基于深度信念网络的个人健康评估模型

张珣 何东阳

摘要：随着大众对健康认知的提升，体质检测所采集的基本健康信息以及生理参数指标数据呈指数级增长。基于医疗大数据技术，提出对收集的生理健康数据进行前期预处理和特征提取，通过运用反向传播网络和受限玻尔兹曼机，提出一种基于深度信念网络的个人健康评估模型。该模型能通过训练大量人体健康参数信息，将个人健康评估结果分为3类9级：Healthy（A、B、C），Sub-Healthy（D+、D、D-），Unhealthy（F+、F、F-），评估出个人健康危险因素与健康状态之间的量化关系。

关键词：个人健康评估；反向传播网络；深度信念网络

DOIDOI：10.11907/rjdk.181244

中图分类号：TP301

文献标识码：A 文章编号：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.

英文关键词Key Words：personal health assessment；back propagation network；deep belief network

0 引言

世界卫生组织将“健康”定义为“不但是身体没有疾病或虚弱，还要有完整的生理、心理状态和社会适应能力[1]”。“亚健康”指“通常没有器官、组织、功能上的病症和缺陷，但是自我感觉不适，疲劳乏力，经常处在焦虑、烦躁状态”[2]。调查显示，符合“健康”定义的中国人群只有15%，还有15%的疾病人群，其余70%的人群处在“亚健康”状态中。医学资料表明，慢性非传染性疾病的发生往往是由亚健康发展而来的。如果亚健康状态没有及时预防并采取有效治愈措施，可能导致真正的慢性疾病。显然，研究发展针对于个人的健康评估[3]预测极具现实价值和意义。

了解自身健康，预测健康危险因素[3-4]，规范自身健康行为，已成为当前大众重要的健康需求。普通人在医院作完健康体检[5]后，往往看着体检报告单上的数据一头雾水，不知所措。个人健康评估模型的建立有助于解决这类问题，它通过对个人健康危险因素进行全面筛查、分析、处理、预测，起到健康预警作用，让个人清晰地认识自身健康状况，积极规范自身健康行为，提升健康生活质量。

1 个人健康评估

体检生理参数指标的性质和变化趋势蕴含着丰富的人体生理病理信息。更详细的解释是，人体生理参数[6]指标的细微变化都反映着机体健康的趋势。通过对话机体生理参数的多项指标，基于深度信念网络对个人健康状况进行综合评估。个人健康评估通过取得多方面的个人健康体检参数信息，分析出健康危险因素与健康状态之间的量化关系，预测个人在当前时间下的健康状况以及潜在危险疾病发生的可能性，对这一可能性进行量化评估。该模型能积极帮助体质检测个体全面综合认识自身健康状况，提前预测潜在疾病的发生几率，帮助改善个人健康状况。

个人健康评估有健康生理参数信息采集、数据预处理[7]、个人健康评估几个阶段。

（1）健康生理参数信息采集：这是进行个人健康评估的基础，包括问卷检查、常规体格检查、实验室检查。问卷检查，就是以表和问卷形式对被检测人进行相关健康问答，该方法主观性强，相比较而言，缺乏客观、准确的评价指标和标准。常规体格检查指对人体形态结构和技能发展水平进行检测和计量，例如身高、体重、体温、脉搏等。实验室检查通常指在实验室进行物理或化学检查，确定检测物质的内容、性质、浓度、数量等特性，常见的实验室检查有血常规、尿常规、血脂、血糖等。本研究中，个人健康评估预测模型获取个人最新的体检特征參数，共输入182个生理特征。其中包括10大类，分别为一般检查12项（例如血压、脉搏、体重、BMI[8]、体脂率等），血常规10项，尿常规13项，便常规10项，肝胆、肾、血脂、血糖等共24项，乙肝、丙肝、梅毒、AIDS[9]、肿瘤甲状腺、风湿等51项，男性性激素、女性性激素6项，体适能、肺功能、微量元素等18项，眼科、耳鼻喉科、口腔、妇科31项，心脏类7项。

（2）数据预处理：数据预处理在机器学习、深度学习等不同算法中起着非常重要的作用，实际运用中，将数据作归一化和标准化处理后，模型能够发挥最佳预测效果。

（3）个人健康评估：主要包括健康状态评估和疾病风险评估两种评估方式。一般健康风险评估（HRA[10]）指对具有一定健康特征个体的危险因素和可能发生疾病的评估。疾病风险评估（DSHA[11]）是健康风险评估扩展为以疾病为基础的健康危险性评价。所谓疾病风险评估，是指对特定疾病患者健康风险的评估。

2 算法原理

3 个人健康评估模型

3.1 模型结构

深度信念网络结构[17]（Deep Belief Networks ， DBNs）是由若干層受限玻尔兹曼机和一层反向传播网络组成的一种深层神经网络，见图2。在深度信念网络中，上一层RBM网络可以通过学习得到的特征输出作为下一层的输入，使每层能更好地提取上一层特征。而顶层的反向传播网络则以RBM网络提取特征作为输入，然后对输入特征进行分类或预测。

第一层RBM可视层节点数量由输入样本特征数量决定。实践研究表明，随着RBM 层数的增加，深度信念网络的建模能力也随之增强，特征提取的抽象能力增加，结果预测能力更强，但是由于过多的RBM层数导致DBNs的泛化能力降低，容易出现过拟合现象。所以，DBNs网络深度对模型预测能力有一定的影响。需要考虑深度信念网络模型的每个隐层节点数对模型预测性能的影响。大量实践数据显示，隐层节点数过少可能会导致模型预测效果偏低；隐层节点数过多，同样也可能导致过拟合现象。

3.2 模型训练过程

4 评估结果

根据生命健康密切相关的生理体征信息，总结前人健康评估模型的不足，利用深度学习理论的强大特征抽象提取能力，建立一种新的健康评估方法。该评估模型通过对生理参数信息做前期预处理，利用反向传播网络、受限玻尔兹曼机生成深度信念网络，预处理完成后的生理特征作为训练数据，经过大量数据训练出科学、准确的健康评估模型。把健康评估结果分为3类9级：Healthy（A、B、C），Sub-Healthy[23]（D+、D、D-），Unhealthy（F+、F、F-），如表1所示。在判断个体健康状态基础上，增加对每一状态的健康等级划分，目的是方便用户更加简洁直观地看到自己的健康情况。

5 结语

本文针对个人体检参数结果，给出了健康生理特征参数信息的处理与分析方法，提出了一种基于深度信念网络的个人健康评估模型。该模型基于深度信念网络，建立一种个人体质检测生理特征参数（例如一般检查、血常规、尿常规、生化检查、免疫检查等）作为输入特征，以健康状况作为输出结果的模型。利用大量个人体检健康数据对模型进行训练，充分挖掘个人健康参数中的语义特征，实现基于体检健康大数据的个人健康评估模型。通过利用受限玻尔兹曼机和深度信念网络，对个人健康情况进行分类。研究表明，基于深度信念网络的健康评估方法，能较好地提取人体重要特征，更好地挖掘健康大数据的潜在价值，为大众提供健康指导，提高生活质量。

参考文献：

[1] 祝木兰.大学生心理健康状况及其影响因素研究[J].卫生职业教育，2007，25（23）：123-125.

[2] 石爱桥，张汇敏.传统体育养生的困境与未来发展方向研究[C].中国体育博士高层论坛，2014.

[3] 朱明贤.人体健康评估及信息管理平台的设计与实现[D].济南：山东大学，2015.

[4] 宇传华，季洁，张干深，等.中国人寿命、死因与健康危险因素——全球疾病负担研究最新结果[J].中国卫生统计，2015，32（1）：181-182.

[5] 姚宇彤.健康体检护理在健康和亚健康人群中的应用分析[J].中外医学研究，2015（14）：94-96.

[6] 张腾宇，李立峰，王喜太.人体生理参数预警及定位系统[P].CN201692066U2011.

[7] 王培培.健康体检数据预处理方法研究与应用[D].郑州：郑州大学，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] 张宏毅，王立威，陈瑜希.概率图模型研究进展综述[J].软件学报，2013（11）：2476-2497.

[15] 张艳霞.基于受限玻尔兹曼机的深度学习模型及其应用[D].成都：电子科技大学，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] 何鹏程.改进的卷积神经网络模型及其应用研究[D].大连：大连理工大学，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，張天浩，KOMLAN.基于深度置信网络的人脸识别方法研究[J].电子世界，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.

（责任编辑：杜能钢）