一种敬老院老龄人的健康状态预测方法

李章兵，钟小勇，朱自兰

1.湖南科技大学计算机科学与工程学院，湖南湘潭 411201

2.湖南省普通高校知识处理与网络化制造重点实验室，湖南湘潭 411201

一种敬老院老龄人的健康状态预测方法

李章兵1，2，钟小勇1，朱自兰1

1.湖南科技大学计算机科学与工程学院，湖南湘潭 411201

2.湖南省普通高校知识处理与网络化制造重点实验室，湖南湘潭 411201

针对当前敬老院老龄人的活动监控系统缺乏低成本的健康状态预测，利用半有源RFID三层监控跟踪系统获得的老龄人活动数据，统计并分析得出标示健康的平均活动次数，根据活动次数与健康的自然关系，设计了一个表征健康状态的指数模型。使用8-9-1型的三层BP网络，通过数据预处理和训练来预测老龄人的健康指数。实验结果表明该模型计算和预测结果与医生的诊断能基本相符，误报漏报率较低。该模型为老龄人的健康状态预测、健康护理提供了一种低成本的决策支持，有效扩展了RFID的感知应用。

预测；健康指数；老龄人；反向传播（BP）神经网络；半有源射频识别（RFID）

1 引言

随着社会人口老龄化快速增长的问题越来越严重，人口老龄化引发的赡养、护理等问题，受到政府和社会的关注，出现了各式各样的跟踪监控系统，对老龄人的生活进行有效跟踪监控[1-2]。但是，这些监控系统缺乏对老龄人的日常健康状况预测与预警功能，这也是敬老院管理者和老龄人家属迫切关心的问题。

目前现有的老龄人健康情况检测系统，如轩运动和张振涛等人研发的基于无线体域网技术的老人健康监护系统[1-2]，通过传感器技术采集老人的心电、血压等生理参数，经专业医生或医疗机构进行分析来判断老人的健康情况。而林兆花等人研发的基于视频的社区智能远程健康诊断系统[3]，利用摄像头、生理参数仪为家庭客户端，检测人体的健康状况。这些系统都需要使用专业生理传感器，通过视频等传递病人信息给专业医生来诊断，感知成本比较高，应用范围属于网络门诊系统，不适用于敬老院老人的日常健康护理。

针对目前敬老院的老龄人监护跟踪系统存在的不足，不能从老龄人的日常活动提前预知健康状况的特点，根据人的生活活动规律与健康的自然关系，利用RFID监控系统的老人活动数据，设计了基于活动次数统计的老龄健康指数模型，构造BP神经网络训练并预测老龄人的健康指数，为提前预知老龄人的健康状况，给敬老院的管理者和老人家属对老龄人的健康护理提供了实时性、低成本的决策支持。

2 健康分析模型设计

2.1 老龄健康因素与健康活动标准次数

老龄人的健康受很多因素影响，根据研究表明，老龄人日常生活自然规律的改变，经常预示着生理上发生病变。因此选取就餐、睡觉、上厕所的次数作为影响老龄人健康状况的主要参考因素，休闲活动的次数作为次要因素。但是，不同的因素对健康的影响也不同，这里使用不同的权重代表对健康影响程度的不同[1-3]。

根据RFID跟踪监控系统统计得到的数据，选取20位老龄人1个月的活动数据进行统计分析，得到最佳健康状况的每天平均值，作为参考标准值。对于每位老人的参考标准值，采用相加求和得出平均值的方法得到。这里考虑五种常见休闲活动作为次要因素，统计分析得出影响健康的活动因素所占的比例即权重，结果如表1和表2所示。

表1 影响老龄健康主要因素信息表

表2 影响老龄健康次要因素信息表

这些数据虽然是根据有限数据实际统计分析得出，具有局限性，但仍然代表了一定的健康参考规律。

2.2 健康指数模型设计

根据不同的活动因素对老龄健康状况的影响不同，老龄人健康指数函数模型设计为基于多参数的，分为固定部分和可变部分。固定部分是各影响因素对健康指数的贡献分量，可变部分是各因素在变化时对其他因素的影响分量。如式（1）所示：

由于就餐、睡觉和上厕所是反映老龄人健康的三个主要因素，这些活动的次数对老龄人个体差异较小，多数情况下会在参考标准值左右的正常范围内波动，根据统计画出的变化规律如图1。

图1 各主要因素对健康指数的影响趋势图

对于就餐因素，敬老院食堂不会开设太多次数，其次数取值一般在[0，6]，而用餐次数在[3，5]的区间内都属于健康或者比较健康的状况，其规律曲线如图2所示。同理，睡觉次数取值在[0，10]，而在[1，4]的区间内都属于健康或者比较健康的状况；上厕所次数取值在[0，20]，而在[4，12]的区间内都属于健康或者比较健康的状况。

图2 就餐因素对健康指数影响的规律曲线

假设健康状况由健康指数描述，健康指数在[0，1]间取值，越小代表越不健康，越大代表越健康，这三个因素的值变化与健康指数间的关系如图1。这种关系具有相似图形，并且健康状况对活动次数变化比较敏感，因此健康指数采用统一函数描述，如式（2）所示：

其中，δi是不同主要影响因素的参考标准值，αi和βi是根据不同主要因素对健康状况的实际影响而设置的可变参数。

对就餐活动，当xi=δi=4.2时健康指数上应该是最大值1，且函数在[3，5]的区间上应该变化不明显，但是当xi不在这个区间时，函数值对xi的变化相当敏感，从而表征健康状况的急速下降。在正常活动次数的情况下，还需要保证f(xi)≥0。因此取α1=6，β1=209，其就餐健康规律曲线如图2所示。同理，对于睡觉活动，健康指数函数中取α2=7，β2=207，对于上厕所活动，健康指数函数中取α3=5，β3=903，其规律曲线图叠加在图1。

对于其他休闲活动，每位老龄人由于其兴趣爱好不同，参加的活动类型和次数也不尽相同，对健康状况的影响是次要因素，其影响健康指数的规律曲线如图3所示。

图3 一种休闲活动对健康指数的影响规律曲线

因此，对于单项休闲活动可用如下函数描述其影响：

F(x)的取值范围为[0，1]，不同取值代表老龄的不同健康状态，具体定义如表3所示，其中ε′一般取0。

表3 健康指数与健康状态关系表

3 健康模型的BP统计分析

3.1 RFID数据源

敬老院老龄人的活动数据来源于已实现的基于半有源的RFID跟踪监控系统[4]，该系统由半有源RFID电子标签、低频定位器、阅读器、网络设备、计算机、服务器和系统软件组成。系统三层架构图如图4所示。

图4 系统架构图

系统设备终端层使用125 kHz+433 MHz双频RFID的半有源标签电子腕带，125 kHz低频触发或者老人主动按键后由高频433 MHz发送数据的工作模式。低频定位器间隔一定时间发送125 kHz低频触发命令激活在其范围的半有源RFID电子腕带，阅读器一直处于被动接收数据信息状态。业务应用层中监控计算机对阅读器传输来的数据进行过滤、格式化，WEB服务器和数据库服务器架设在管理中心，采用PHP+MYSQL技术编程实现，用于管理RFID数据。

3.2 样本数据预处理

根据RFID跟踪监控系统数据库中的8项影响因素的记录，选取20位老人1个月的活动数据，计算出健康指数序列。在将数据输入BP网络进行学习训练之前，须进行数据的预处理，使数据更合理，以适合于网络训练，有助于提高BP神经网络的性能和精度[5-10]。因此，对原始活动数据和通过式（4）计算得到的健康指数需进行预处理。

通常当归一化后的序列在[0.1，0.9]区间上分布时能获得更好的预测效果，因此，为将原始健康指数尽量归一化到该区间内，如式（5）所示。预测得到的健康指数须根据公式（6）进行反向计算，得出与原始序列同一衡量标准的预测结果。式中Yk表示原始序列中的第k个值，Yk'是数据预处理之后的第k个值，m in(Yk)是原始序列中的最小值，max(Yk)是原始序列中的最大值。H′为BP网络的预测值，H为BP网络逆归一化的值。

3.3 BP网络拓扑结构

BP网络的输入是影响健康状态的模型指数，但为使BP网络工作稳定和较快速收敛，网络的输入结点不宜太多，故选为8。网络的输出是健康指数，因此结点数为1。

理论分析证明[11-16]，具有单隐含层的BP神经网络可以映射所有连续函数，而增加隐含层数势必会增加网络结构的复杂性，增加训练时间，但网络精度的变化却不大，所以采用一个隐含层。确定最佳隐含结点数是根据公式使用“试凑法”，先计算出隐含层结点数的初步参考值，然后在网络的训练过程中不断变动隐含层结点数的取值，对不同取值下的BP网络的训练次数、测试误差、网络结构等评价标准综合考虑，最终确定网络的最佳隐含层结点数。其中，l表示隐含层结点数，n和m表示输入层和输出层的结点数，a为[1，10]之间的随机数。使用Matlab作为仿真工具，经过反复多次训练最终确定隐含层结点数为9个，建立8-9-1的三层BP网络。

3.4 网络初始权重与传递函数

在对BP神经网络进行训练并达到权值重新确定这一过程中，初始权值的选取对训练过程是否收敛关系很大，这里通过随机的方法将各层结点的初始权值置为[-0.25，0.25]区间的小随机数。

使用梯度下降法调整网络权值，选用可微的传递函数Logsig(x)=1/(1+e-x)，将输入值映射到一个较小的[0，1]区间内，反应了输入输出间的非线性映射关系。

4 实验仿真与讨论

在对老龄人的健康指数进行预测之前，将原始数据计算出健康指数序列，经过归一化预处理后每8个序列作为一组BP输入来预测下一天的健康指数值。使用20位老人一个月的活动数据得出的健康指数作为训练样本集，通过训练得到适合预测的BP网络及固定的结点权值。

对某位老人的健康指数样本作为测试样本集，为期一个月的老人身体健康状态预测如表4所示，其中包括模型计算值（Y）、预测逆归一化值（H）及医生诊断结果。从表中可以看出：风寒、感冒会使老人处于亚健康状态，肠胃不适、牙痛是一般小病，但实际上风寒感冒也可能使老人处于小病或大病状态，肠胃病也可能是大病。因此预测结果与老人的实际健康状态是基本相符的。

将从RFID得到的老人6个月的活动数据，经过健康指数模型计算及预处理后，得到7 125组有效健康指数序列数据，通过预测实验，比较BP神经网络的预测结果与模型计算值，基本拟合了老龄健康指数的数据，并与医生的诊断结果较接近，说明预测能基本反映老龄人的健康状况。如图5为Matlab8生成的预测值与实际值的对照图。

图5 Matlab仿真结果图

该预测方法其正确率和错报误报率如表5所示。可以看出，本预测模型的正确率较高，错报误报率较低。

表5 预测模型预报数据统计表

当然，健康指数模型函数建立的基础是老人的生活活动次数统计，不同的老人、不同的生活与护理环境可能使得标准的平均次数有偏差，预测的输入序列为8有点偏少，方法具有一定的局限性。但是，这一预测方法简便，可利用现有的RFID跟踪监控系统，成本低廉，方便实施。

5 结束语

预知和掌控敬老院老龄人健康是当前老龄人管理者和家属越来越关注的问题。根据人的生活活动规律与健康的自然关系，利用敬老院RFID跟踪监控系统的老龄人活动数据，设计了能反映老龄人健康状况的健康指数模型，构建了BP神经网络进行预测，提供了一种简便、低成本的老龄人健康状况的预测方法。实验表明，该方法预测结果较准确，扩展了RFID跟踪监控系统的应用，具有一定的推广应用前景和参考价值。未来工作将引入粒子群优化算法和支持向量机来进一步优化健康指数模型。

[1]轩运动，赵湛，方震，等.基于无线体域网技术的老人健康监护系统的设计[J].计算机研究与发展，2011，48（z2）：355-359.

[2]张振涛，林晓梅.无线可穿戴式人体多参数监测系统的研制[D].长春：长春工业大学，2011.

[3]林兆花，谢存禧.基于视频的社区智能远程健康监护系统研究[J].数采与监控，2008，24（4）：77-79.

[4]Zhong Xiaoyong，Li Zhangbing，Liu Yuzhen，et al.The design and implementation of the tracking and monitoring system for gerocom ium based on sem i-active RFID technology[C]//The 2nd International Conference on Computer Science and Electronics Engineering，Hangzhou，China，2013：2718-2721.

[5]An Yaqin，Wang Yajun，Gao Wenwei.Forecasting of vehicle capacity based on BP neural network[C]//The 19th International Conference on Industrial Engineering and Engineering Management，2013：369-375.

[6]Ren Chuanxiang，Wang Chengbao，Yin Changchang，et al. The prediction of short-term traffic flow based on the niche genetic algorithm and BP neural network[C]//Proceedings of the 2012 International Conference on Information Technology and Software Engineering Lecture Notes in Electrical Engineering，2013，211：530-533.

[7]程若发，刘建.一种基于多参数优化的神经网络控制器研究[J].制造业自动化，2011，33（15）：37-40.

[8]刘晓敏，李明楚.基于BP神经网络的股指预测系统[D].辽宁大连：大连理工大学，2012.

[9]李超，行小帅.基于自适应遗传算法的BP神经网络预测研究及应用[D].山西临汾：山西师范大学，2012.

[10]欧阳金亮，陆黎明.改进的BP神经网络在商品出口预测中的应用[D].上海：上海师范大学，2011.

[11]Wang Yao，Zheng Dan，Luo Shim in，et al.The research of railway passenger flow prediction model based on BP neural network[J].Advanced M aterials Research，2012：2366-2369.

[12]Wu M ingtao，Yang Yong.The research on stock price forecast model based on data mining of BP neural networks[C]//Intelligent System Design and Engineering Applications，Hong Kong，China，2013：1526-1529.

[13]Zhou Jun，Wang Hanliang，Yang Yueguang，et al.Cost forecast of overhead transmission line based on BP neural network[J].Instrumentation，Measurement，Circuits and Systems，2012，127：433-440.

[14]Ju Jinyan，Zhao Lin，Wang Jinfeng.Forecasting the total power of China’s agricultural machinery based on BP neural network combined forecast method[J].Computer and Computing Technologies in Agriculture VI，2013，392：85-93.

[15]Jin Baoshi，Zuo Yuhu，M a Xiaodan，et al.The application on the forecast of plant disease based on an improved BP neural network[J].Advanced Materials Research，2012，433/440：5469-5473.

[16]李伟，王喆.神经网络在财政数据中的应用[D].长春：吉林大学，2011.

LI Zhangbing1，2,ZHONG Xiaoyong1,ZHU Zilan1

1.School of Computer Science and Engineering, Hunan University of Science and Technology, Xiangtan, Hunan 411201, China
2.Key Lab of Knowledge Processing and Networked Manufacturing, College of Hunan Province, Xiangtan, Hunan 411201, China

Aiming at lack of prediction of the health status currently in the monitoring system for the old people’s activities in gerocomium by low cost, by using of the data of the old people’s activities from the three-tier monitoring tracking system based on semi-active RFID which has been implemented, this article analyzes statistically and gets hold of the average number of activities which marks on health status. According to the natural relations between the number of activities and healthy status, a model of the health index and the BP neural network of three layer 8-9-1 type are designed to forecast the health index of the elderly after it has been training with the processing data. Experimental results show that the model calculation and prediction results can basically agree with the doctor’s diagnosis, false positives and non-response rates are low. The model provides a low-cost decision support for the nursing and the prediction of elderly health status, and extends effectively the RFID application for perception.

forecast; health index; elderly people; Back Propagation（BP）neural network; semi-active Radio Frequency Identification（RFID）

LI Zhangbing, ZHONG Xiaoyong, ZHU Zilan. Forecasting method of health status for the elderly in gerocomium.Computer Engineering and Applications, 2014, 50（17）：236-240.

A

TP391

10.3778/j.issn.1002-8331.1311-0313

国家自然科学基金（No.90818004）；湖南省科技计划项目（No.2011FJ4300，No.2012FJ3047，No.2013FJ4048）；湖南省教育厅科研项目（No.11C0533）。

李章兵（1965—），男，副教授，CCF会员，研究领域：分布计算、数据库系统、信息安全；钟小勇（1988—），男，硕士生，研究领域：深度学习算法、计算机应用、无线网络；朱自兰（1968—），女，讲师，研究领域：机器学习、图像处理、聚类算法。

2013-11-21

2014-01-13

1002-8331（2014）17-0236-05