基于卷積神經(jīng)網(wǎng)絡(luò)的智慧康養(yǎng)系統(tǒng)的設(shè)計與實現(xiàn)

武萬浩，吳明飛，王慧康，賈 惠，馬月坤

（華北理工大學 河北 唐山 063000）

0 引言

在“健康中國”戰(zhàn)略背景下，居民健康意識慢慢從治療疾病向維護健康轉(zhuǎn)變，身體健康檢測日益普及化。對于普通居民而言，體檢數(shù)據(jù)可讀性不強，人們很難從指標中了解身體狀況，更無法獲取隱含的慢性病風險。據(jù)報道，在慢性病中，心血管病死亡占城鄉(xiāng)居民總死亡原因的首位[1]，給居民和社會帶來嚴重的經(jīng)濟負擔。另外，醫(yī)學專家提出，除影像診斷外，常規(guī)體檢數(shù)據(jù)如血壓、血糖等也跟心臟疾病有重要關(guān)聯(lián)[2]。因此，從居民日常體檢數(shù)據(jù)中盡早探測到心血管疾病風險，并實施早期干預，可有效降低居民心血管疾病發(fā)病率。

人工智能技術(shù)的突破讓其在醫(yī)療領(lǐng)域得到認可與廣泛應用，特別是人工神經(jīng)網(wǎng)絡(luò)與數(shù)據(jù)深度挖掘技術(shù)，對于提升醫(yī)療工作效率、提高醫(yī)生判斷準確性起到良好的輔助作用[3]。早期機器學習算法在疾病預測上都取得了不錯的效果[4]。深度學習是人工智能研究領(lǐng)域的另一方向，卷積神經(jīng)網(wǎng)絡(luò)CNN屬于深度學習，是神經(jīng)網(wǎng)絡(luò)的一種重要算法[5]。朱宵彤等提出了一種基于一維卷積的心血管病預測模型，在保證預測準確率的同時可有效處理復雜問題[6]。

基于此，本文構(gòu)建了一種基于卷積神經(jīng)網(wǎng)絡(luò)的心臟病預測模型，并應用于智慧康養(yǎng)系統(tǒng)，系統(tǒng)重點實現(xiàn)體檢數(shù)據(jù)的可視化、健康管理的數(shù)字化、康養(yǎng)意見的精準化以及心臟病預測定量化。通過本系統(tǒng)，康養(yǎng)機構(gòu)可以對用戶精準服務；用戶可以直觀了解體檢數(shù)據(jù)以及心臟病患病風險。

1 系統(tǒng)概述

基于卷積神經(jīng)網(wǎng)絡(luò)的智慧康養(yǎng)系統(tǒng)包含以下3個子系統(tǒng)。

健康管理對象用戶子系統(tǒng)。用戶可以及時查閱歷史體檢數(shù)據(jù)，了解近期體征的變化趨勢，并獲取健康評估和有針對性的康養(yǎng)建議。

健康檔案管理子系統(tǒng)，為康養(yǎng)機構(gòu)提供用戶健康檔案的數(shù)字化管理服務，醫(yī)護人員可以對患病風險較高的用戶制定個性化康養(yǎng)方案并精準推送，實現(xiàn)疾病早期干預。

疾病風險預測子系統(tǒng)。實現(xiàn)用戶心臟病患病風險預判，以及從用戶歷史體檢數(shù)據(jù)中分析出用戶身體素質(zhì)變化。本系統(tǒng)是在Windows 10操作系統(tǒng)下開發(fā)完成，技術(shù)框架見圖1。

數(shù)據(jù)存儲功能由MySQL、文件存儲和高速緩沖存儲Redis提供。其中前兩種提供持久化存儲，Redis提供快速讀取以減少數(shù)據(jù)庫的訪問，提高系統(tǒng)運行效率[7]。業(yè)務層提供業(yè)務接口，包括基于TensorFlow框架的CNN預測模型構(gòu)建與調(diào)用、基于SpringBoot功能接口、基于Slf4j的日志記錄和基于Spring Security框架的權(quán)限控制。訪問入口由基于Ant Design Pro框架的Web端和基于VantUI框架的微信小程序兩部分組成。

2 心臟病預測模型及實現(xiàn)

所謂疾病預測，就是將人類身體體征數(shù)據(jù)和癥狀與特定疾病之間的關(guān)聯(lián)經(jīng)過計算機的復雜運算后建立出數(shù)學模型，最終定量預診。利用人工智能來分析用戶體征數(shù)據(jù)，為醫(yī)生的臨床診斷提供輔助的數(shù)據(jù)參考已成為精準醫(yī)療的基礎(chǔ)[8]。本文選擇13個體征數(shù)據(jù)，構(gòu)建基于CNN的心臟病預測模型，完成二分類訓練，從而實現(xiàn)對用戶患病風險的預測，模型預測準確率接近94%，對于心臟病的診斷能夠提供輔助。

2.1 CNN預測模型構(gòu)建

CNN預測模型架構(gòu)見圖2。

輸入層：原始數(shù)據(jù)由13個維度的參數(shù)組成一維數(shù)據(jù)，經(jīng)過重新取樣與處理，解決類別不平衡問題后輸入卷積層。

卷積層：卷積層用于提取輸入數(shù)據(jù)的高層特征[9]，本算法設(shè)計了3個卷積層。由于輸入數(shù)據(jù)是單通道的一維數(shù)據(jù)序列，在卷積層中定義2*1的矩陣作為卷積核，按照步長為1，卷積核自左向右依次與輸入數(shù)據(jù)進行卷積操作。每個卷積層設(shè)定的濾波器數(shù)量為32、64、128，根據(jù)公式（1）和公式（2）可以分別得出，三層卷積操作后的特征圖是128通道10*1，參數(shù)數(shù)量16 512。

其中：N表示卷積層輸出特征圖的尺寸；W表示輸入特征矩陣尺寸，P為卷積層填充值；F為卷積核尺寸；S為步長。

池化層：卷積層輸出的特征矩陣通過池化層進行歸納提取，可以有效地縮小矩陣尺寸，減少輸入到全連接層的參數(shù)數(shù)量，從而加快計算速度防止過擬合問題[10]。本系統(tǒng)中池化層設(shè)定的窗口為2*1，步長為2，將輸出特征圖縮小至輸入特征圖的1/2，即128通道5*1。

Flatten層：對池化輸出進行降維處理，將128通道5*1的特征圖轉(zhuǎn)換成一維序列輸出，輸出矩陣為640*1，并送入全連接層進行分類處理。

全連接層：將特征圖映射到樣本標記空間，即將所有輸入的特征進行選擇性屏蔽后，計算數(shù)據(jù)屬于一個類別的概率值。最后經(jīng)由sigmoid激活函數(shù)輸入二分類數(shù)據(jù)。

其他設(shè)計：在卷積和全連接操作后使用了Dropout函數(shù)，隨機在每層對50%的節(jié)點進行失活處理，使得模型泛化性更強，減小對某些局部特征的依賴[11-12]。

2.2 算法實驗與評價

本文使用UCI Heart Disease公開的心臟檢查結(jié)果數(shù)據(jù)集[13]，共包含303例樣本，其中正類樣本164例，負例樣本139例，樣本數(shù)據(jù)包含13個屬性和1個二分類標簽用于判定是否患病。其中13個屬性包括年齡、性別、胸痛類型、靜息血壓、血清膽固醇、空腹血糖、靜息心電圖、最大心率、運動誘發(fā)的心絞痛、String段壓低值、運動高峰期String段斜率、血管數(shù)量、病發(fā)種類。

將數(shù)據(jù)集按照3∶1分成訓練集和驗證集，對構(gòu)建的模型進行訓練與驗證。以訓練準確率、驗證準確率、訓練損失和驗證損失作為綜合評估指標，最終獲得準確率與損失隨迭代次數(shù)變化的關(guān)系曲線，見圖3。可以看出，在所選數(shù)據(jù)集上，迭代次數(shù)為60時，算法的準確率達到94%，訓練準確率與驗證準確率擬合良好。

3 系統(tǒng)核心功能

本系統(tǒng)按照功能需求與系統(tǒng)設(shè)計的規(guī)范，將全部功能劃分為3個子系統(tǒng)，其中健康數(shù)據(jù)管理子系統(tǒng)和疾病風險預測子系統(tǒng)運行于Web管理端，面向用戶的健康數(shù)據(jù)可視化運行于微信小程序端，具體功能結(jié)構(gòu)見圖4，核心功能包括數(shù)據(jù)管理、健康檔案數(shù)據(jù)分析、心臟病風險預測。

3.1 數(shù)據(jù)管理

3.1.1 基礎(chǔ)數(shù)據(jù)管理

管理員在Web管理端進行系統(tǒng)基礎(chǔ)數(shù)據(jù)的維護，包括機構(gòu)管理、用戶管理、權(quán)限管理。將用戶與機構(gòu)和接口權(quán)限綁定后，用戶方可進行相關(guān)內(nèi)容的操作。針對常見基礎(chǔ)病，系統(tǒng)管理員可維護康養(yǎng)建議池，便于康養(yǎng)機構(gòu)的醫(yī)務人員快速提供康養(yǎng)方案。

3.1.2 健康檔案管理

系統(tǒng)為用戶的健康數(shù)據(jù)建立統(tǒng)一規(guī)范的檔案信息庫，健康檔案可以手工單條錄入或Excel批量導入。系統(tǒng)提供多種維度的查詢方式，同時從接口層及視圖層嚴格控制數(shù)據(jù)權(quán)限，管理員可以快速便捷地查找并管理自己權(quán)限范圍內(nèi)的用戶健康檔案信息。

3.2 健康數(shù)據(jù)分析

對于用戶的歷史健康檔案數(shù)據(jù)，系統(tǒng)采取多種可視化方式展示用戶各項指標的變化趨勢?；谧兓厔?，醫(yī)務人員可以直接依據(jù)經(jīng)驗，或在調(diào)用數(shù)據(jù)分析接口獲取系統(tǒng)模型定量預測的輔助下，對用戶健康狀況完成預診斷，實現(xiàn)用戶健康檔案的數(shù)據(jù)分析功能?；诙ㄐ耘c定量的數(shù)據(jù)分析，醫(yī)務人員可以從建議池中獲取相應的康養(yǎng)建議，定向推送到用戶的小程序端，供用戶及時查看并對潛在病癥盡早干預治療，見圖5。

3.3 心臟病風險預測

用戶通過小程序快速導航欄可查詢近期健康數(shù)據(jù)各項指標的變化趨勢。另外，還能夠主動填報健康檔案數(shù)據(jù)到后臺系統(tǒng)，以獲取后臺系統(tǒng)的檔案分析、康養(yǎng)建議以及對心臟病的風險預測。通過健康自測，用戶可以測試并查看指標數(shù)據(jù)在“國民體質(zhì)與健康數(shù)據(jù)庫”中的分布情況，對自己的身體狀況有初步感知，見圖6。

4 結(jié)語

在互聯(lián)網(wǎng)高度發(fā)展的今天，智慧醫(yī)療產(chǎn)業(yè)即將步入蓬勃發(fā)展期。本系統(tǒng)將互聯(lián)網(wǎng)與智慧健康結(jié)合，形成“互聯(lián)網(wǎng)+醫(yī)療”的健康管理思維模式，并在相關(guān)技術(shù)的支撐下，實現(xiàn)了智慧健康管理平臺的原型開發(fā)工作。

系統(tǒng)分成兩個端，Web端主要面向康養(yǎng)機構(gòu)的管理人員和醫(yī)護人員，微信小程序移動端面向普通用戶，將功能按照用戶群進行組織，功能結(jié)構(gòu)清晰。小程序依托微信生態(tài)群，無需用戶安裝新的應用，體量小，方便用戶使用；Web端簡化管理，側(cè)重疾病預測與干擾，系統(tǒng)具有一定的實用性。

在具有一定體量的健康檔案數(shù)據(jù)后，將CNN模型重新構(gòu)建與訓練，可以用于預測其他疾病，為精準篩選和檢測高風險人群并采取疾病早期干預提供定量的科學依據(jù)，在健康中國的背景下為推動智慧醫(yī)療的發(fā)展提供一定幫助。