霍健瑜 劉楚妍 關(guān)正奇

摘要：為實(shí)現(xiàn)“以健康為中心”的居民健康水平全過程測控策略，建立公共衛(wèi)生與環(huán)境健康水平的動態(tài)監(jiān)測機(jī)制。利用BP神經(jīng)網(wǎng)絡(luò)模型，擬合各影響因素與健康水平的關(guān)系，對健康水平進(jìn)行預(yù)測并評估。通過數(shù)據(jù)檢驗(yàn)，可見基于BP神經(jīng)網(wǎng)絡(luò)的居民健康水平預(yù)測模型誤差很小，能實(shí)現(xiàn)較好的評估。利用訓(xùn)練出的BP神經(jīng)網(wǎng)絡(luò)構(gòu)建異常識別模型，并基于概率神經(jīng)網(wǎng)絡(luò)改進(jìn)原有模型，完成對影響健康水平因素異常值的識別，實(shí)現(xiàn)對全體居民生命周期健康水平的持續(xù)的、動態(tài)的監(jiān)測。

Abstract： In order to realize the "health-centered" measurement and control strategy of residents' health level in the whole process， a dynamic monitoring mechanism of public health and environmental health level is established. The BP neural network model is used to fit the relationship between various influencing factors and the health level， and to predict and evaluate the health level. Through data inspection， it can be seen that the prediction model of residents' health level based on BP neural network has very small errors and can achieve better evaluation. The trained BP neural network is used to construct an anomaly recognition model， and improve the original model based on the probabilistic neural network to complete the identification of abnormal values of factors that affect the health level， and achieve continuous and dynamic monitoring of the life cycle health level of all residents.

關(guān)鍵詞：健康狀況預(yù)測;異常值識別;BP神經(jīng)網(wǎng)絡(luò);概率神經(jīng)網(wǎng)絡(luò)

Key words： health status prediction;outlier recognition;BP neural network;probabilistic neural network

中圖分類號：G448 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文獻(xiàn)標(biāo)識碼：A ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文章編號：1006-4311（2020）30-0190-03

0 ?引言

由于工業(yè)化時(shí)代的到來和發(fā)展，人們不僅遭遇了嚴(yán)重的水污染、空氣污染、垃圾圍城等現(xiàn)代環(huán)境問題，同時(shí)身體層面也被不同疾病困擾。依靠“治病為中心”的末端應(yīng)對方式已無法解決這些問題，因而需要采取“以健康為中心”的全過程監(jiān)測策略。在以健康為中心的社會衛(wèi)生健康共治系統(tǒng)里，建立公共衛(wèi)生與環(huán)境健康水平的動態(tài)評估機(jī)制，能夠?qū)θw居民全生命周期健康水平進(jìn)行持續(xù)的、動態(tài)的監(jiān)測。

目前，國內(nèi)學(xué)者對健康水平的研究主要集中在兩方面：第一，多數(shù)研究僅針對健康水平的調(diào)查，對健康水平的預(yù)測和識別研究較少，且沒有實(shí)現(xiàn)動態(tài)監(jiān)測功能，不能及時(shí)發(fā)現(xiàn)健康水平異常情況，不利于引導(dǎo)居民提升自我健康管理意識與能力，實(shí)現(xiàn)更高水平的全民健康。第二，多數(shù)研究未能全面考慮健康水平影響因素，造成健康水平預(yù)測結(jié)果普適性較差。

本文，從生活、環(huán)境（諸如空氣污染、垃圾圍城等問題）、衛(wèi)生、醫(yī)療、文體等多方面因素入手，通過BP神經(jīng)網(wǎng)絡(luò)，擬合多個(gè)影響因素和健康水平之間的關(guān)系，對健康水平進(jìn)行預(yù)測和評估。利用訓(xùn)練出的BP神經(jīng)網(wǎng)絡(luò)構(gòu)建異常識別模型，并基于概率神經(jīng)網(wǎng)絡(luò)改進(jìn)原有模型，完成對影響健康水平因素異常值的識別，建立具有動態(tài)監(jiān)測功能的健康水平評估模型。BP神經(jīng)網(wǎng)絡(luò)和概率神經(jīng)網(wǎng)絡(luò)均能夠考慮到歷史信息對未來的影響，同時(shí)神經(jīng)網(wǎng)絡(luò)本身也具有較強(qiáng)的非線性映射能力，能夠很好地?cái)M合出多個(gè)因素和健康水平之間的關(guān)系。

1 ?BP神經(jīng)網(wǎng)絡(luò)健康水平預(yù)測模型

1.1 健康水平影響因素的選取

綜合考慮生活、環(huán)境（諸如空氣污染、垃圾圍城等問題）、衛(wèi)生、醫(yī)療、文體等方面因素，影響因素選取如下：①參加健身活動人數(shù)。參加健身活動人數(shù)增多，居民的身體素質(zhì)水平提高，居民健康水平提高。②工業(yè)廢氣排放量、空氣中可吸入顆粒物日均值。工業(yè)廢氣排放量或空氣中可吸入顆粒物日均值越大，居民生存環(huán)境空氣質(zhì)量越差，呼吸道感染等慢性病患病率提高，居民健康水平降低，反之，居民健康水平提高。③個(gè)人衛(wèi)生支出占總支出的比重。在不考慮通貨膨脹的情況下，個(gè)人衛(wèi)生支出占總支出的比重約小，一定程度上可說明居民身體健康，即居民健康水平越高。④城市生活污水處理率。城市生活污水處理率提高，減少黑臭水體，形成優(yōu)美宜居的生產(chǎn)生活環(huán)境，居民健康水平提高。

1.2 健康水平影響因素預(yù)處理

1.2.1 數(shù)據(jù)標(biāo)準(zhǔn)化

在數(shù)據(jù)分析之前，我們通常需要先將數(shù)據(jù)標(biāo)準(zhǔn)化，利用標(biāo)準(zhǔn)化后的數(shù)據(jù)進(jìn)行數(shù)據(jù)分析。具體方法，將樣本數(shù)據(jù)的原始值x通過標(biāo)準(zhǔn)化映射成在區(qū)間[0，1]中的值x'，其公式為：

經(jīng)過上述標(biāo)準(zhǔn)化處理，原始數(shù)據(jù)均轉(zhuǎn)換為無量綱化指標(biāo)測評值，即各指標(biāo)值都處于同一個(gè)數(shù)量級別上，可以進(jìn)行綜合測評分析。

1.2.2 異常值的剔除

異常數(shù)據(jù)的剔除采用拉依達(dá)準(zhǔn)則，即3σ準(zhǔn)則。當(dāng)偏差大于3σ，該數(shù)據(jù)為異常值，異常判斷標(biāo)準(zhǔn)如下：

剔除完后的值即為正常值，利用剔除異常值后的數(shù)據(jù)進(jìn)行后續(xù)分析。

1.3 模型的建立

1.3.1 訓(xùn)練集和驗(yàn)證集

總共有100組的參加健身活動人數(shù)、工業(yè)廢氣排放量、空氣中可吸入顆粒物日均值、個(gè)人衛(wèi)生支出占總支出的比重、城市生活污水處理率和月份的時(shí)間序列數(shù)據(jù)，將前70組作為訓(xùn)練學(xué)習(xí)樣本，后30的數(shù)據(jù)做為驗(yàn)證樣本。即訓(xùn)練集為前70組數(shù)據(jù)，后30組為驗(yàn)證集。

1.3.2 BP神經(jīng)網(wǎng)絡(luò)的參數(shù)

設(shè)置的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型參數(shù)如表1所示。

1.3.3 BP神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果

圖1是BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型的回歸效果，擬合優(yōu)度的系數(shù)R到了0.97808，說明了BP神經(jīng)網(wǎng)絡(luò)對于流量預(yù)測比較準(zhǔn)確。為防止過擬合，MATLAB采用的方法是把數(shù)據(jù)劃分成三分，training（訓(xùn)練），validation（驗(yàn)證），test（測試）。只有training數(shù)據(jù)參加訓(xùn)練，其他兩部分?jǐn)?shù)據(jù)不參加訓(xùn)練，用于檢驗(yàn)。圖1橫坐標(biāo)為目標(biāo)值，縱坐標(biāo)為神經(jīng)網(wǎng)絡(luò)的輸出。四幅的點(diǎn)都在對角線附近上，說明沒有過度擬合，擬合效果好。

1.4 健康水平的評估模型

根據(jù)綜合健康素質(zhì)得分，將健康水平分為四級，如表2所示。

根據(jù)健康水平的分級情況和誤差得到評估結(jié)果如表3。

表3中居民綜合健康素質(zhì)等級大部分為優(yōu)和良，從環(huán)境角度考慮，空氣質(zhì)量不達(dá)標(biāo)、生活用水的達(dá)標(biāo)率不足、生活污水的排放、工業(yè)過度生產(chǎn)和城市過多的垃圾廢物，導(dǎo)致平均每日工業(yè)廢氣排放量增多以及生態(tài)環(huán)境的破壞，以至于環(huán)境中可吸入顆粒物均值增大，平均每日生活垃圾無害化處理率下降，造成居民出現(xiàn)不健康狀況。

2 ?基于概率神經(jīng)網(wǎng)絡(luò)的監(jiān)測

2.1 概率神經(jīng)網(wǎng)絡(luò)

利用訓(xùn)練出的BP神經(jīng)網(wǎng)絡(luò)構(gòu)建異常識別模型，并基于概率神經(jīng)網(wǎng)絡(luò)改進(jìn)原有模型，優(yōu)化對健康水平異常值監(jiān)測。利用概率神經(jīng)網(wǎng)絡(luò)強(qiáng)大的非線性分類能力，將故障樣本空間映射到故障模式空間中，可形成一個(gè)較強(qiáng)容錯(cuò)能力和結(jié)構(gòu)自適應(yīng)能力的診斷系統(tǒng)從而提高故障診斷的準(zhǔn)確率。

2.2 概率神經(jīng)網(wǎng)絡(luò)識別結(jié)果

本文中，影響因素與健康水平作為輸入數(shù)據(jù)，利用拉依達(dá)準(zhǔn)則判斷異常事件的發(fā)生，對于30組樣本數(shù)據(jù)，當(dāng)偏差大于3σ時(shí)，該數(shù)據(jù)標(biāo)記為異常情況，輸出正常情況為1，異常情況為2。處理時(shí)隨機(jī)加入100個(gè)正常樣本數(shù)據(jù)，使用前70組數(shù)據(jù)作為輸入樣本，后30組樣本作為驗(yàn)證樣本。

圖2中紅色為實(shí)際分類，藍(lán)色為預(yù)測分類。在100份數(shù)據(jù)中，僅出現(xiàn)一個(gè)樣本預(yù)測失誤，分類成功率為99%，效果比較理想。概率神經(jīng)網(wǎng)絡(luò)有效的監(jiān)測出健康水平的異常值。

3 ?結(jié)論

本文通過對居民健康水平的預(yù)測，得出以下結(jié)論：①在BP神經(jīng)網(wǎng)絡(luò)預(yù)測居民健康水平的預(yù)測模型中，擬合優(yōu)度的系數(shù)R達(dá)到了0.97808，沒有過度擬合，達(dá)到了較好的擬合效果。根據(jù)健康水平的分級標(biāo)準(zhǔn)，評估居民的健康水平，引導(dǎo)健康水平較差的居民不斷提升自身健康管理意識與能力。②在概率神經(jīng)網(wǎng)絡(luò)對異常值識別模型中，概率神經(jīng)網(wǎng)絡(luò)的誤差幾乎為零，容錯(cuò)能力強(qiáng)，準(zhǔn)確率高，而且不存在局部最優(yōu)的情況出現(xiàn)?；诟怕噬窠?jīng)網(wǎng)絡(luò)的改進(jìn)實(shí)現(xiàn)了健康水平動態(tài)監(jiān)測功能，根據(jù)模型識別出的異常數(shù)據(jù)，對健康水平進(jìn)行監(jiān)測。

參考文獻(xiàn)：

[1]王明俊，王萍，王玲.基于神經(jīng)網(wǎng)絡(luò)的男子體質(zhì)健康預(yù)測模型研究[J].科學(xué)技術(shù)與工程，2009（22）：6942-6945.

[2]孫穎，遠(yuǎn)雪霏.HMM的情緒模型對個(gè)體心理健康的預(yù)測及其功能實(shí)現(xiàn)[J].天津大學(xué)學(xué)報(bào)（社會科學(xué)版），2011，13（006）：531-536.

[3]侯瑞.人工神經(jīng)網(wǎng)絡(luò)BP算法簡介及應(yīng)用[J].科技信息，2011（03）：75，418.

[4]李勇，白云，李川.基于小波分析與BP神經(jīng)網(wǎng)絡(luò)的PM_（10）濃度預(yù)測模型[J].環(huán)境監(jiān)測管理與技術(shù)，2016，28（5）：24-28.

作者簡介：霍健瑜（1998-），男，遼寧盤錦人，本科，研究方向?yàn)樯窠?jīng)網(wǎng)絡(luò);劉楚妍（通訊作者）（1999-），女，河北石家莊人，本科，研究方向?yàn)樾畔⒖茖W(xué)。