一種敬老院老齡人的健康狀態(tài)預測方法

李章兵，鐘小勇，朱自蘭

1.湖南科技大學計算機科學與工程學院，湖南湘潭 411201

2.湖南省普通高校知識處理與網(wǎng)絡化制造重點實驗室，湖南湘潭 411201

一種敬老院老齡人的健康狀態(tài)預測方法

李章兵1，2，鐘小勇1，朱自蘭1

1.湖南科技大學計算機科學與工程學院，湖南湘潭 411201

2.湖南省普通高校知識處理與網(wǎng)絡化制造重點實驗室，湖南湘潭 411201

針對當前敬老院老齡人的活動監(jiān)控系統(tǒng)缺乏低成本的健康狀態(tài)預測，利用半有源RFID三層監(jiān)控跟蹤系統(tǒng)獲得的老齡人活動數(shù)據(jù)，統(tǒng)計并分析得出標示健康的平均活動次數(shù)，根據(jù)活動次數(shù)與健康的自然關系，設計了一個表征健康狀態(tài)的指數(shù)模型。使用8-9-1型的三層BP網(wǎng)絡，通過數(shù)據(jù)預處理和訓練來預測老齡人的健康指數(shù)。實驗結果表明該模型計算和預測結果與醫(yī)生的診斷能基本相符，誤報漏報率較低。該模型為老齡人的健康狀態(tài)預測、健康護理提供了一種低成本的決策支持，有效擴展了RFID的感知應用。

預測；健康指數(shù)；老齡人；反向傳播（BP）神經(jīng)網(wǎng)絡；半有源射頻識別（RFID）

1 引言

隨著社會人口老齡化快速增長的問題越來越嚴重，人口老齡化引發(fā)的贍養(yǎng)、護理等問題，受到政府和社會的關注，出現(xiàn)了各式各樣的跟蹤監(jiān)控系統(tǒng)，對老齡人的生活進行有效跟蹤監(jiān)控[1-2]。但是，這些監(jiān)控系統(tǒng)缺乏對老齡人的日常健康狀況預測與預警功能，這也是敬老院管理者和老齡人家屬迫切關心的問題。

目前現(xiàn)有的老齡人健康情況檢測系統(tǒng)，如軒運動和張振濤等人研發(fā)的基于無線體域網(wǎng)技術的老人健康監(jiān)護系統(tǒng)[1-2]，通過傳感器技術采集老人的心電、血壓等生理參數(shù)，經(jīng)專業(yè)醫(yī)生或醫(yī)療機構進行分析來判斷老人的健康情況。而林兆花等人研發(fā)的基于視頻的社區(qū)智能遠程健康診斷系統(tǒng)[3]，利用攝像頭、生理參數(shù)儀為家庭客戶端，檢測人體的健康狀況。這些系統(tǒng)都需要使用專業(yè)生理傳感器，通過視頻等傳遞病人信息給專業(yè)醫(yī)生來診斷，感知成本比較高，應用范圍屬于網(wǎng)絡門診系統(tǒng)，不適用于敬老院老人的日常健康護理。

針對目前敬老院的老齡人監(jiān)護跟蹤系統(tǒng)存在的不足，不能從老齡人的日常活動提前預知健康狀況的特點，根據(jù)人的生活活動規(guī)律與健康的自然關系，利用RFID監(jiān)控系統(tǒng)的老人活動數(shù)據(jù)，設計了基于活動次數(shù)統(tǒng)計的老齡健康指數(shù)模型，構造BP神經(jīng)網(wǎng)絡訓練并預測老齡人的健康指數(shù)，為提前預知老齡人的健康狀況，給敬老院的管理者和老人家屬對老齡人的健康護理提供了實時性、低成本的決策支持。

2 健康分析模型設計

2.1 老齡健康因素與健康活動標準次數(shù)

老齡人的健康受很多因素影響，根據(jù)研究表明，老齡人日常生活自然規(guī)律的改變，經(jīng)常預示著生理上發(fā)生病變。因此選取就餐、睡覺、上廁所的次數(shù)作為影響老齡人健康狀況的主要參考因素，休閑活動的次數(shù)作為次要因素。但是，不同的因素對健康的影響也不同，這里使用不同的權重代表對健康影響程度的不同[1-3]。

根據(jù)RFID跟蹤監(jiān)控系統(tǒng)統(tǒng)計得到的數(shù)據(jù)，選取20位老齡人1個月的活動數(shù)據(jù)進行統(tǒng)計分析，得到最佳健康狀況的每天平均值，作為參考標準值。對于每位老人的參考標準值，采用相加求和得出平均值的方法得到。這里考慮五種常見休閑活動作為次要因素，統(tǒng)計分析得出影響健康的活動因素所占的比例即權重，結果如表1和表2所示。

表1 影響老齡健康主要因素信息表

表2 影響老齡健康次要因素信息表

這些數(shù)據(jù)雖然是根據(jù)有限數(shù)據(jù)實際統(tǒng)計分析得出，具有局限性，但仍然代表了一定的健康參考規(guī)律。

2.2 健康指數(shù)模型設計

根據(jù)不同的活動因素對老齡健康狀況的影響不同，老齡人健康指數(shù)函數(shù)模型設計為基于多參數(shù)的，分為固定部分和可變部分。固定部分是各影響因素對健康指數(shù)的貢獻分量，可變部分是各因素在變化時對其他因素的影響分量。如式（1）所示：

由于就餐、睡覺和上廁所是反映老齡人健康的三個主要因素，這些活動的次數(shù)對老齡人個體差異較小，多數(shù)情況下會在參考標準值左右的正常范圍內波動，根據(jù)統(tǒng)計畫出的變化規(guī)律如圖1。

圖1 各主要因素對健康指數(shù)的影響趨勢圖

對于就餐因素，敬老院食堂不會開設太多次數(shù)，其次數(shù)取值一般在[0，6]，而用餐次數(shù)在[3，5]的區(qū)間內都屬于健康或者比較健康的狀況，其規(guī)律曲線如圖2所示。同理，睡覺次數(shù)取值在[0，10]，而在[1，4]的區(qū)間內都屬于健康或者比較健康的狀況；上廁所次數(shù)取值在[0，20]，而在[4，12]的區(qū)間內都屬于健康或者比較健康的狀況。

圖2 就餐因素對健康指數(shù)影響的規(guī)律曲線

假設健康狀況由健康指數(shù)描述，健康指數(shù)在[0，1]間取值，越小代表越不健康，越大代表越健康，這三個因素的值變化與健康指數(shù)間的關系如圖1。這種關系具有相似圖形，并且健康狀況對活動次數(shù)變化比較敏感，因此健康指數(shù)采用統(tǒng)一函數(shù)描述，如式（2）所示：

其中，δi是不同主要影響因素的參考標準值，αi和βi是根據(jù)不同主要因素對健康狀況的實際影響而設置的可變參數(shù)。

對就餐活動，當xi=δi=4.2時健康指數(shù)上應該是最大值1，且函數(shù)在[3，5]的區(qū)間上應該變化不明顯，但是當xi不在這個區(qū)間時，函數(shù)值對xi的變化相當敏感，從而表征健康狀況的急速下降。在正常活動次數(shù)的情況下，還需要保證f(xi)≥0。因此取α1=6，β1=209，其就餐健康規(guī)律曲線如圖2所示。同理，對于睡覺活動，健康指數(shù)函數(shù)中取α2=7，β2=207，對于上廁所活動，健康指數(shù)函數(shù)中取α3=5，β3=903，其規(guī)律曲線圖疊加在圖1。

對于其他休閑活動，每位老齡人由于其興趣愛好不同，參加的活動類型和次數(shù)也不盡相同，對健康狀況的影響是次要因素，其影響健康指數(shù)的規(guī)律曲線如圖3所示。

圖3 一種休閑活動對健康指數(shù)的影響規(guī)律曲線

因此，對于單項休閑活動可用如下函數(shù)描述其影響：

F(x)的取值范圍為[0，1]，不同取值代表老齡的不同健康狀態(tài)，具體定義如表3所示，其中ε′一般取0。

表3 健康指數(shù)與健康狀態(tài)關系表

3 健康模型的BP統(tǒng)計分析

3.1 RFID數(shù)據(jù)源

敬老院老齡人的活動數(shù)據(jù)來源于已實現(xiàn)的基于半有源的RFID跟蹤監(jiān)控系統(tǒng)[4]，該系統(tǒng)由半有源RFID電子標簽、低頻定位器、閱讀器、網(wǎng)絡設備、計算機、服務器和系統(tǒng)軟件組成。系統(tǒng)三層架構圖如圖4所示。

圖4 系統(tǒng)架構圖

系統(tǒng)設備終端層使用125 kHz+433 MHz雙頻RFID的半有源標簽電子腕帶，125 kHz低頻觸發(fā)或者老人主動按鍵后由高頻433 MHz發(fā)送數(shù)據(jù)的工作模式。低頻定位器間隔一定時間發(fā)送125 kHz低頻觸發(fā)命令激活在其范圍的半有源RFID電子腕帶，閱讀器一直處于被動接收數(shù)據(jù)信息狀態(tài)。業(yè)務應用層中監(jiān)控計算機對閱讀器傳輸來的數(shù)據(jù)進行過濾、格式化，WEB服務器和數(shù)據(jù)庫服務器架設在管理中心，采用PHP+MYSQL技術編程實現(xiàn)，用于管理RFID數(shù)據(jù)。

3.2 樣本數(shù)據(jù)預處理

根據(jù)RFID跟蹤監(jiān)控系統(tǒng)數(shù)據(jù)庫中的8項影響因素的記錄，選取20位老人1個月的活動數(shù)據(jù)，計算出健康指數(shù)序列。在將數(shù)據(jù)輸入BP網(wǎng)絡進行學習訓練之前，須進行數(shù)據(jù)的預處理，使數(shù)據(jù)更合理，以適合于網(wǎng)絡訓練，有助于提高BP神經(jīng)網(wǎng)絡的性能和精度[5-10]。因此，對原始活動數(shù)據(jù)和通過式（4）計算得到的健康指數(shù)需進行預處理。

通常當歸一化后的序列在[0.1，0.9]區(qū)間上分布時能獲得更好的預測效果，因此，為將原始健康指數(shù)盡量歸一化到該區(qū)間內，如式（5）所示。預測得到的健康指數(shù)須根據(jù)公式（6）進行反向計算，得出與原始序列同一衡量標準的預測結果。式中Yk表示原始序列中的第k個值，Yk'是數(shù)據(jù)預處理之后的第k個值，m in(Yk)是原始序列中的最小值，max(Yk)是原始序列中的最大值。H′為BP網(wǎng)絡的預測值，H為BP網(wǎng)絡逆歸一化的值。

3.3 BP網(wǎng)絡拓撲結構

BP網(wǎng)絡的輸入是影響健康狀態(tài)的模型指數(shù)，但為使BP網(wǎng)絡工作穩(wěn)定和較快速收斂，網(wǎng)絡的輸入結點不宜太多，故選為8。網(wǎng)絡的輸出是健康指數(shù)，因此結點數(shù)為1。

理論分析證明[11-16]，具有單隱含層的BP神經(jīng)網(wǎng)絡可以映射所有連續(xù)函數(shù)，而增加隱含層數(shù)勢必會增加網(wǎng)絡結構的復雜性，增加訓練時間，但網(wǎng)絡精度的變化卻不大，所以采用一個隱含層。確定最佳隱含結點數(shù)是根據(jù)公式使用“試湊法”，先計算出隱含層結點數(shù)的初步參考值，然后在網(wǎng)絡的訓練過程中不斷變動隱含層結點數(shù)的取值，對不同取值下的BP網(wǎng)絡的訓練次數(shù)、測試誤差、網(wǎng)絡結構等評價標準綜合考慮，最終確定網(wǎng)絡的最佳隱含層結點數(shù)。其中，l表示隱含層結點數(shù)，n和m表示輸入層和輸出層的結點數(shù)，a為[1，10]之間的隨機數(shù)。使用Matlab作為仿真工具，經(jīng)過反復多次訓練最終確定隱含層結點數(shù)為9個，建立8-9-1的三層BP網(wǎng)絡。

3.4 網(wǎng)絡初始權重與傳遞函數(shù)

在對BP神經(jīng)網(wǎng)絡進行訓練并達到權值重新確定這一過程中，初始權值的選取對訓練過程是否收斂關系很大，這里通過隨機的方法將各層結點的初始權值置為[-0.25，0.25]區(qū)間的小隨機數(shù)。

使用梯度下降法調整網(wǎng)絡權值，選用可微的傳遞函數(shù)Logsig(x)=1/(1+e-x)，將輸入值映射到一個較小的[0，1]區(qū)間內，反應了輸入輸出間的非線性映射關系。

4 實驗仿真與討論

在對老齡人的健康指數(shù)進行預測之前，將原始數(shù)據(jù)計算出健康指數(shù)序列，經(jīng)過歸一化預處理后每8個序列作為一組BP輸入來預測下一天的健康指數(shù)值。使用20位老人一個月的活動數(shù)據(jù)得出的健康指數(shù)作為訓練樣本集，通過訓練得到適合預測的BP網(wǎng)絡及固定的結點權值。

對某位老人的健康指數(shù)樣本作為測試樣本集，為期一個月的老人身體健康狀態(tài)預測如表4所示，其中包括模型計算值（Y）、預測逆歸一化值（H）及醫(yī)生診斷結果。從表中可以看出：風寒、感冒會使老人處于亞健康狀態(tài)，腸胃不適、牙痛是一般小病，但實際上風寒感冒也可能使老人處于小病或大病狀態(tài)，腸胃病也可能是大病。因此預測結果與老人的實際健康狀態(tài)是基本相符的。

將從RFID得到的老人6個月的活動數(shù)據(jù)，經(jīng)過健康指數(shù)模型計算及預處理后，得到7 125組有效健康指數(shù)序列數(shù)據(jù)，通過預測實驗，比較BP神經(jīng)網(wǎng)絡的預測結果與模型計算值，基本擬合了老齡健康指數(shù)的數(shù)據(jù)，并與醫(yī)生的診斷結果較接近，說明預測能基本反映老齡人的健康狀況。如圖5為Matlab8生成的預測值與實際值的對照圖。

圖5 Matlab仿真結果圖

該預測方法其正確率和錯報誤報率如表5所示。可以看出，本預測模型的正確率較高，錯報誤報率較低。

表5 預測模型預報數(shù)據(jù)統(tǒng)計表

當然，健康指數(shù)模型函數(shù)建立的基礎是老人的生活活動次數(shù)統(tǒng)計，不同的老人、不同的生活與護理環(huán)境可能使得標準的平均次數(shù)有偏差，預測的輸入序列為8有點偏少，方法具有一定的局限性。但是，這一預測方法簡便，可利用現(xiàn)有的RFID跟蹤監(jiān)控系統(tǒng)，成本低廉，方便實施。

5 結束語

預知和掌控敬老院老齡人健康是當前老齡人管理者和家屬越來越關注的問題。根據(jù)人的生活活動規(guī)律與健康的自然關系，利用敬老院RFID跟蹤監(jiān)控系統(tǒng)的老齡人活動數(shù)據(jù)，設計了能反映老齡人健康狀況的健康指數(shù)模型，構建了BP神經(jīng)網(wǎng)絡進行預測，提供了一種簡便、低成本的老齡人健康狀況的預測方法。實驗表明，該方法預測結果較準確，擴展了RFID跟蹤監(jiān)控系統(tǒng)的應用，具有一定的推廣應用前景和參考價值。未來工作將引入粒子群優(yōu)化算法和支持向量機來進一步優(yōu)化健康指數(shù)模型。

[1]軒運動，趙湛，方震，等.基于無線體域網(wǎng)技術的老人健康監(jiān)護系統(tǒng)的設計[J].計算機研究與發(fā)展，2011，48（z2）：355-359.

[2]張振濤，林曉梅.無線可穿戴式人體多參數(shù)監(jiān)測系統(tǒng)的研制[D].長春：長春工業(yè)大學，2011.

[3]林兆花，謝存禧.基于視頻的社區(qū)智能遠程健康監(jiān)護系統(tǒng)研究[J].數(shù)采與監(jiān)控，2008，24（4）：77-79.

[4]Zhong Xiaoyong，Li Zhangbing，Liu Yuzhen，et al.The design and implementation of the tracking and monitoring system for gerocom ium based on sem i-active RFID technology[C]//The 2nd International Conference on Computer Science and Electronics Engineering，Hangzhou，China，2013：2718-2721.

[5]An Yaqin，Wang Yajun，Gao Wenwei.Forecasting of vehicle capacity based on BP neural network[C]//The 19th International Conference on Industrial Engineering and Engineering Management，2013：369-375.

[6]Ren Chuanxiang，Wang Chengbao，Yin Changchang，et al. The prediction of short-term traffic flow based on the niche genetic algorithm and BP neural network[C]//Proceedings of the 2012 International Conference on Information Technology and Software Engineering Lecture Notes in Electrical Engineering，2013，211：530-533.

[7]程若發(fā)，劉建.一種基于多參數(shù)優(yōu)化的神經(jīng)網(wǎng)絡控制器研究[J].制造業(yè)自動化，2011，33（15）：37-40.

[8]劉曉敏，李明楚.基于BP神經(jīng)網(wǎng)絡的股指預測系統(tǒng)[D].遼寧大連：大連理工大學，2012.

[9]李超，行小帥.基于自適應遺傳算法的BP神經(jīng)網(wǎng)絡預測研究及應用[D].山西臨汾：山西師范大學，2012.

[10]歐陽金亮，陸黎明.改進的BP神經(jīng)網(wǎng)絡在商品出口預測中的應用[D].上海：上海師范大學，2011.

[11]Wang Yao，Zheng Dan，Luo Shim in，et al.The research of railway passenger flow prediction model based on BP neural network[J].Advanced M aterials Research，2012：2366-2369.

[12]Wu M ingtao，Yang Yong.The research on stock price forecast model based on data mining of BP neural networks[C]//Intelligent System Design and Engineering Applications，Hong Kong，China，2013：1526-1529.

[13]Zhou Jun，Wang Hanliang，Yang Yueguang，et al.Cost forecast of overhead transmission line based on BP neural network[J].Instrumentation，Measurement，Circuits and Systems，2012，127：433-440.

[14]Ju Jinyan，Zhao Lin，Wang Jinfeng.Forecasting the total power of China’s agricultural machinery based on BP neural network combined forecast method[J].Computer and Computing Technologies in Agriculture VI，2013，392：85-93.

[15]Jin Baoshi，Zuo Yuhu，M a Xiaodan，et al.The application on the forecast of plant disease based on an improved BP neural network[J].Advanced Materials Research，2012，433/440：5469-5473.

[16]李偉，王喆.神經(jīng)網(wǎng)絡在財政數(shù)據(jù)中的應用[D].長春：吉林大學，2011.

LI Zhangbing1，2,ZHONG Xiaoyong1,ZHU Zilan1

1.School of Computer Science and Engineering, Hunan University of Science and Technology, Xiangtan, Hunan 411201, China
2.Key Lab of Knowledge Processing and Networked Manufacturing, College of Hunan Province, Xiangtan, Hunan 411201, China

Aiming at lack of prediction of the health status currently in the monitoring system for the old people’s activities in gerocomium by low cost, by using of the data of the old people’s activities from the three-tier monitoring tracking system based on semi-active RFID which has been implemented, this article analyzes statistically and gets hold of the average number of activities which marks on health status. According to the natural relations between the number of activities and healthy status, a model of the health index and the BP neural network of three layer 8-9-1 type are designed to forecast the health index of the elderly after it has been training with the processing data. Experimental results show that the model calculation and prediction results can basically agree with the doctor’s diagnosis, false positives and non-response rates are low. The model provides a low-cost decision support for the nursing and the prediction of elderly health status, and extends effectively the RFID application for perception.

forecast; health index; elderly people; Back Propagation（BP）neural network; semi-active Radio Frequency Identification（RFID）

LI Zhangbing, ZHONG Xiaoyong, ZHU Zilan. Forecasting method of health status for the elderly in gerocomium.Computer Engineering and Applications, 2014, 50（17）：236-240.

A

TP391

10.3778/j.issn.1002-8331.1311-0313

國家自然科學基金（No.90818004）；湖南省科技計劃項目（No.2011FJ4300，No.2012FJ3047，No.2013FJ4048）；湖南省教育廳科研項目（No.11C0533）。

李章兵（1965—），男，副教授，CCF會員，研究領域：分布計算、數(shù)據(jù)庫系統(tǒng)、信息安全；鐘小勇（1988—），男，碩士生，研究領域：深度學習算法、計算機應用、無線網(wǎng)絡；朱自蘭（1968—），女，講師，研究領域：機器學習、圖像處理、聚類算法。

2013-11-21

2014-01-13

1002-8331（2014）17-0236-05