[发明专利]一种基于模糊神经网络的体域网健康信息监测、交互系统

摘要

本发明公开了一种基于模糊神经网络的体域网健康信息监测、交互系统，包括采集端、模糊神经网络分析检测系统、交互模块、识别单元和显示单元；采集端包括采集模块、控制模块，所述采集模块用于采集家用医疗设备采集的相关生物数据，并发送给控制模块，所述控制模块还用于控制采集模块进行采集数据；交互模块，用于建立交互群，选择交互群大小、相互进行数据交互的采集端数目，建立数据共享；模糊神经网络分析检测系统，包括模型构建模块、模糊神经网络数据分析模块和排序模块，实现了健康测量数据的及时上传、可选择范围内的交互，在保护用户的隐私、尊重用户意愿的基础上进行信息的交互。

主权项

一种基于模糊神经网络的体域网健康信息监测、交互系统，其特征是：包括采集端、模糊神经网络分析检测系统、交互模块、识别单元和显示单元；所述采集端包括采集模块、控制模块，所述采集模块用于采集家用医疗设备采集的相关生物数据，并发送给控制模块，所述控制模块还用于控制采集模块进行采集数据；所述交互模块，用于建立交互群，选择交互群大小、相互进行数据交互的采集端数目，建立数据共享；所述模糊神经网络分析检测系统，包括模型构建模块、模糊神经网络数据分析模块和排序模块，其中：所述模型构建模块，接收交互模块中交互群内传输的生物数据，并将其作为输入变量，通过输入层、模糊化层模块，构建生物数据的隶属度函数；所述模糊神经网络数据分析模块，用于通过构建模糊推理层、归一层、去模糊层和输出层模块对生物数据进行处理，计算输出生物指数值；所述模糊神经网络数据分析模块，还包括BP神经元网络学习训练模块，用于通过采用附加动量项改进的BP算法对网络进行训练；所述模型构建模块，包括输入层模块和模糊化层模块，所述模糊化层模块，将输入数据划分模糊子集，收缩压SSY、舒张压SZY和心率XL的模糊子集为{正常M，偏高H，极高VH}，所述模糊化层模块，对于“正常M”，采用Sigmoid函数的对称函数，隶属度为：μ＝[1+exp(W1(x‑W2))]‑1对于“极高VH”，采用Sigmoid函数，隶属度为：μ＝[1+exp(‑W1(x‑W2))]‑1对于“偏高H”，采用高斯型函数，隶属度为：μ=exp[-12(x-W2W1)2]]]>W1、W2为系统，初始值任意，通过网络训练和自学习不断调整，使网络实际输出值与导师信号误差最小，该层的节点输出范围在0～1之间；所述排序模块，用于根据生物指数值，在该交互群内进行数据排名；所述排序模块，读取输出层模块的输出值，读取该输出值对应的采集模块，确认该采集模块通过控制模块在交互模块中所选择的交互群，采集交互群内其他输出层模块的输出值，在该交互群内进行数据排名；所述识别单元，接收排序模块传输的数据，读取交互模块的交互群，识别同一交互群内的采集模块、显示单元，将生物数据和数据排名通过显示单元进行显示。