孟 柳，周金治

（1.西南科技大學信息工程學院，四川 綿陽 621000；2.特殊環(huán)境機器人技術四川省重點實驗室，四川 綿陽 621000）

基于改進PNN模型的人體健康監(jiān)測方法

孟 柳1，2，周金治1，2

（1.西南科技大學信息工程學院，四川 綿陽 621000；2.特殊環(huán)境機器人技術四川省重點實驗室，四川 綿陽 621000）

遠程人體健康監(jiān)測分析呈現(xiàn)滯后性、不準確性、設備昂貴等特點，因此難以實現(xiàn)實時、準確的人體健康監(jiān)測分析。通過對人體健康監(jiān)測方法和概率神經(jīng)網(wǎng)絡（PNN）的研究，將具有調(diào)節(jié)參數(shù)少、收斂速度快和保證獲得貝葉斯最優(yōu)解等優(yōu)點的PNN應用于人體健康監(jiān)測。但是PNN的缺點是未考慮不同類別模型之間的重疊和交錯，以及當訓練樣本不滿足假定條件時無法確定是否存在相應的PNN模型。針對這兩個缺點，分析了徑向基神經(jīng)網(wǎng)絡（RBNN）和廣義回歸神經(jīng)網(wǎng)絡（GRNN）的網(wǎng)絡拓撲結(jié)構(gòu)和優(yōu)勢，創(chuàng)新性地提出在PNN結(jié)構(gòu)的模式層中引入RBNN結(jié)構(gòu)，以及在PNN結(jié)構(gòu)的輸出層中引入GRNN結(jié)構(gòu)，得到了一種新的徑向基-廣義回歸-概率混合神經(jīng)網(wǎng)絡（RBF-GR-PMNN），從而滿足實時、準確監(jiān)測人體健康狀況的要求。進行了RBF-GR-PMNN與一般PNN的對比試驗。試驗分別從準確率和運行時間等方面進行對比分析。試驗結(jié)果證明了改進PNN在這些方面均優(yōu)于一般PNN，進一步表明了RBF-GR-PMNN模型的有效性。

健康監(jiān)測；概率神經(jīng)網(wǎng)絡；收斂速度；貝葉斯最優(yōu)解；網(wǎng)絡拓撲；徑向基神經(jīng)網(wǎng)絡；廣義回歸神經(jīng)網(wǎng)絡

0 引言

隨著社會的進步和人們生活節(jié)奏的加快，越來越多的人處于亞健康狀態(tài)［1］。人們沉重的工作壓力和不健康的飲食習慣，以及人口老齡化，使得糖尿病、高血壓等疾病日益增多。

隨著人工智能和識別技術的發(fā)展，人工智能與神經(jīng)網(wǎng)絡技術逐漸成為人們了解自身健康狀況的途徑之一。本文采用的概率神經(jīng)網(wǎng)絡（probabilistic neural network，PNN）是由徑向基函數(shù)網(wǎng)絡發(fā)展而來的一種前饋型神經(jīng)網(wǎng)絡，主要用于模式分類問題研究［2］。相比于后向傳播（back propagation，BP）神經(jīng)網(wǎng)絡［3］，PNN 過程簡單、收斂速度更加迅速。因為PNN需要調(diào)節(jié)的參數(shù)少，無需確定隱藏層，因此更能滿足人體健康監(jiān)測系統(tǒng)實時性的要求。

此外，PNN總是收斂于貝葉斯優(yōu)化解，可以最大限度地利用故障先驗知識，保證獲得貝葉斯準則下的最優(yōu)解，因此穩(wěn)定性高［4］。

但PNN也有自身的不足：首先，PNN沒有考慮到不同類別模式間的重疊與交錯；其次，當訓練樣本不滿足假定條件時，無法確定是否存在相應的PNN模型。針對這兩個問題，分別在模式層采用徑向基神經(jīng)網(wǎng)絡（radial basis neural network，RBNN）結(jié)構(gòu)［5-6］，以及在輸出層采用廣義回歸神經(jīng)網(wǎng)絡結(jié)構(gòu)［7］來解決。通過概率神經(jīng)網(wǎng)絡、徑向基神經(jīng)網(wǎng)絡與廣義回歸神經(jīng)網(wǎng)絡的優(yōu)點，建立新的網(wǎng)絡結(jié)構(gòu)，優(yōu)化網(wǎng)絡模型。

1 PNN模型的結(jié)構(gòu)改進研究

1.1 PNN結(jié)構(gòu)與RBNN結(jié)構(gòu)的對比

RBNN結(jié)構(gòu)包括輸入層、模式層、輸出層［8］。RBNN結(jié)構(gòu)示意圖如圖1所示。

圖1 RBNN結(jié)構(gòu)示意圖Fig.1 Schematic diagram of the structure of RBNN

圖1中：輸入層pn為n維輸入向量；ωi為第i個模式層到輸出層的連接權(quán)值。

經(jīng)過模式層的輸出函數(shù)yr表示為：

式中：gi（x）為激活函數(shù)。

PNN結(jié)構(gòu)包括輸入層、模式層、求和層、輸出層［9］。PNN結(jié)構(gòu)示意圖如圖2所示。

圖2 PNN結(jié)構(gòu)示意圖Fig.2 Schematic diagram of the structure of PNN

經(jīng)過模式層的輸出函數(shù)yp為：

式中：Kj為PNN中第j個類別的節(jié)點數(shù)，K為RBNN模式層節(jié)點數(shù)，且滿足為PNN類別數(shù)。

由此可見，PNN與RBNN的網(wǎng)絡結(jié)構(gòu)相似，但PNN與RBNN經(jīng)過模式層后的輸出有所不同。

PNN與RBNN區(qū)別如下。

①PNN模式層的節(jié)點數(shù)大于或等于RBNN模式層的節(jié)點數(shù)。

②PNN靠類別標記進行自監(jiān)督學習分類，而RBNN通過有監(jiān)督學習進行分類。

因此，針對PNN沒有考慮到不同類別模式之間的重疊與交錯的問題，可以在模式層中采用RBNN結(jié)構(gòu)建立新的網(wǎng)絡結(jié)構(gòu)。

1.2 PNN結(jié)構(gòu)與GRNN結(jié)構(gòu)對比

PNN與廣義回歸神經(jīng)網(wǎng)絡（generalized regression neural network，GRNN）的網(wǎng)絡結(jié)構(gòu)也十分相似，兩者最大的區(qū)別在于輸出層采用的方法不同。

PNN輸出層采用競爭輸出的方法。采用Parzen方法［10］估計各類別的概率，通過競爭僅留下一個神經(jīng)元作為輸出。其輸出計算可表示為：

式中：LW2，1為權(quán)值矩陣；ai為輸入向量；ni為輸出向量；i為神經(jīng)元個數(shù)；compet為競爭函數(shù)取舍概率值，概率大值為1，概率小值為0。

GRNN輸出層采用線性輸出的方法。它的權(quán)函數(shù)為規(guī)范化點積權(quán)函數(shù)，用nprod表示。每一個元素是向量與權(quán)值矩陣每行元素的點積再除以向量各元素之和得到的。將結(jié)果傳送給線性函數(shù)而得到最終輸出。其輸出計算可表示為：

式中：purelin為線性函數(shù)關系。

由此可見，PNN需按類別計算類條件密度，從而通過競爭輸出結(jié)果。因此，當樣本不滿足假定條件時，無法確定是否存在相應PNN模型。而GRNN通過線性處理輸出結(jié)果，在輸出層構(gòu)成回歸函數(shù)，用來實現(xiàn)函數(shù)逼近。在輸出層采用GRNN的結(jié)構(gòu)來設法解決此問題。

1.3 RBF-GR-PMNN的網(wǎng)絡結(jié)構(gòu)

本文結(jié)合了PNN、RBNN與GRNN的優(yōu)點，建立了一種新的徑向基-廣義回歸-概率混合神經(jīng)網(wǎng)絡（radial basis function-generalized regression-probabilistic mixed neural network，RBF-GR-PMNN）。RBF-GRPMNN結(jié)構(gòu)如圖3所示。

圖3RBF-GR-PMNN結(jié)構(gòu)圖Fig.3 Structure of RBF-GR-PMNN

RBF-GR-PMNN結(jié)構(gòu)有4層：輸入層、模式層、求和層、輸出層。數(shù)據(jù)經(jīng)過預處理后，中心向量μi為訓練樣本第i個輸入向量xi的轉(zhuǎn)置向量。

將每一個樣本條件屬性{體溫，脈搏，脈搏壓}=P={P1，P2，P3}作為輸入層的3維輸入向量。直接通過簡單的線性函數(shù)將輸入向量傳送到模式層。

模式層采用徑向基神經(jīng)網(wǎng)絡的模式層結(jié)構(gòu)，即有H個模式層單元（2＜H＜N，N為訓練集樣本數(shù)）。將H個樣本分為M個不相互交錯的類別，Hj表示第j類訓練樣本的節(jié)點數(shù)，滿足H=H1+H2+…+HM。模式層神經(jīng)元的激活函數(shù)可表示為：

式中：P為輸入樣本；μi為i個模式層神經(jīng)元的中心向量；δi為光滑因子。

PNN求和層的結(jié)構(gòu)，要求求和連接必須按類別有選擇地進行。鑒于輸出層使用廣義回歸神經(jīng)網(wǎng)絡的輸出結(jié)構(gòu)，所以需要在求和層中對2種類型的神經(jīng)元進行求和。

式（8）中，模式層神經(jīng)元的連接權(quán)值為 1；式（9）中，模式層神經(jīng)元的連接權(quán)值為模式層輸出樣本的各個元素yi。

輸出層將求和層的2個和值相除，得到如下結(jié)果：

式（10）構(gòu)成了回歸函數(shù)，即用一種確定的函數(shù)關系來替代復雜的相關關系。

2 試驗結(jié)果與分析

2.1 面向Matlab工具箱的RBF-GR-PMNN模型

Matlab實現(xiàn)的RBF-GR-PMNN模型如圖4所示。

圖4Matlab實現(xiàn)的RBF-GR-PMNN模型圖Fig.4 The model of RBF-GR-PMNN implemented with Matlab

從圖4可以看出，‖dist‖模塊用于計算輸入向量P與輸入權(quán)值行向量IW1，1之間的距離，產(chǎn)生Q維向量，再與閾值b1相乘，從而得到徑向基神經(jīng)元層輸出a1。

事實上，Matlab自帶的神經(jīng)網(wǎng)絡工具箱函數(shù)newbe（）已包含了這些細節(jié)，可以直接使用。

線性層中，nprod方框中輸出向量n2為行向量LW2，1與輸入向量a1的點乘。此層中的神經(jīng)元數(shù)目與輸入期望樣本向量對的數(shù)目相等［11］。

散布常數(shù)spread值對于網(wǎng)絡輸出圖形的影響比較大。一般來說，spread值越大，則函數(shù)擬合越平滑。但若spread值過大，則所覆蓋的輸入?yún)^(qū)域越大；若spread值過小，則需要許多神經(jīng)元來適應函數(shù)的緩慢變化，影響網(wǎng)絡性能。

2.2 RBF-GR-PMNN仿真試驗結(jié)果及分析

為了驗證RBF-GR-PMNN網(wǎng)絡結(jié)構(gòu)模型算法是否具有有效性，采用Matlab軟件對多組人體參數(shù)訓練樣本進行仿真試驗。該試驗選取的輸入向量是能夠正確反映問題特征的人體生理參數(shù)。按照如圖5所示的模型建立流程圖，實現(xiàn)RBF-GR-PMNN與PNN的模型建立與性能評價。

圖5 模型建立流程圖Fig.5 Flowchart of model establishment

在樣本訓練過程中，對同一個人在150個不同時刻的150組樣本進行訓練。為不失一般性，這里采用隨機法產(chǎn)生訓練集和測試集，即隨機產(chǎn)生120組樣本作為訓練集，剩余30組樣本作為測試集。將輸出結(jié)果分為{健康，亞健康，不健康}；用1表示健康，2表示亞健康，3表示不健康。然后對其進行分類，針對不同的分類結(jié)果可以監(jiān)測分析人體的健康狀況。

RBF-GR-PMNN與PNN訓練結(jié)果對比如圖6所示。

圖6 訓練結(jié)果對比圖Fig.6 Contrast of the training results

從測試集訓練結(jié)果可以看出：RBF-GR-PMNN與PNN均能夠?qū)⒚恳唤M的測試集樣本分類為健康狀態(tài)對應的數(shù)字，因而基本能實現(xiàn)監(jiān)測人體健康狀況。將RBF-GR-PMNN與PNN的每一組分類結(jié)果分別和真實分類結(jié)果作對比，可以得出RBF-GR-PMNN與PNN的分類正確率。從圖6可知，RBF-GR-PMNN與PNN測試集預測的正確率分別為96.667%與93.333%，故RBF-GR-PMNN的分類結(jié)果更加準確。

為了使訓練結(jié)果更具一般性，對RBF-GR-PMNN與PNN進行10次對比訓練，以構(gòu)成10個模型。10個模型的正確率對比如圖7所示。

圖7 正確率對比圖Fig.7 Comparison of accuracy

從圖7不難看出，除了第1個模型與第10個模型因為誤差而導致數(shù)據(jù)錯誤外，其他模型的RBF-GRPMNN的測試集樣本正確率均大于或等于PNN的平均正確率，大約為97%。RBF-GR-PMNN更加穩(wěn)定。由此說明，RBF-GR-PMNN較好地解決了當樣本不滿足假定條件而無法確定是否存在相應PNN模型的問題。

10個模型運行時間對比如圖8所示。從圖8可以看出，采用樣本降維技術后，RBF-GR-PMNN與PNN模型的運行時間都較快，而且除第一個誤差模型外，運行都很穩(wěn)定。RBF-GR-PMNN運行時間約為0.3 s，而PNN運行時間約為0.5 s，說明RBF-GR-PMNN模型的運行時間還是小于PNN模型。RBF-GR-PMNN能夠解決PNN沒有考慮到不同類別的重疊與交錯問題，從而加快了運行時間。

圖8 運行時間對比圖Fig.8 Comparison of the running time

3 結(jié)束語

針對PNN的改進方法，提出了一種RBF-GRPMNN模型，實現(xiàn)對人體健康的實時準確監(jiān)測。該方法通過在PNN網(wǎng)絡結(jié)構(gòu)中分別采用RBNN的模式層結(jié)構(gòu)以及GRNN的輸出層結(jié)構(gòu)，解決了PNN網(wǎng)絡沒有考慮到不同類別模式之間重疊與交錯的問題。該方法同時解決了當樣本不滿足假定條件而無法確定是否存在相應PNN模型的問題。試驗結(jié)果驗證了RBF-GRPMNN能夠解決上述問題。RBF-GR-PMNN在正確率和運行時間上優(yōu)于傳統(tǒng)的PNN。

［1］ BUNKENBORG M.Subhealth：questioning the quality of bodies in contemporary China［J］.Medical Anthropology，2014，33（2）：128-143.

［2］徐建軍，杜薔楠，徐建勇.WPT-MSE結(jié)合PNN的電機軸承故障診斷方法［J］.自動化儀表，2017，38（4）：85-89.

［3］崔曉志，王翥.流量計量中BP神經(jīng)網(wǎng)絡溫度補償算法研究［J］.自動化儀表，2016，37（2）：95-98.

［4］李朝鋒，楊茂龍，許磊，等.概率神經(jīng)網(wǎng)絡與BP網(wǎng)絡模型在遙感圖像分類中的對比研究［J］.國土資源遙感，2004，62（4）：11-13.

［5］肖紅軍，黃道平，劉乙奇.融入先驗知識的徑向基神經(jīng)網(wǎng)絡軟測量建模［J］.自動化儀表，2017，38（4）：5-8.

［6］趙溫波，楊鷺怡，王立明.徑向基概率神經(jīng)網(wǎng)絡的混合結(jié)構(gòu)優(yōu)化算法［J］.系統(tǒng)仿真學習報，2004，16（10）：2175-2180.

［7］劉磊，楊鵬，劉作軍.基于多源信息和廣義回歸神經(jīng)網(wǎng)絡的下肢運動模式識別［J］.機器人，2015，37（3）：310-317.

［8］ RUBIO J J，ELIAS I，CRUZ D R.Uniform stable radial basis function neural network for the prediction in two mechatronic processes［J］.Neuro Computing，2016，227（1）：122-130.

［9］ NISHANTH K J，RAVI V.Probabilistic neural network based categorical data imputation［J］.Neurocomputing，2016，218（19）：17-25.

［10］DENG C H，WEN N H，GANG C，et al.An improved featureselection algorithm based on parzen window and conditional mutual information［J］.Applied Mechanics and Materials，2013，2560（347）：2614-2619.

［11］董長虹.MATLAB神經(jīng)網(wǎng)絡與應用［M］.2版.北京：國防工業(yè)出版社，2007.

Monitoring Method for Human Health Based on Improved PNN Model

MENG Liu1，2，ZHOU Jinzhi1，2
（1.School of Information Engineering，Southwest University of Science and Technology，Mianyang 621000，China；2.Robot Technology Used for Special Environment Key Laboratory of Sichuan Province，Mianyang 621000，China）

Remote monitoring and analysis of human health is characterized by lag，inaccuracy，and expensive equipment.Therefore，it is difficult to realize real-time and accurate human health monitoring and analysis.Through the research on the human health monitoring method and probabilistic neural network（PNN），the PNN is applied to human health monitoring with the advantages of fewer regulating parameters，faster convergence speed and guaranteed Bayesian optimal solution.However，the defects of PNN is that the overlapping and interleaving between different categories of models are not considered，and when the training samples do not satisfy the assumed conditions，it is impossible to determine whether there is a corresponding PNN model or not.Aiming at these disadvantages，the topologic structures and advantages of radial basis neural network（RBNN）and generalized regression neural network（GRNN）are analyzed；and the creative proposal is put forward，which is introducing RBNN into the model layer of the PNN structure and introducing the GRNN structure into the output layer of the PNN structure，thus a new radial basis function-generalized regressionprobabilistic mixed neural network（RBF-GR-PMNN）is proposed to meet the requirement of real-time and accurate monitoring of human health.A comparative experiment between RBF-GR-PMNN and general PNN is carried out.The accuracy and running time of the experiments are compared and analyzed.The results show that the RBF-GR-PMNN is superior to the general PNN in various aspects.So the effectiveness of the RBF-GR-PMNN model is further demonstrated.

Health monitoring；Probabilistic neural network；Convergence speed；Bayesian optimal solution；Network topology；Radial basis neural network；Generalized regression neural network

TH-3；TP391

A

10.16086／j.cnki.issn1000-0380.201711001

修改稿收到日期：2017-07-20

西南科技大學研究生創(chuàng)新基金資助項目（17ycx125）、特殊環(huán)境機器人技術四川省重點實驗室基金資助項目（13ZXTK07）

孟柳（1992—），男，在讀碩士研究生，主要從事神經(jīng)網(wǎng)絡與模式識別、數(shù)據(jù)挖掘等方向的研究。E-mail：1183605129@qq.com。周金治（通信作者），男，在讀博士研究生，副教授，主要從事計算機網(wǎng)絡與物聯(lián)網(wǎng)、神經(jīng)網(wǎng)絡與機器學習等方向的研究。E-mail：zhoujinzhi@swust.edu.cn。