一種人體內(nèi)分泌系統(tǒng)健康風險預警系統(tǒng)的制作方法
【技術領域】
[0001] 本發(fā)明屬于亞健康風險預警技術領域，具體涉及一種人體內(nèi)分泌系統(tǒng)健康風險預 警系統(tǒng)。
【背景技術】
[0002] 隨著我國經(jīng)濟的不斷發(fā)展，人群中亞健康的比例在逐年增加，約有7億人口處于 亞健康狀態(tài)，企業(yè)白領、機關公務員由于其工作性質(zhì)，是亞健康的主要人群之一，企業(yè)干部 的身體狀況也不容樂觀。因而開展對該類人群的健康風險評估預警技術方面的研究，實現(xiàn) 對該類人群健康狀況的早期預警、早期干預十分必要。
[0003] WHO的一項全球性調(diào)查表明，真正健康的人僅占5%，患有疾病的人占20%，而 75%的人處于健康低質(zhì)量狀態(tài)。健康低質(zhì)量狀態(tài)又稱亞健康狀態(tài)（也稱第三狀態(tài)、灰色狀 態(tài)、病前狀態(tài)、亞臨床期、臨床前期、潛病期等），此時人體無臨床癥狀或癥狀感覺輕微，一般 的臨床檢查指標尚未發(fā)生明顯改變，但身體已有潛在病理信息。疾病的形成絕非一朝一夕， 經(jīng)歷了從細胞能量改變一一組織能量改變一一器官功能性改變一一器官發(fā)生病變的過程， 絕大多數(shù)人對器官發(fā)生病變之前的一系列變化是很難察覺的，只有當器官功能性改變積累 到一定程度，器官發(fā)生病變了，這時人們才能感覺到生病了。所以說，身體的一些疾病是經(jīng) 歷了從健康一一亞健康一一發(fā)病的過程。當身體處在組織能量改變和器官功能性改變階段 時，人的身體就處在亞健康狀態(tài)。如果此時人們能夠及時發(fā)現(xiàn)身體存在的健康風險，并采取 健康干預措施，就可防止器官發(fā)生病變。目前，一般的身體健康檢查手段只能發(fā)現(xiàn)人體的組 織器官發(fā)生病變或組織器官已經(jīng)出現(xiàn)明顯損傷，而不能及時發(fā)現(xiàn)人體亞健康階段的組織能 量改變和器官功能性改變的情況。因此，健康風險預警技術，以及基于健康風險預警技術基 礎上的健康干預對預防疾病的發(fā)生有其十分重要的意義！
[0004] 健康風險預警技術就是運用先進的人體全自動全身掃描技術手段對人體進行全 面檢測，在對人體各系統(tǒng)主要器官功能性進行評估基礎上，結(jié)合基礎醫(yī)學、臨床醫(yī)學、預防 醫(yī)學、中醫(yī)學知識，對人體的八大系統(tǒng)健康風險進行早期預警。應用此技術可以對處于亞健 康狀態(tài)的人進行有針對性地早期健康干預，防止器官發(fā)生病變。目前，人們進行一般的身體 健康檢查仍然沒有擺脫由發(fā)現(xiàn)疾病到治療疾病的診療模式。這種診療模式只能做到"有病 治病"，無法實現(xiàn)"無病防病"的目的。一般的身體健康檢查項目只針對人體某些器官進行 檢查。同時，還受到醫(yī)生專業(yè)知識水平和診察思維的局限性影響，無法做到系統(tǒng)、全面地篩 查人體各個器官和系統(tǒng)的健康狀況，也無法真正實現(xiàn)人體健康異常信息的早期發(fā)現(xiàn)、早期 干預。況且，一般的身體健康檢查經(jīng)常使用X線、介入手段，常常給受檢者帶來額外的損傷。 這種身體健康檢查方式不僅與現(xiàn)代健康整體觀和無創(chuàng)性的要求相悖，而且可能引起潛在的 輻射損害和醫(yī)源性傳染。
[0005] 國內(nèi)外流行病學情況：據(jù)統(tǒng)計，美國每年有600萬人被懷疑處于亞健康狀態(tài)，年齡 多在20~45歲之間。有14%的成年男性和20%的婦女表現(xiàn)有明顯的疲勞，其中1/8發(fā)展 成為亞健康狀態(tài)中存在的慢性疲勞綜合征。我國的亞健康問題也相當嚴峻，有數(shù)據(jù)表明，我 國約有7億人口處于亞健康狀態(tài)，機關公務員由于其工作性質(zhì)，是亞健康的主要人群之一， 企業(yè)干部的身體狀況也不容樂觀。
[0006] 人體內(nèi)分泌系統(tǒng)出現(xiàn)"亞健康狀態(tài)"時，會出現(xiàn)人體激素水平的紊亂，容易表現(xiàn)為 失眠、健忘、頭暈、貧血、肥胖、更年期綜合癥、性功能減退等問題。
[0007] 中國中醫(yī)研究院的劉保延等人設計出亞健康狀態(tài)中醫(yī)基本證候特征調(diào)查問卷， 包括軀體狀況、生活狀況、情志狀況、精力狀況、稟賦狀況、社會環(huán)境狀況等6個部分，共124 個問題條目，采用5級評分，每個條目的分值從1分到5分，意義由好到不好。該問卷全面 翔實，能夠在一定程度上對人群的健康狀態(tài)做出判斷，揭示亞健康中醫(yī)證候的分布規(guī)律。王 學良等人在此基礎上，研制了亞健康狀態(tài)中醫(yī)證候調(diào)查表，包含軀體癥狀、心理癥狀、社會 癥狀3個方面，共72個條目，內(nèi)容上大大簡化，易于操作。
[0008] 美國康奈爾大學編制的CMI問卷內(nèi)容包括4個部分：軀體癥狀、家庭史和既往史、 一般健康和習慣、精神癥狀。分成18個部分，共195個條目。每個條目回答"是"者記1分； 回答"否"者記0分，全部條目相加得出CMI的總分。其中，有51個條目是與精神活動有 關的情緒、情感和行為方面的問題，稱為M R部分。CMI還確定了篩查標準，在我國的篩查 標準是：男性總分彡935，M-R彡15分；女性總分彡40分，M-R彡20分。達到此標準的即為 篩查到的軀體和心理障礙者。周玲玲等將該量表與自制量表結(jié)合，對372名中小學教師進 行了亞健康調(diào)查，發(fā)現(xiàn)中小學教師亞健康發(fā)生率為55. 11%。
[0009] 很多學者用世界流行的MDI健康評估法對亞健康狀態(tài)進行定量研究，它本來是 WHO用于對人類死亡危害最大的疾病所提示的各項指標進行測定，根據(jù)被測者的實際檢測 狀況逐項打分（采取百分制，滿分為100分），對應于WHO的健康定義，進行綜合評價，其標 準是：85分以上為健康狀態(tài)，70分以下為疾病狀態(tài)，70~85分為亞健康狀態(tài)（第三狀態(tài)）。 MDI所依據(jù)的提示包括依次排列的對心腦血管疾病監(jiān)測及中風預報、惡性腫瘤征象提示、臟 器病變提示、血液及過敏性疾病提示、體內(nèi)污染測定、內(nèi)分泌系統(tǒng)檢查、肢體損害探測、服藥 效果探測等軀體性指標，以及近年來增加的心理、社交障礙指標MDI健康評估量表。
[0010] 機器學習是當今大數(shù)據(jù)時代的核心研究方向，機器學習的研究成果被廣泛應用到 模式識別、計算機視覺、數(shù)據(jù)挖掘、控制論等領域當中，并滲透到人們?nèi)粘Ｉ畹姆椒矫婷?當中。而在機器學習的研究當中，分類器的研究占據(jù)著舉足輕重的地位，絕大部分的實際問 題都可以轉(zhuǎn)換成一個分類問題，分類器的性能往往是一個應用成果與否的關鍵。挖掘分類 器（如支持向量機（SVM)、極限學習機（ELM)等）的巨大潛力已經(jīng)成為了當今機器學習的主 流研究方向。
[0011] 極限學習機是從單隱藏層的神經(jīng)網(wǎng)絡發(fā)展而來的，并具有易于實現(xiàn)，速度快，泛化 能力強等特點，而成為廣大學者的研究對象。單隱藏層反饋神經(jīng)網(wǎng)絡具有兩個比較突出的 能力：（1)可以直接從訓練樣本中擬合出復雜的映射函數(shù)，（2)可以為大量難以用傳統(tǒng)分類 參數(shù)技術處理的自然或者人工現(xiàn)場提供模型。但是單隱藏層反饋神經(jīng)網(wǎng)絡缺少比較快速的 學習方法。誤差反向傳播算法每次迭代需要更新很多個值，所花費的時間遠遠低于所容忍 的時間。經(jīng)?？梢钥吹綖橛柧氁粋€單隱藏層反饋神經(jīng)網(wǎng)絡花費了數(shù)小時，數(shù)天或者更多的 時間。極限學習機在很多領域進行分類預測時得到了廣泛應用。
[0012] 統(tǒng)計學習理論建立在結(jié)構(gòu)風險最小化原則基礎上，它是專門針對小樣本情況下的 機器學習問題而建立的一套新的理論體系?；诮y(tǒng)計學習理論的支持向量機算法具有理論 完備、全局優(yōu)化、適應性強、推廣能力好等優(yōu)點，是機器學習研究的新熱點。它在最小化經(jīng)驗 風險的同時，有效提高了算法的泛化能力，具有良好的應用價值和發(fā)展前景。
[0013] 基于數(shù)據(jù)的機器學習是現(xiàn)代智能技術中的重要方面，研究從觀測數(shù)據(jù)樣本出發(fā)尋 找規(guī)律，利用這些規(guī)律對未來數(shù)據(jù)或無法觀測的數(shù)據(jù)進行預測，包括模式識別、神經(jīng)網(wǎng)絡等 在內(nèi)的現(xiàn)有機器學習方法的重要基礎是傳統(tǒng)的統(tǒng)計學，前提是有足夠多的樣本，即傳統(tǒng)統(tǒng) 計學研究的是樣本數(shù)目趨于無窮大時的漸近理論，當樣本數(shù)目有限時難以取得理想的效 果。Vapnik的統(tǒng)計學習理論（Statistical Learning Theory，SLT)則著重提出了小樣本 情況下的統(tǒng)計規(guī)律和學習方法性質(zhì)，為機器學習問題建立了一個較好的理論框架，并由此 發(fā)展了一種新的通用學習方法--支持向量機（Support Vector Machine，SVM)。
[0014] SVM通過引入核函數(shù)，將樣本向量映射到高維特征空間，然后在高維空間中構(gòu)造最 優(yōu)分類面，獲得線性最優(yōu)決策函數(shù)。SVM可以通過控制超平面的間隔度量來抑制函數(shù)的過擬 合；通過采用核函數(shù)巧妙解決了維數(shù)問題，避免了學習算法計算復雜度與樣本維數(shù)的直接 相關；也由于SRM原則的使用，SVM具有了良好的推廣能力。
[0015] 支持向量機的特點
[0016] 1.系統(tǒng)結(jié)構(gòu)簡單表面上支持向量機的結(jié)構(gòu)類似與于三層前饋神經(jīng)網(wǎng)絡，但它們有 著根本的不同。支持向量機結(jié)構(gòu)非常簡單，不需要過多的先驗知識。它的隱層是由算法自 動確定的，可以隨實際問題的需要而自適應的調(diào)節(jié)規(guī)模與大小，不存在類似神經(jīng)網(wǎng)絡的結(jié) 構(gòu)選擇問題。而神經(jīng)網(wǎng)絡的隱層數(shù)和每層的節(jié)點數(shù)目都是事先確定好的，神經(jīng)網(wǎng)絡的算法 中僅自動產(chǎn)生網(wǎng)絡權(quán)值。
[0017] 2.全局最優(yōu)性支持向量機是通過求解最優(yōu)超平面來進行學習的，在高維特征空間 中的超平面對應原始模式空間中的非線性分類面。尋找最優(yōu)超平面的問題是利用Lagrange 優(yōu)化方法轉(zhuǎn)化為二次規(guī)劃問題，能夠保證支持向量機算法得到的是全局最優(yōu)解，使它成為 一種優(yōu)秀的學習算法。在神經(jīng)網(wǎng)絡中，得到的結(jié)果可能是局部最優(yōu)解。特別是當訓練樣本 的維數(shù)較高時，高維空間可能存在許多局部極值，且不同的局部極值之間有較大差異，神經(jīng) 網(wǎng)絡的訓練和測試結(jié)果會呈現(xiàn)出較大的隨機性。
[0018] 3.推廣能力強支持向量機基于統(tǒng)計學習理論，采用結(jié)構(gòu)風險最小化原則，能在經(jīng) 驗風險與模型復雜度之間做合理的折衷，能夠盡量提高學習機的推廣性能，即使由有限訓 練樣本得到的決策規(guī)則對獨立的測試集仍能夠得到較小的誤差。神經(jīng)網(wǎng)絡采用了保持置信 范圍并最小化經(jīng)驗風險的策略，但并沒有明確的依據(jù)來指導如何構(gòu)造學習機器使得置信范 圍最?。欢鳶VM采用的使保持經(jīng)驗風險固定并最小化置信范圍的方法。從獲得良好推廣能 力的角度來看，SVM顯然比神經(jīng)網(wǎng)絡要高明得多。
[0019] 極限學習機（ELM)和支持向量機（SVM)比較分析：
[0020] 極限學習機ELM是一種簡單易用、有效的單隱層前饋神經(jīng)網(wǎng)絡SLFNs學習算法。傳 統(tǒng)的神經(jīng)網(wǎng)絡學習算法（如BP算法）需要人為設置大量的網(wǎng)絡訓練參數(shù)，并且很容易產(chǎn) 生局部最優(yōu)解。極限學習機只需要設置網(wǎng)絡的隱層節(jié)點個數(shù)，在算法執(zhí)行過程中不需要調(diào) 整網(wǎng)絡的輸入權(quán)值以及隱元的偏置，并且產(chǎn)生