出层，所述输入层包括多项人体参数变量单元，所述输出层包括人体成分参数值单元，将人休参数变量通过所述输入层传给所述隐含层得到连接权值，所述隐含层分别连接所述输入层和所述输出层，通过所述隐含层将连接权值传给所述输出层，所述输出层通过人体成分参数单元输出最优人体成分参数值。
3.如权利要求2所述的遗传算法改进的神经网络建模用于人体成分分析的方法，其特征在于，所述步骤S4具体包括如下步骤：
S41、将各层权值和偏移量作为基因，随机生成基因群；
S42、逐一计算基因群中各个体针对人体成分参数的拟合优度；
S43、选取基因群中拟合优度较佳的优秀基因个体进行切断重组，作交叉遗传操作；
S44、对交叉遗传操作产生的新基因群，选取一部分个体进行随机变异操作；
S45、用交叉遗传和变异操作后生成的新基因群组，逐一计算各个体的拟合优度；
S46、当经过多次步骤S42至S45迭代，得到最优人体成分参数后，停止迭代，获得最优基因个体。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610712139.8A CN106339754A (zh) | 2016-08-23 | 2016-08-23 | 遗传算法改进的神经网络建模用于人体成分分析的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610712139.8A CN106339754A (zh) | 2016-08-23 | 2016-08-23 | 遗传算法改进的神经网络建模用于人体成分分析的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN106339754A true CN106339754A (zh) | 2017-01-18 |
Family
ID=57824671
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610712139.8A Pending CN106339754A (zh) | 2016-08-23 | 2016-08-23 | 遗传算法改进的神经网络建模用于人体成分分析的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106339754A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109497967A (zh) * | 2019-01-04 | 2019-03-22 | 济南汇医融工科技有限公司 | 一种人体成分、精神压力和动脉硬化同步检测装置 |
| CN109871953A (zh) * | 2019-01-25 | 2019-06-11 | 浙江大学 | fpRNA遗传算法的重油裂解过程小波神经网络建模方法 |
| WO2021027295A1 (zh) * | 2019-08-12 | 2021-02-18 | 岭南师范学院 | 一种基于改进自适应遗传算法的人体体成分预测方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1517949A (zh) * | 2003-01-17 | 2004-08-04 | 清华大学 | 用于体质综合评价的人工神经网络模型参数的确定方法 |
| US20110245710A1 (en) * | 2009-10-01 | 2011-10-06 | Seca Ag | Apparatus and method for bioelectrical impedance measurements |
| CN103123669A (zh) * | 2013-02-28 | 2013-05-29 | 大连大学 | 一种基于遗传算法的人体体成分分析方法 |
| CN103637800A (zh) * | 2013-12-20 | 2014-03-19 | 大连大学 | 基于八段阻抗模型的人体成分分析的方法 |
| CN104434098A (zh) * | 2014-11-27 | 2015-03-25 | 北京四海华辰科技有限公司 | 一种人体能量检测方法及装置 |
| CN205322327U (zh) * | 2015-12-31 | 2016-06-22 | 华南理工大学 | 一种基于生物电阻抗可测量人体成分的可穿戴脚环 |
| US20160235309A1 (en) * | 2011-07-08 | 2016-08-18 | Lifeq Global Limited | Personalized Nutritional and Wellness Assistant |
-
2016
- 2016-08-23 CN CN201610712139.8A patent/CN106339754A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1517949A (zh) * | 2003-01-17 | 2004-08-04 | 清华大学 | 用于体质综合评价的人工神经网络模型参数的确定方法 |
| US20110245710A1 (en) * | 2009-10-01 | 2011-10-06 | Seca Ag | Apparatus and method for bioelectrical impedance measurements |
| US20160235309A1 (en) * | 2011-07-08 | 2016-08-18 | Lifeq Global Limited | Personalized Nutritional and Wellness Assistant |
| CN103123669A (zh) * | 2013-02-28 | 2013-05-29 | 大连大学 | 一种基于遗传算法的人体体成分分析方法 |
| CN103637800A (zh) * | 2013-12-20 | 2014-03-19 | 大连大学 | 基于八段阻抗模型的人体成分分析的方法 |
| CN104434098A (zh) * | 2014-11-27 | 2015-03-25 | 北京四海华辰科技有限公司 | 一种人体能量检测方法及装置 |
| CN205322327U (zh) * | 2015-12-31 | 2016-06-22 | 华南理工大学 | 一种基于生物电阻抗可测量人体成分的可穿戴脚环 |
Non-Patent Citations (1)
| Title |
|---|
| 胡彬: "基于人工神经网络的人体成分测量仪原型系统研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109497967A (zh) * | 2019-01-04 | 2019-03-22 | 济南汇医融工科技有限公司 | 一种人体成分、精神压力和动脉硬化同步检测装置 |
| CN109871953A (zh) * | 2019-01-25 | 2019-06-11 | 浙江大学 | fpRNA遗传算法的重油裂解过程小波神经网络建模方法 |
| CN109871953B (zh) * | 2019-01-25 | 2020-09-15 | 浙江大学 | fpRNA遗传算法的重油裂解过程小波神经网络建模方法 |
| WO2021027295A1 (zh) * | 2019-08-12 | 2021-02-18 | 岭南师范学院 | 一种基于改进自适应遗传算法的人体体成分预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Musaad et al. | Comparison of anthropometric measures of obesity in childhood allergic asthma: central obesity is most relevant | |
| CN100577097C (zh) | 测量人体一天的新陈代谢和人体生物活动所需要摄入的热量值的方法 | |
| CN114512239B (zh) | 基于迁移学习的脑卒中风险预测方法及系统 | |
| CN102307524B (zh) | 用于人体中胃阻抗谱的特征参数评估的系统和方法 | |
| CN101727627A (zh) | 一种基于组合评估法的信息系统安全风险评估模型 | |
| CN110367991A (zh) | 一种老年人跌倒风险评估方法 | |
| CN106203813A (zh) | 老年人生活自理能力量化计算方法 | |
| CN106339754A (zh) | 遗传算法改进的神经网络建模用于人体成分分析的方法 | |
| CN101826183A (zh) | 一种智能汽车评估方法及系统 | |
| CN103198211A (zh) | 2型糖尿病发病危险因素对血糖影响的定量分析方法 | |
| CN107890342A (zh) | 执行受检者测量 | |
| CN106355033A (zh) | 一种生活风险评估系统 | |
| CN113133762B (zh) | 一种无创血糖预测方法及装置 | |
| CN104462744A (zh) | 适用于心血管远程监测系统的数据质量控制方法 | |
| CN106295202B (zh) | 基于Hale指数的青少年健康状况动态分析方法 | |
| CN103838963A (zh) | 一种文胸压力舒适性评价方法 | |
| CN107152995B (zh) | 一种汽车碰撞试验中试验重复性的量化评价方法 | |
| CN112568901A (zh) | 一种基于多传感器的步态对称性和一致性评估方法 | |
| CN107506606A (zh) | 常见疾病风险预测方法及系统 | |
| CN108414471B (zh) | 一种基于近红外光谱与感官评吸互信息判别感官表征信息的方法 | |
| CN109223006A (zh) | 一种精神分裂症诊断系统 | |
| KR102477592B1 (ko) | 신체액 샘플을 이용한 근 감소증 인공지능 진단 시스템 및 방법 | |
| Topalovic et al. | Modelling the dynamics of expiratory airflow to describe chronic obstructive pulmonary disease | |
| CN105354414A (zh) | 一种基于层次分析的人体健康状况评估方法 | |
| CN115089147A (zh) | 一种血压测量装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170118 |
|
| RJ01 | Rejection of invention patent application after publication |