本發(fā)明屬于醫(yī)療技術(shù)領(lǐng)域，特別是涉及一種基于增量式神經(jīng)網(wǎng)絡(luò)模型的焦慮癥預(yù)測方法和預(yù)測系統(tǒng)。

背景技術(shù)：

當前國內(nèi)各健康管理系統(tǒng)均設(shè)置焦慮癥預(yù)測評價，其使用的預(yù)測方式為數(shù)據(jù)匹配。其原理是將個人生活數(shù)據(jù)輸入系統(tǒng)由系統(tǒng)匹配固定數(shù)據(jù)然后得出患病幾率。但由于人體和疾病的復雜性、不可預(yù)測性，在生物信號與信息的表現(xiàn)形式上、變化規(guī)律(自身變化與醫(yī)學干預(yù)后變化)上，對其進行檢測與信號表達，獲取的數(shù)據(jù)及信息的分析、決策等諸多方面都存在非常復雜的非線性聯(lián)系。所以使用傳統(tǒng)的數(shù)據(jù)匹配只能是盲目的數(shù)據(jù)篩查，無法判斷數(shù)據(jù)與數(shù)據(jù)之間的邏輯關(guān)聯(lián)以及變量，得到的值域偏差大，造成系統(tǒng)預(yù)測的特異性十分差，所以目前的國內(nèi)健康管理系統(tǒng)無法有效對個人的焦慮癥進行準確預(yù)測。

此前大部分對焦慮癥預(yù)測都是使用BP神經(jīng)網(wǎng)絡(luò)模型，但是當新的檢測數(shù)據(jù)產(chǎn)生的時候，都必須再次訓練神經(jīng)網(wǎng)絡(luò)模型，運算效率極低。而且當系統(tǒng)用戶規(guī)模增加后，服務(wù)器將無法及時完成訓練任務(wù)。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的就在于克服現(xiàn)有技術(shù)的不足，提供了一種基于增量式神經(jīng)網(wǎng)絡(luò)模型的焦慮癥預(yù)測方法和預(yù)測系統(tǒng)，本發(fā)明通過神經(jīng)網(wǎng)絡(luò)模型訓練預(yù)測大量醫(yī)院患者病理數(shù)據(jù)，找到焦慮癥病理與焦慮癥早期生活細節(jié)變化、臨床癥狀、檢測標準值、高危人群特征，這幾項病因之間的邏輯關(guān)聯(lián)和變量，最終形成對焦慮癥患病幾率準確預(yù)測的焦慮癥病理神經(jīng)網(wǎng)絡(luò)模型，本發(fā)明通過采集用戶日常生活數(shù)據(jù)，主動分析其數(shù)據(jù)的周期性、規(guī)律性最終通過焦慮癥病理神經(jīng)網(wǎng)絡(luò)模型預(yù)測用戶的患焦慮癥概率，以視覺效果的方式提醒用戶即時就醫(yī)，當神經(jīng)網(wǎng)絡(luò)模型預(yù)測不準確時通過增量式算法不斷修正神經(jīng)網(wǎng)絡(luò)模型，以針對每個設(shè)備用戶建立訓練出針對該用戶的神經(jīng)網(wǎng)絡(luò)模型，隨著使用時間的增加，以建立對該用戶量身定做的神經(jīng)網(wǎng)絡(luò)模型，準確率被大幅提高。

為了實現(xiàn)上述目的，本發(fā)明提供了一種基于增量式神經(jīng)網(wǎng)絡(luò)模型的焦慮癥預(yù)測方法，包括如下步驟：

步驟(1)、獲取醫(yī)院焦慮癥病因病理數(shù)據(jù)源與病人日常監(jiān)控數(shù)據(jù)，從而建立焦慮癥日常數(shù)據(jù)數(shù)據(jù)庫；

步驟(2)、根據(jù)步驟(1)建立的焦慮癥日常數(shù)據(jù)數(shù)據(jù)庫以離線的方式對神經(jīng)網(wǎng)絡(luò)模型進行訓練，以得到訓練好的焦慮癥病理神經(jīng)網(wǎng)絡(luò)模型；

步驟(3)、通過智能監(jiān)控設(shè)備對用戶的日常生活數(shù)據(jù)進行采集，并將采集的日常生活數(shù)據(jù)發(fā)送至服務(wù)器，服務(wù)器將用戶的日常生活數(shù)據(jù)保存至用戶日常數(shù)據(jù)記錄表中；

步驟(4)、從用戶日常數(shù)據(jù)記錄表中提取當日數(shù)據(jù)，形成n維向量，并對n維向量做歸一化處理后輸入步驟(2)中訓練好的焦慮癥病理神經(jīng)網(wǎng)絡(luò)模型中進行焦慮癥概率預(yù)測，得到焦慮癥概率，服務(wù)器將焦慮癥概率傳送給智能家庭焦慮癥護理設(shè)備；

步驟(5)、智能家庭焦慮癥護理設(shè)備接收服務(wù)器傳送的焦慮癥概率后，判斷焦慮癥概率值是否大于0.5，如果大于0.5，則判定為該用戶得了焦慮癥，警示器警示以提醒用戶，如果小于0.5，則判定為該用戶沒有得焦慮癥；

步驟(6)、當用戶判定為得了焦慮癥時，用戶自行去醫(yī)院檢查，并將檢查結(jié)果通過智能家庭焦慮癥護理設(shè)備傳送回服務(wù)器，服務(wù)器判斷檢查結(jié)果是否正確，如果檢查結(jié)果錯誤，則說明焦慮癥病理神經(jīng)網(wǎng)絡(luò)模型預(yù)測不準確，如果檢查結(jié)果正確，則說明焦慮癥病理神經(jīng)網(wǎng)絡(luò)模型預(yù)測準確；

步驟(7)、當檢查結(jié)果錯誤時，從用戶日常數(shù)據(jù)記錄表中抽取m天內(nèi)的記錄保存至增量數(shù)據(jù)表中，當增量數(shù)據(jù)表中的記錄數(shù)量大于h條時，執(zhí)行增量式算法，對焦慮癥病理神經(jīng)網(wǎng)絡(luò)模型進行動態(tài)修正；

步驟(8)、重復步驟(3)～(7)。

進一步地，神經(jīng)網(wǎng)絡(luò)模型的輸入層為n個節(jié)點，隱含層個數(shù)為n*2+1，輸出層為1個節(jié)點，從焦慮癥日常數(shù)據(jù)數(shù)據(jù)庫表中提取k條記錄進行訓練，每條記錄是一個n維向量，所有數(shù)據(jù)在使用前先經(jīng)歸一化處理，使其數(shù)值在[0,1]區(qū)間,然后執(zhí)行如下步驟對神經(jīng)網(wǎng)絡(luò)模型進行訓練：

1)輸入一個n維向量到神經(jīng)網(wǎng)絡(luò)模型，計算神經(jīng)網(wǎng)絡(luò)模型中所有的權(quán)向量到該輸入n維向量的距離，距離最近的神經(jīng)元即為獲勝神經(jīng)元，其計算公式如下：

其中：W_k是獲勝神經(jīng)元的權(quán)向量,||...||為歐幾里得距離；

2)調(diào)整獲勝神經(jīng)元和獲勝神經(jīng)元領(lǐng)域內(nèi)的神經(jīng)元的權(quán)向量，公式如下：

其中：W_j(t)是神經(jīng)元；W_j(t+1)是調(diào)整前和調(diào)整后的權(quán)向量；j屬于獲勝神經(jīng)元領(lǐng)域；α(t)是學習率，它是隨著迭代次數(shù)的增加逐漸遞減的函數(shù)，取值范圍為[0 1]，經(jīng)過多次實驗選取最佳學習率為0.62；D_j是神經(jīng)元j與獲勝神經(jīng)元的距離；σ(t)是隨著時間遞減的函數(shù)；每一次迭代都將所有輸入n維向量輸入到神經(jīng)網(wǎng)絡(luò)模型中進行訓練，當達到規(guī)定的迭代次數(shù)后，神經(jīng)網(wǎng)絡(luò)模型訓練結(jié)束。

進一步地，智能家庭焦慮癥護理設(shè)備將檢查結(jié)果傳送回服務(wù)器的結(jié)果信息的格式為：{檢查是否正確，血糖值}，服務(wù)器在接收到結(jié)果信息后，判斷檢查結(jié)果是否正確。

進一步地，對焦慮癥病理神經(jīng)網(wǎng)絡(luò)模型進行動態(tài)修正的增量式算法為：

把增量數(shù)據(jù)表中的每條向量V{V₁,V₂,…,V_n}，傳送至神經(jīng)網(wǎng)絡(luò)模型學習函數(shù)中進行學習，學習步驟如下：

1)首先對輸出層各權(quán)向量賦小隨機數(shù)并做歸一化處理，然后利用輸入模式向量V的平均值A(chǔ)vg(V)，初始化為神經(jīng)網(wǎng)絡(luò)模型第0層中唯一神經(jīng)元的權(quán)值，并設(shè)置為獲勝神經(jīng)元，計算其量化誤差QE；

2)從第0層的神經(jīng)元中拓展出一個2×2結(jié)構(gòu)SOM，并將其層次標識Layer置為1；

3)對于第Layer層中拓展出的每一個2×2結(jié)構(gòu)SOM子網(wǎng)，初始化這4個神經(jīng)元的權(quán)值；將第i個神經(jīng)元的輸入向量集合Ci設(shè)置為空，主標簽置為NULL，神經(jīng)元i的主標簽比率r_i置為0；新的SOM的異常預(yù)警數(shù)據(jù)向量V繼承其父神經(jīng)元的獲勝輸入向量集合VX；

4)從VX中挑選一個向量VX_i做以下判斷：

如果VX_i為不帶標簽的數(shù)據(jù)，則計算它與每個神經(jīng)元的歐氏距離，選擇距離最短的神經(jīng)元作為獲勝神經(jīng)元；

如果VX_i為帶標簽的數(shù)據(jù)，則選擇主標簽與VX_i的標簽相同且r_i值最大的神經(jīng)元作為獲勝神經(jīng)元，更新該獲勝神經(jīng)元主標簽；

如果找不到主標簽與VX_i的標簽相同的神經(jīng)元，則找到與VX_i距離最近的神經(jīng)元i作為獲勝神經(jīng)元；

5)對獲勝神經(jīng)元及其鄰域內(nèi)神經(jīng)元的權(quán)值進行調(diào)整，更新獲勝向量集合W＝W∪{VX_i}，計算獲勝神經(jīng)元的主標簽、主標簽比率r_i和信息熵E_i.如果未達到預(yù)定訓練次數(shù)，則轉(zhuǎn)步驟4)；

6)計算經(jīng)調(diào)整后的該神經(jīng)網(wǎng)絡(luò)模型中每個神經(jīng)元的量化誤差QE_i、神經(jīng)元信息熵E_i和子網(wǎng)的平均量化誤差MQE，公式如下：

其中：W_i為神經(jīng)元i的權(quán)值向量，C_i為映射到神經(jīng)元i的所有輸入向量構(gòu)成的集合；

其中：n_i表示落在神經(jīng)元上標簽為i的樣本個數(shù)，m表示落在神經(jīng)元上有標簽數(shù)據(jù)的總數(shù)，T表示落在神經(jīng)元上的樣本標簽種類集合；

然后判斷：

如果MQE>父節(jié)點的QE×閾值q，其中q＝0.71，則在該SOM中插入一行神經(jīng)元，轉(zhuǎn)步驟4)；

如果E_i>父節(jié)點的E_i×閾值p，其中p＝0.42，則從該神經(jīng)元上長出一層新的子網(wǎng)，將新長出的子網(wǎng)增加到Layer+1層的子網(wǎng)隊列中；

如果SOM中沒有插入新的神經(jīng)元也沒有長出新的子網(wǎng)，說明該子網(wǎng)訓練完成；

7)對于新拓展出的Layer+1層的所有2×2結(jié)構(gòu)SOM，迭代運行步驟3)～5)對其重新進行訓練，直至神經(jīng)網(wǎng)絡(luò)模型不再產(chǎn)生新的神經(jīng)元和新的分層，整個訓練結(jié)束。

進一步地，如果用戶通過其他方式包括體檢和自查，得知自己已患焦慮癥，而智能家庭焦慮癥護理設(shè)備的警示器沒有警示，則表示智能家庭焦慮癥護理設(shè)備判斷不準確，此時執(zhí)行步驟(6)～(7)，智能家庭焦慮癥護理設(shè)備把結(jié)果信息傳送到服務(wù)器上。

本發(fā)明還提供了一種所述焦慮癥預(yù)測方法的預(yù)測系統(tǒng)，包括智能監(jiān)控設(shè)備、智能設(shè)備數(shù)據(jù)采集器、服務(wù)器和智能家庭焦慮癥護理設(shè)備，所述智能監(jiān)控設(shè)備與所述智能設(shè)備數(shù)據(jù)采集器相連接，所述智能設(shè)備數(shù)據(jù)采集器通過通訊裝置一與所述服務(wù)器網(wǎng)絡(luò)通訊，所述智能家庭焦慮癥護理設(shè)備通過通訊裝置二與所述服務(wù)器網(wǎng)絡(luò)通訊。

進一步地，所述智能家庭焦慮癥護理設(shè)備上設(shè)置有警示器。

進一步地，所述智能監(jiān)控設(shè)備包括智能穿戴設(shè)備、智能水杯、智能體重稱、智能馬桶和智能光感設(shè)備。

本發(fā)明的有益效果：

1、本發(fā)明通過神經(jīng)網(wǎng)絡(luò)模型訓練預(yù)測大量醫(yī)院患者病理數(shù)據(jù)，找到焦慮癥病理與焦慮癥早期生活細節(jié)變化、臨床癥狀、檢測標準值、高危人群特征，這幾項病因之間的邏輯關(guān)聯(lián)和變量，最終形成對焦慮癥患病幾率準確預(yù)測的焦慮癥病理神經(jīng)網(wǎng)絡(luò)模型，本發(fā)明通過采集用戶日常生活數(shù)據(jù)，主動分析其數(shù)據(jù)的周期性、規(guī)律性最終通過焦慮癥病理神經(jīng)網(wǎng)絡(luò)模型預(yù)測用戶的患焦慮癥概率，以視覺效果的方式提醒用戶即時就醫(yī)和預(yù)防。

2、當神經(jīng)網(wǎng)絡(luò)模型預(yù)測不準確時通過增量式算法不斷修正神經(jīng)網(wǎng)絡(luò)模型，以針對每個設(shè)備用戶建立訓練出針對該用戶的神經(jīng)網(wǎng)絡(luò)模型，隨著使用時間的增加，以建立對該用戶量身定做的神經(jīng)網(wǎng)絡(luò)模型，準確率被大幅提高。

附圖說明

為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1為本發(fā)明實施例的流程圖。

具體實施方式

下面結(jié)合附圖對發(fā)明進一步說明，但不用來限制本發(fā)明的范圍。

實施例

如圖1所示，本發(fā)明提供的一種基于增量式神經(jīng)網(wǎng)絡(luò)模型的焦慮癥預(yù)測方法，包括如下步驟：

步驟(1)、獲取醫(yī)院焦慮癥病因病理數(shù)據(jù)源與病人日常監(jiān)控數(shù)據(jù)，從而建立焦慮癥日常數(shù)據(jù)數(shù)據(jù)庫；

其中日常監(jiān)控數(shù)據(jù)為15項數(shù)據(jù)，其15項數(shù)據(jù)為年齡，心率，體溫，體脂，進食量，飲水量，飲水頻率，大便量，BMI指數(shù)，睡眠時間，睡眠質(zhì)量，入睡時間，吸煙量(每日)，喝酒量(每日)，每日行走距離等15項數(shù)據(jù)，本發(fā)明以15項數(shù)據(jù)建立15維向量；

步驟(2)、根據(jù)步驟(1)建立的焦慮癥日常數(shù)據(jù)數(shù)據(jù)庫以離線的方式對神經(jīng)網(wǎng)絡(luò)模型進行訓練，以得到訓練好的焦慮癥病理神經(jīng)網(wǎng)絡(luò)模型；

步驟(3)、通過智能監(jiān)控設(shè)備對用戶的日常生活數(shù)據(jù)進行采集，并將采集的日常生活數(shù)據(jù)發(fā)送至服務(wù)器，服務(wù)器將用戶的日常生活數(shù)據(jù)保存至用戶日常數(shù)據(jù)記錄表中；

步驟(4)、從用戶日常數(shù)據(jù)記錄表中提取當日數(shù)據(jù)，形成15維向量，并對15維向量做歸一化處理后輸入步驟(2)中訓練好的焦慮癥病理神經(jīng)網(wǎng)絡(luò)模型中進行焦慮癥概率預(yù)測，得到焦慮癥概率，服務(wù)器將焦慮癥概率傳送給智能家庭焦慮癥護理設(shè)備；

步驟(5)、智能家庭焦慮癥護理設(shè)備接收服務(wù)器傳送的焦慮癥概率后，判斷焦慮癥概率值是否大于0.5，如果大于0.5，則判定為該用戶得了焦慮癥，警示器警示以提醒用戶，如果小于0.5，則判定為該用戶沒有得焦慮癥；

步驟(6)、當用戶判定為得了焦慮癥時，用戶自行去醫(yī)院檢查，并將檢查結(jié)果通過智能家庭焦慮癥護理設(shè)備傳送回服務(wù)器，服務(wù)器判斷檢查結(jié)果是否正確，如果檢查結(jié)果錯誤，則說明焦慮癥病理神經(jīng)網(wǎng)絡(luò)模型預(yù)測不準確，如果檢查結(jié)果正確，則說明焦慮癥病理神經(jīng)網(wǎng)絡(luò)模型預(yù)測準確；

步驟(7)、當檢查結(jié)果錯誤時，從用戶日常數(shù)據(jù)記錄表中抽取7天內(nèi)的記錄保存至增量數(shù)據(jù)表中，當增量數(shù)據(jù)表中的記錄數(shù)量大于100條時，執(zhí)行增量式算法，對焦慮癥病理神經(jīng)網(wǎng)絡(luò)模型進行動態(tài)修正；

步驟(8)、重復步驟(3)～(7)。

本發(fā)明的神經(jīng)網(wǎng)絡(luò)模型的輸入層為15個節(jié)點，隱含層個數(shù)為31，輸出層為1個節(jié)點(即焦慮癥的概率)，從焦慮癥日常數(shù)據(jù)數(shù)據(jù)庫表中提取400000條記錄進行訓練，每條記錄是一個15維向量，所有數(shù)據(jù)在使用前先經(jīng)歸一化處理，使其數(shù)值在[0,1]區(qū)間,然后執(zhí)行如下步驟對神經(jīng)網(wǎng)絡(luò)模型進行訓練：

1)輸入一個15維向量到神經(jīng)網(wǎng)絡(luò)模型，計算神經(jīng)網(wǎng)絡(luò)模型中所有的權(quán)向量到該輸入15維向量的距離，距離最近的神經(jīng)元即為獲勝神經(jīng)元，其計算公式如下：

其中：W_k是獲勝神經(jīng)元的權(quán)向量,||...||為歐幾里得距離；

2)調(diào)整獲勝神經(jīng)元和獲勝神經(jīng)元領(lǐng)域內(nèi)的神經(jīng)元的權(quán)向量，公式如下：

其中：W_j(t)是神經(jīng)元；W_j(t+1)是調(diào)整前和調(diào)整后的權(quán)向量；j屬于獲勝神經(jīng)元領(lǐng)域；α(t)是學習率，它是隨著迭代次數(shù)的增加逐漸遞減的函數(shù)，取值范圍為[0 1]，經(jīng)過多次實驗選取最佳學習率為0.62；D_j是神經(jīng)元j與獲勝神經(jīng)元的距離；σ(t)是隨著時間遞減的函數(shù)；每一次迭代都將所有輸入n維向量輸入到神經(jīng)網(wǎng)絡(luò)模型中進行訓練，當達到規(guī)定的迭代次數(shù)后，神經(jīng)網(wǎng)絡(luò)模型訓練結(jié)束。

本發(fā)明的智能家庭焦慮癥護理設(shè)備將檢查結(jié)果傳送回服務(wù)器的結(jié)果信息的格式為：{檢查是否正確，血糖值}，服務(wù)器在接收到結(jié)果信息后，判斷檢查結(jié)果是否正確。

本發(fā)明的對焦慮癥病理神經(jīng)網(wǎng)絡(luò)模型進行動態(tài)修正的增量式算法為：

把增量數(shù)據(jù)表中的每條向量V{V₁,V₂,…,V_n}，傳送至神經(jīng)網(wǎng)絡(luò)模型學習函數(shù)中進行學習，學習步驟如下：

1)首先對輸出層各權(quán)向量賦小隨機數(shù)并做歸一化處理，然后利用輸入模式向量V的平均值A(chǔ)vg(V)，初始化為神經(jīng)網(wǎng)絡(luò)模型第0層中唯一神經(jīng)元的權(quán)值，并設(shè)置為獲勝神經(jīng)元，計算其量化誤差QE；

2)從第0層的神經(jīng)元中拓展出一個2×2結(jié)構(gòu)SOM，并將其層次標識Layer置為1；

3)對于第Layer層中拓展出的每一個2×2結(jié)構(gòu)SOM子網(wǎng)，初始化這4個神經(jīng)元的權(quán)值；將第i個神經(jīng)元的輸入向量集合Ci設(shè)置為空，主標簽置為NULL，神經(jīng)元i的主標簽比率r_i置為0；新的SOM的異常預(yù)警數(shù)據(jù)向量V繼承其父神經(jīng)元的獲勝輸入向量集合VX；

4)從VX中挑選一個向量VX_i做以下判斷：

如果VX_i為不帶標簽的數(shù)據(jù)，則計算它與每個神經(jīng)元的歐氏距離，選擇距離最短的神經(jīng)元作為獲勝神經(jīng)元；

如果VX_i為帶標簽的數(shù)據(jù)，則選擇主標簽與VX_i的標簽相同且r_i值最大的神經(jīng)元作為獲勝神經(jīng)元，更新該獲勝神經(jīng)元主標簽；

如果找不到主標簽與VX_i的標簽相同的神經(jīng)元，則找到與VX_i距離最近的神經(jīng)元i作為獲勝神經(jīng)元；

5)對獲勝神經(jīng)元及其鄰域內(nèi)神經(jīng)元的權(quán)值進行調(diào)整，更新獲勝向量集合W＝W∪{VX_i}，計算獲勝神經(jīng)元的主標簽、主標簽比率r_i和信息熵E_i.如果未達到預(yù)定訓練次數(shù)，則轉(zhuǎn)步驟4)；

6)計算經(jīng)調(diào)整后的該神經(jīng)網(wǎng)絡(luò)模型中每個神經(jīng)元的量化誤差QE_i、神經(jīng)元信息熵E_i和子網(wǎng)的平均量化誤差MQE，公式如下：

其中：W_i為神經(jīng)元i的權(quán)值向量，C_i為映射到神經(jīng)元i的所有輸入向量構(gòu)成的集合；

其中：n_i表示落在神經(jīng)元上標簽為i的樣本個數(shù)，m表示落在神經(jīng)元上有標簽數(shù)據(jù)的總數(shù)，T表示落在神經(jīng)元上的樣本標簽種類集合；

然后判斷：

如果MQE>父節(jié)點的QE×閾值q，其中q＝0.71，則在該SOM中插入一行神經(jīng)元，轉(zhuǎn)步驟4)；

如果E_i>父節(jié)點的E_i×閾值p，其中p＝0.42，則從該神經(jīng)元上長出一層新的子網(wǎng)，將新長出的子網(wǎng)增加到Layer+1層的子網(wǎng)隊列中；

如果SOM中沒有插入新的神經(jīng)元也沒有長出新的子網(wǎng)，說明該子網(wǎng)訓練完成；

7)對于新拓展出的Layer+1層的所有2×2結(jié)構(gòu)SOM，迭代運行步驟3)～5)對其重新進行訓練，直至神經(jīng)網(wǎng)絡(luò)模型不再產(chǎn)生新的神經(jīng)元和新的分層，整個訓練結(jié)束。

本發(fā)明的如果用戶通過其他方式包括體檢和自查，得知自己已患焦慮癥，而智能家庭焦慮癥護理設(shè)備的警示器沒有警示，則表示智能家庭焦慮癥護理設(shè)備判斷不準確，此時執(zhí)行步驟(6)～(7)，智能家庭焦慮癥護理設(shè)備把結(jié)果信息傳送到服務(wù)器上。

本發(fā)明還提供了一種所述焦慮癥預(yù)測方法的預(yù)測系統(tǒng)，包括智能監(jiān)控設(shè)備、智能設(shè)備數(shù)據(jù)采集器、服務(wù)器和智能家庭焦慮癥護理設(shè)備，所述智能監(jiān)控設(shè)備與所述智能設(shè)備數(shù)據(jù)采集器相連接，所述智能設(shè)備數(shù)據(jù)采集器通過通訊裝置一與所述服務(wù)器網(wǎng)絡(luò)通訊，所述智能家庭焦慮癥護理設(shè)備通過通訊裝置二與所述服務(wù)器網(wǎng)絡(luò)通訊。

本發(fā)明的所述智能家庭焦慮癥護理設(shè)備上設(shè)置有警示器。

本發(fā)明的所述智能監(jiān)控設(shè)備包括智能穿戴設(shè)備、智能水杯、智能體重稱、智能馬桶和智能光感設(shè)備等。

本發(fā)明通過神經(jīng)網(wǎng)絡(luò)模型訓練預(yù)測大量醫(yī)院患者病理數(shù)據(jù)，找到焦慮癥病理與焦慮癥早期生活細節(jié)變化、臨床癥狀、檢測標準值、高危人群特征，這幾項病因之間的邏輯關(guān)聯(lián)和變量，最終形成對焦慮癥患病幾率準確預(yù)測的焦慮癥病理神經(jīng)網(wǎng)絡(luò)模型，本發(fā)明通過采集用戶日常生活數(shù)據(jù)，主動分析其數(shù)據(jù)的周期性、規(guī)律性最終通過焦慮癥病理神經(jīng)網(wǎng)絡(luò)模型預(yù)測用戶的患焦慮癥概率，以視覺效果的方式提醒用戶即時就醫(yī)和預(yù)防。

本發(fā)明的所有數(shù)據(jù)保存至服務(wù)器中，可以大幅節(jié)省計算成本，硬件配置低，從而售價也低。

本發(fā)明自帶通訊裝置一和通訊裝置二，可以通過wifi自動連接互聯(lián)網(wǎng)，并長期保持在線。各種智能監(jiān)控設(shè)備都可以通過網(wǎng)絡(luò)或藍牙等方式輕松接入本發(fā)明設(shè)備，在獲取設(shè)備授權(quán)后即可自動上傳智能監(jiān)控設(shè)備的監(jiān)控的日常生活數(shù)據(jù)，因此本發(fā)明設(shè)備獲取的數(shù)據(jù)是實時的、準確的、多元的。

由于每個人的身體特征不一樣，焦慮癥發(fā)病時所表現(xiàn)出的數(shù)據(jù)特征也會不同。因此以往的通過神經(jīng)網(wǎng)絡(luò)預(yù)測焦慮癥的方法準確率不高。本發(fā)明針對每個設(shè)備用戶建立訓練出針對該用戶的神經(jīng)網(wǎng)絡(luò)模型，在運行過一段時間后，將產(chǎn)生對該用戶量身定做神經(jīng)網(wǎng)絡(luò)預(yù)測模型，準確率被大幅提高。

當神經(jīng)網(wǎng)絡(luò)模型誤判時，智能家庭焦慮癥護理設(shè)備將錯誤信息將反饋給服務(wù)器，針對該用戶動態(tài)修正神經(jīng)網(wǎng)絡(luò)模型，當下次該用戶出現(xiàn)類似特征數(shù)據(jù)時，將不會再誤判。因此，隨著使用時間的增加，本發(fā)明的智能家庭焦慮癥護理設(shè)備的判斷將會越來越準確。

以上顯示和描述了本發(fā)明的基本原理、主要特征和本發(fā)明的優(yōu)點。本行業(yè)的技術(shù)人員應(yīng)該了解，本發(fā)明不受上述實施例的限制，上述實施例和說明書中描述的只是說明本發(fā)明的原理，在不脫離本發(fā)明精神和范圍的前提下本發(fā)明還會有各種變化和改進，這些變化和改進都落入要求保護的本發(fā)明范圍內(nèi)。本發(fā)明要求保護范圍由所附的權(quán)利要求書及其等同物界定。