本發(fā)明屬于醫(yī)療技術領域，特別是涉及一種基于增量式神經(jīng)網(wǎng)絡模型的傷風感冒預測方法和預測系統(tǒng)。
背景技術：
當前國內(nèi)各健康管理系統(tǒng)均設置傷風感冒預測評價，其使用的預測方式為數(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)之間的邏輯關聯(lián)以及變量，得到的值域偏差大，造成系統(tǒng)預測的特異性十分差，所以目前的國內(nèi)健康管理系統(tǒng)無法有效對個人的傷風感冒進行準確預測。
此前大部分對傷風感冒預測都是使用BP神經(jīng)網(wǎng)絡模型，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)絡模型，運算效率極低。而且當系統(tǒng)用戶規(guī)模增加后，服務器將無法及時完成訓練任務。
技術實現(xiàn)要素：
本發(fā)明的目的就在于克服現(xiàn)有技術的不足，提供了一種基于增量式神經(jīng)網(wǎng)絡模型的傷風感冒預測方法和預測系統(tǒng)，本發(fā)明通過神經(jīng)網(wǎng)絡模型訓練預測大量醫(yī)院患者病理數(shù)據(jù)，找到傷風感冒病理與傷風感冒早期生活細節(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聯(lián)和變量，最終形成對傷風感冒患病幾率準確預測的傷風感冒病理神經(jīng)網(wǎng)絡模型，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)律性最終通過傷風感冒病理神經(jīng)網(wǎng)絡模型預測用戶的患傷風感冒概率，以視覺效果的方式提醒用戶即時就醫(yī)，當神經(jīng)網(wǎng)絡模型預測不準確時通過增量式算法不斷修正神經(jīng)網(wǎng)絡模型，以針對每個設備用戶建立訓練出針對該用戶的神經(jīng)網(wǎng)絡模型，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)絡模型的傷風感冒預測方法，包括如下步驟：
步驟(1)、獲取醫(yī)院傷風感冒病因病理數(shù)據(jù)源與病人日常監(jiān)控數(shù)據(jù)，從而建立傷風感冒日常數(shù)據(jù)數(shù)據(jù)庫；
步驟(2)、根據(jù)步驟(1)建立的傷風感冒日常數(shù)據(jù)數(shù)據(jù)庫以離線的方式對神經(jīng)網(wǎng)絡模型進行訓練，以得到訓練好的傷風感冒病理神經(jīng)網(wǎng)絡模型；
步驟(3)、通過智能監(jiān)控設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)送至服務器，服務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)中訓練好的傷風感冒病理神經(jīng)網(wǎng)絡模型中進行傷風感冒概率預測，得到傷風感冒概率，服務器將傷風感冒概率傳送給智能家庭傷風感冒護理設備；
步驟(5)、智能家庭傷風感冒護理設備接收服務器傳送的傷風感冒概率后，判斷傷風感冒概率值是否大于0.5，如果大于0.5，則判定為該用戶得了傷風感冒，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傷風感冒；
步驟(6)、當用戶判定為得了傷風感冒時，用戶自行去醫(yī)院檢查，并將檢查結果通過智能家庭傷風感冒護理設備傳送回服務器，服務器判斷檢查結果是否正確，如果檢查結果錯誤，則說明傷風感冒病理神經(jīng)網(wǎng)絡模型預測不準確，如果檢查結果正確，則說明傷風感冒病理神經(jīng)網(wǎng)絡模型預測準確；
步驟(7)、當檢查結果錯誤時，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，對傷風感冒病理神經(jīng)網(wǎng)絡模型進行動態(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，從傷風感冒日常數(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)絡模型進行訓練：
1)輸入一個n維向量到神經(jīng)網(wǎng)絡模型，計算神經(jīng)網(wǎng)絡模型中所有的權向量到該輸入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：Wk是獲勝神經(jīng)元的權向量,||...||為歐幾里得距離；
2)調(diào)整獲勝神經(jīng)元和獲勝神經(jīng)元領域內(nèi)的神經(jīng)元的權向量，公式如下：
其中：Wj(t)是神經(jīng)元；Wj(t+1)是調(diào)整前和調(diào)整后的權向量；j屬于獲勝神經(jīng)元領域；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；Dj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)絡模型訓練結束。
進一步地，智能家庭傷風感冒護理設備將檢查結果傳送回服務器的結果信息的格式為：{檢查是否正確，血糖值}，服務器在接收到結果信息后，判斷檢查結果是否正確。
進一步地，對傷風感冒病理神經(jīng)網(wǎng)絡模型進行動態(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,…,Vn}，傳送至神經(jīng)網(wǎng)絡模型學習函數(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Avg(V)，初始化為神經(jīng)網(wǎng)絡模型第0層中唯一神經(jīng)元的權值，并設置為獲勝神經(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結構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結構SOM子網(wǎng)，初始化這4個神經(jīng)元的權值；將第i個神經(jīng)元的輸入向量集合Ci設置為空，主標簽置為NULL，神經(jīng)元i的主標簽比率ri置為0；新的SOM的異常預警數(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VXi做以下判斷：
如果VXi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VXi為帶標簽的數(shù)據(jù)，則選擇主標簽與VXi的標簽相同且ri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VXi的標簽相同的神經(jīng)元，則找到與VXi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)元的權值進行調(diào)整，更新獲勝向量集合W＝W∪{VXi}，計算獲勝神經(jīng)元的主標簽、主標簽比率ri和信息熵Ei.如果未達到預定訓練次數(shù)，則轉步驟4)；
6)計算經(jīng)調(diào)整后的該神經(jīng)網(wǎng)絡模型中每個神經(jīng)元的量化誤差QEi、神經(jīng)元信息熵Ei和子網(wǎng)的平均量化誤差MQE，公式如下：
其中：Wi為神經(jīng)元i的權值向量，Ci為映射到神經(jīng)元i的所有輸入向量構成的集合；
其中：ni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，轉步驟4)；
如果Ei>父節(jié)點的Ei×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結構SOM，迭代運行步驟3)～5)對其重新進行訓練，直至神經(jīng)網(wǎng)絡模型不再產(chǎn)生新的神經(jīng)元和新的分層，整個訓練結束。
進一步地，如果用戶通過其他方式包括體檢和自查，得知自己已患傷風感冒，而智能家庭傷風感冒護理設備的警示器沒有警示，則表示智能家庭傷風感冒護理設備判斷不準確，此時執(zhí)行步驟(6)～(7)，智能家庭傷風感冒護理設備把結果信息傳送到服務器上。
本發(fā)明還提供了一種所述傷風感冒預測方法的預測系統(tǒng)，包括智能監(jiān)控設備、智能設備數(shù)據(jù)采集器、服務器和智能家庭傷風感冒護理設備，所述智能監(jiān)控設備與所述智能設備數(shù)據(jù)采集器相連接，所述智能設備數(shù)據(jù)采集器通過通訊裝置一與所述服務器網(wǎng)絡通訊，所述智能家庭傷風感冒護理設備通過通訊裝置二與所述服務器網(wǎng)絡通訊。
進一步地，所述智能家庭傷風感冒護理設備上設置有警示器。
進一步地，所述智能監(jiān)控設備包括智能穿戴設備、智能水杯、智能體重稱、智能馬桶和智能光感設備。
本發(fā)明的有益效果：
1、本發(fā)明通過神經(jīng)網(wǎng)絡模型訓練預測大量醫(yī)院患者病理數(shù)據(jù)，找到傷風感冒病理與傷風感冒早期生活細節(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聯(lián)和變量，最終形成對傷風感冒患病幾率準確預測的傷風感冒病理神經(jīng)網(wǎng)絡模型，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)律性最終通過傷風感冒病理神經(jīng)網(wǎng)絡模型預測用戶的患傷風感冒概率，以視覺效果的方式提醒用戶即時就醫(yī)和預防。
2、當神經(jīng)網(wǎng)絡模型預測不準確時通過增量式算法不斷修正神經(jīng)網(wǎng)絡模型，以針對每個設備用戶建立訓練出針對該用戶的神經(jīng)網(wǎng)絡模型，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)有技術中的技術方案，下面將對實施例或現(xiàn)有技術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，對于本領域普通技術人員來講，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)絡模型的傷風感冒預測方法，包括如下步驟：
步驟(1)、獲取醫(yī)院傷風感冒病因病理數(shù)據(jù)源與病人日常監(jiān)控數(shù)據(jù)，從而建立傷風感冒日常數(shù)據(jù)數(shù)據(jù)庫；
其中日常監(jiān)控數(shù)據(jù)為19項數(shù)據(jù)，其19項數(shù)據(jù)為年齡，性別，心率，體溫，咽痛情況，進食量，飲水量，飲水頻率，體重，頭疼情況，鼻塞情況，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，氣溫，濕度，空氣質(zhì)量指數(shù)等19項數(shù)據(jù)，本發(fā)明以19項數(shù)據(jù)建立19維向量；
步驟(2)、根據(jù)步驟(1)建立的傷風感冒日常數(shù)據(jù)數(shù)據(jù)庫以離線的方式對神經(jīng)網(wǎng)絡模型進行訓練，以得到訓練好的傷風感冒病理神經(jīng)網(wǎng)絡模型；
步驟(3)、通過智能監(jiān)控設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)送至服務器，服務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19維向量，并對19維向量做歸一化處理后輸入步驟(2)中訓練好的傷風感冒病理神經(jīng)網(wǎng)絡模型中進行傷風感冒概率預測，得到傷風感冒概率，服務器將傷風感冒概率傳送給智能家庭傷風感冒護理設備；
步驟(5)、智能家庭傷風感冒護理設備接收服務器傳送的傷風感冒概率后，判斷傷風感冒概率值是否大于0.5，如果大于0.5，則判定為該用戶得了傷風感冒，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傷風感冒；
步驟(6)、當用戶判定為得了傷風感冒時，用戶自行去醫(yī)院檢查，并將檢查結果通過智能家庭傷風感冒護理設備傳送回服務器，服務器判斷檢查結果是否正確，如果檢查結果錯誤，則說明傷風感冒病理神經(jīng)網(wǎng)絡模型預測不準確，如果檢查結果正確，則說明傷風感冒病理神經(jīng)網(wǎng)絡模型預測準確；
步驟(7)、當檢查結果錯誤時，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，對傷風感冒病理神經(jīng)網(wǎng)絡模型進行動態(tài)修正；
步驟(8)、重復步驟(3)～(7)。
本發(fā)明的神經(jīng)網(wǎng)絡模型的輸入層為19個節(jié)點，隱含層個數(shù)為39，輸出層為1個節(jié)點(即傷風感冒的概率)，從傷風感冒日常數(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19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)絡模型進行訓練：
1)輸入一個19維向量到神經(jīng)網(wǎng)絡模型，計算神經(jīng)網(wǎng)絡模型中所有的權向量到該輸入19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：Wk是獲勝神經(jīng)元的權向量,||...||為歐幾里得距離；
2)調(diào)整獲勝神經(jīng)元和獲勝神經(jīng)元領域內(nèi)的神經(jīng)元的權向量，公式如下：
其中：Wj(t)是神經(jīng)元；Wj(t+1)是調(diào)整前和調(diào)整后的權向量；j屬于獲勝神經(jīng)元領域；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；Dj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)絡模型訓練結束。
本發(fā)明的智能家庭傷風感冒護理設備將檢查結果傳送回服務器的結果信息的格式為：{檢查是否正確，血糖值}，服務器在接收到結果信息后，判斷檢查結果是否正確。
本發(fā)明的對傷風感冒病理神經(jīng)網(wǎng)絡模型進行動態(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,…,Vn}，傳送至神經(jīng)網(wǎng)絡模型學習函數(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Avg(V)，初始化為神經(jīng)網(wǎng)絡模型第0層中唯一神經(jīng)元的權值，并設置為獲勝神經(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結構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結構SOM子網(wǎng)，初始化這4個神經(jīng)元的權值；將第i個神經(jīng)元的輸入向量集合Ci設置為空，主標簽置為NULL，神經(jīng)元i的主標簽比率ri置為0；新的SOM的異常預警數(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VXi做以下判斷：
如果VXi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VXi為帶標簽的數(shù)據(jù)，則選擇主標簽與VXi的標簽相同且ri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VXi的標簽相同的神經(jīng)元，則找到與VXi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)元的權值進行調(diào)整，更新獲勝向量集合W＝W∪{VXi}，計算獲勝神經(jīng)元的主標簽、主標簽比率ri和信息熵Ei.如果未達到預定訓練次數(shù)，則轉步驟4)；
6)計算經(jīng)調(diào)整后的該神經(jīng)網(wǎng)絡模型中每個神經(jīng)元的量化誤差QEi、神經(jīng)元信息熵Ei和子網(wǎng)的平均量化誤差MQE，公式如下：
其中：Wi為神經(jīng)元i的權值向量，Ci為映射到神經(jīng)元i的所有輸入向量構成的集合；
其中：ni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，轉步驟4)；
如果Ei>父節(jié)點的Ei×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結構SOM，迭代運行步驟3)～5)對其重新進行訓練，直至神經(jīng)網(wǎng)絡模型不再產(chǎn)生新的神經(jīng)元和新的分層，整個訓練結束。
本發(fā)明的如果用戶通過其他方式包括體檢和自查，得知自己已患傷風感冒，而智能家庭傷風感冒護理設備的警示器沒有警示，則表示智能家庭傷風感冒護理設備判斷不準確，此時執(zhí)行步驟(6)～(7)，智能家庭傷風感冒護理設備把結果信息傳送到服務器上。
本發(fā)明還提供了一種所述傷風感冒預測方法的預測系統(tǒng)，包括智能監(jiān)控設備、智能設備數(shù)據(jù)采集器、服務器和智能家庭傷風感冒護理設備，所述智能監(jiān)控設備與所述智能設備數(shù)據(jù)采集器相連接，所述智能設備數(shù)據(jù)采集器通過通訊裝置一與所述服務器網(wǎng)絡通訊，所述智能家庭傷風感冒護理設備通過通訊裝置二與所述服務器網(wǎng)絡通訊。
本發(fā)明的所述智能家庭傷風感冒護理設備上設置有警示器。
本發(fā)明的所述智能監(jiān)控設備包括智能穿戴設備、智能水杯、智能體重稱、智能馬桶和智能光感設備等。
本發(fā)明通過神經(jīng)網(wǎng)絡模型訓練預測大量醫(yī)院患者病理數(shù)據(jù)，找到傷風感冒病理與傷風感冒早期生活細節(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聯(lián)和變量，最終形成對傷風感冒患病幾率準確預測的傷風感冒病理神經(jīng)網(wǎng)絡模型，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)律性最終通過傷風感冒病理神經(jīng)網(wǎng)絡模型預測用戶的患傷風感冒概率，以視覺效果的方式提醒用戶即時就醫(yī)和預防。
本發(fā)明的所有數(shù)據(jù)保存至服務器中，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)控設備都可以通過網(wǎng)絡或藍牙等方式輕松接入本發(fā)明設備，在獲取設備授權后即可自動上傳智能監(jiān)控設備的監(jiān)控的日常生活數(shù)據(jù)，因此本發(fā)明設備獲取的數(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，傷風感冒發(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)絡預測傷風感冒的方法準確率不高。本發(fā)明針對每個設備用戶建立訓練出針對該用戶的神經(jīng)網(wǎng)絡模型，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)絡預測模型，準確率被大幅提高。
當神經(jīng)網(wǎng)絡模型誤判時，智能家庭傷風感冒護理設備將錯誤信息將反饋給服務器，針對該用戶動態(tài)修正神經(jīng)網(wǎng)絡模型，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)明的智能家庭傷風感冒護理設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)的技術人員應該了解，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利要求書及其等同物界定。