本公開涉及圖像數(shù)據(jù)處理，具體涉及醫(yī)療數(shù)據(jù)分析，尤其涉及一種基于深度神經網絡的人體健康計算網絡架構及方法。

背景技術：

1、健康計算在疾病診斷中的意義重大。它不僅提高了早期檢測的準確性，促進了個性化治療，還優(yōu)化了醫(yī)療資源的使用。

2、近年來，隨著大規(guī)模語言模型(llms)的興起，深度神經網絡(dnns)在特征表示、圖像分類和模式識別方面取得了前所未有的成功。然而，目前高性能的深度神經網絡，包括googlenet、resnet和densenet，都是由具備豐富神經網絡和圖像處理知識的人類專家手動設計的，需要大量的計算資源和訓練時間。

3、因此，如何快速高效地設計用于回歸數(shù)據(jù)分析的網絡架構，以滿足系統(tǒng)對實時性能的更高要求成為本領域的一個重要研究方向。

技術實現(xiàn)思路

1、本公開提供了一種基于深度神經網絡的人體健康計算網絡架構及方法，解決了現(xiàn)有技術中的深度神經網絡需要由具備豐富神經網絡和圖像處理知識的人類專家手動設計的，需要大量的計算資源和訓練時間，導致無法滿足系統(tǒng)對實時性能的技術問題。

2、根據(jù)本公開的第一方面，提供了一種基于深度神經網絡的人體健康計算網絡架構，包括：多級稀疏自編碼器，包括采用級聯(lián)方式連接的多個自編碼器，其中，每個自編碼器均采用隨機權重和偏置，用于對輸入數(shù)據(jù)進行特征提取，并將提取出的特征輸出至分類器；

3、分類器，包括多層隨機神經網絡，并且，每層節(jié)點均采用隨機權重和偏置，用于對提取出的特征進行分類，并將所有層的輸出矩陣均全連接到最終的輸出層，用于計算輸出結果；

4、綜合優(yōu)化模型，包括計算模塊以及驗證模塊，所述計算模塊用于對輸出矩陣進行計算，所述驗證模塊用于檢驗所述計算模塊所輸出的計算結果，以得到優(yōu)化后的人體健康計算網絡架構。

5、如上所述的方面和任一可能的實現(xiàn)方式，進一步提供一種實現(xiàn)方式，所述多個自編碼器之間通過l1正則化的目標函數(shù)重構稀疏特征，并且，重構的稀疏特征用于下一級的自編碼器訓練。

6、如上所述的方面和任一可能的實現(xiàn)方式，進一步提供一種實現(xiàn)方式，所述計算模塊采用最小二乘方法對輸出矩陣進行計算；

7、其中，所述最小二乘方法采用以下公式：

8、

9、其中，ytrue代表真實標簽矩陣，h代表分類器最后一層之前的隱含層輸出矩陣，w代表權重矩陣，b代表偏置向量。

10、如上所述的方面和任一可能的實現(xiàn)方式，進一步提供一種實現(xiàn)方式，所述驗證模塊采用以下公式檢驗所述計算模塊所輸出的計算結果：

11、f＝argminζval(ω(m,sm,k,sk),dval)

12、其中，ζval代表驗證集誤差，ω(m,sm,k,sk)代表搜索空間，dval代表驗證集。

13、根據(jù)本公開的第二方面，提供了一種基于深度神經網絡的人體健康計算方法。所述方法應用于上述任一項所述的人體健康計算網絡架構，該方法包括：獲取目標用戶的當前健康數(shù)據(jù)；

14、基于目標用戶的當前健康數(shù)據(jù)，選擇性地調整目標用戶所對應的健康判定參數(shù)限定范圍；

15、將目標用戶的當前健康數(shù)據(jù)、選擇性地調整的目標用戶所對應的健康判定參數(shù)限定范圍代入優(yōu)化后的人體健康計算網絡架構，得到目標用戶的人體健康計算結果，其中，所述人體健康計算結果至少包括目標用戶的多維度健康數(shù)據(jù)以及目標用戶所對應的健康評價分數(shù)；

16、基于目標用戶的人體健康計算結果，選擇性地向目標用戶和/或與目標用戶相匹配的管理人員反饋所述人體健康計算結果。

17、如上所述的方面和任一可能的實現(xiàn)方式，進一步提供一種實現(xiàn)方式，所述優(yōu)化后的人體健康計算網絡架構通過以下步驟獲得：

18、獲取多個自編碼器；

19、將多個自編碼器進行級聯(lián)方式連接，并將每個自編碼器匹配隨機權重以及偏置，得到多級稀疏自編碼器；

20、獲取多層隨機神經網絡，并將每層節(jié)點匹配隨機權重以及偏置，得到分類器；

21、將多級稀疏自編碼器中每個自編碼器的輸出端與分類器的輸入端相連接，構成初級網絡架構；

22、將初級網絡架構代入綜合優(yōu)化模型，使得對初級網絡架構中的各個節(jié)點參數(shù)分配隨機權重與偏置，并對初級網絡架構進行計算與檢驗，并根據(jù)檢驗結果對初級網絡架構進行優(yōu)化，以得到優(yōu)化后的人體健康計算網絡架構。

23、如上所述的方面和任一可能的實現(xiàn)方式，進一步提供一種實現(xiàn)方式，所述獲取目標用戶的當前健康數(shù)據(jù)之前，所述方法還包括：

24、獲取目標用戶的歷史健康數(shù)據(jù)以及身份數(shù)據(jù)；

25、基于目標用戶的歷史健康數(shù)據(jù)，生成目標用戶所對應的健康數(shù)據(jù)畫像；

26、基于目標用戶的身份數(shù)據(jù)，生成健康判定參數(shù)范圍；

27、基于目標用戶所對應的健康數(shù)據(jù)畫像以及健康判定參數(shù)范圍，確定目標用戶所對應的健康判定參數(shù)限定范圍。

28、如上所述的方面和任一可能的實現(xiàn)方式，進一步提供一種實現(xiàn)方式，所述基于目標用戶的當前健康數(shù)據(jù)，選擇性地調整目標用戶所對應的健康判定參數(shù)限定范圍包括：

29、基于目標用戶的當前健康數(shù)據(jù)以及目標用戶所對應的健康數(shù)據(jù)畫像，判斷目標用戶的當前健康數(shù)據(jù)中的任一項數(shù)據(jù)是否存在采集異常：

30、若判斷為是，則基于目標用戶的當前采集次數(shù)，選擇性地重新采集目標用戶的當前健康數(shù)據(jù)，并將目標用戶的當前采集次數(shù)“+1”；

31、若判斷為否，則基于目標用戶的身份數(shù)據(jù)，選擇性地更新目標用戶所對應的健康判定參數(shù)限定范圍，得到最新一版的目標用戶所對應的健康判定參數(shù)限定范圍；

32、基于目標用戶的當前健康數(shù)據(jù)，生成目標用戶所對應的健康判定參數(shù)當前限定范圍；

33、基于目標用戶所對應的健康判定參數(shù)當前限定范圍以及最新一版的目標用戶所對應的健康判定參數(shù)限定范圍，得到目標用戶所對應的健康判定參數(shù)調整限定范圍；

34、以目標用戶所對應的健康判定參數(shù)調整限定范圍作為目標用戶所對應的健康判定參數(shù)限定范圍。

35、如上所述的方面和任一可能的實現(xiàn)方式，進一步提供一種實現(xiàn)方式，所述將目標用戶的當前健康數(shù)據(jù)、選擇性地調整的目標用戶所對應的健康判定參數(shù)限定范圍代入優(yōu)化后的人體健康計算網絡架構，得到目標用戶的人體健康計算結果包括：

36、基于目標用戶的當前健康數(shù)據(jù)，得到目標用戶的不同類型的健康數(shù)據(jù)；

37、基于目標用戶的不同類型的健康數(shù)據(jù)以及目標用戶的身份數(shù)據(jù)，得到目標用戶的不同類型的健康數(shù)據(jù)的健康等級；

38、基于目標用戶的不同類型的健康數(shù)據(jù)以及目標用戶的不同類型的健康數(shù)據(jù)的健康等級，構成目標用戶的多維度健康數(shù)據(jù)；

39、基于目標用戶的身份數(shù)據(jù)、選擇性地調整的目標用戶所對應的健康判定參數(shù)限定范圍、目標用戶的不同類型的健康數(shù)據(jù)的健康等級以及目標用戶的不同類型的健康數(shù)據(jù)，得到目標用戶所對應的健康評價分數(shù)。

40、如上所述的方面和任一可能的實現(xiàn)方式，進一步提供一種實現(xiàn)方式，所述目標用戶所對應的健康評價分數(shù)通過以下公式獲得：

41、

42、其中，hes代表健康評價分數(shù)，n代表健康數(shù)據(jù)類型的數(shù)量，ωi代表第i類健康數(shù)據(jù)的權重，滿足gi(hdi,rpi,idi)代表第i類健康數(shù)據(jù)的調整因子，hdi代表第i類健康數(shù)據(jù)的健康等級，rpi代表第i類健康數(shù)據(jù)的健康判定參數(shù)，id代表身份數(shù)據(jù)的集合，hij(hdj)代表健康數(shù)據(jù)之間的影響因子。

43、本公開上述一個或多個技術方案，至少具有如下一種或多種有益效果：

44、通過設置多級稀疏自編碼器，實現(xiàn)了對輸入數(shù)據(jù)的特征提取，通過設置分類器，實現(xiàn)對提取出的特征進行分類，通過在多級稀疏自編碼器以及分類器中采用隨機權重與偏置方式，確保了特征提取以及分類的準確性，通過設置綜合優(yōu)化模型，實現(xiàn)了對人體健康計算網絡架構的迭代優(yōu)化，進而確保了后續(xù)人體健康計算網絡架構的智能性優(yōu)化，避免了現(xiàn)有技術中的深度神經網絡需要由具備豐富神經網絡和圖像處理知識的人類專家手動設計的，需要大量的計算資源和訓練時間，導致無法滿足系統(tǒng)對實時性能的技術問題。

45、通過獲取目標用戶的當前健康數(shù)據(jù)，選擇性地調整其對應的健康判定參數(shù)限定范圍，實現(xiàn)了對目標用戶的健康判定標準的實時更新，確保了健康判定參數(shù)限定范圍與目標用戶的實時匹配，通過將目標用戶的當前健康數(shù)據(jù)及其健康判定參數(shù)限定范圍代入優(yōu)化后的人體健康計算網絡架構，得到目標用戶的人體健康計算結果，實現(xiàn)了對目標用戶的人體健康情況進行自動評估，并且，通過人體健康計算結果中的多維度健康數(shù)據(jù)與健康評價分數(shù)，確保了健康評價分數(shù)的準確率，避免出現(xiàn)多維度健康數(shù)據(jù)與健康評價分不匹配的情況，再根據(jù)目標用戶的人體健康計算結果，選擇性地向目標用戶和/或與目標用戶相匹配的管理人員反饋所述目標用戶的人體健康計算結果，實現(xiàn)了目標用戶和/或與目標用戶相匹配的管理人員對目標用戶的人體健康計算結果的及時獲知，提高了目標用戶的自我健康管理的同時，避免了管理人員對目標用戶的健康監(jiān)控，提高了目標用戶的人體健康水平。

46、應當理解，
技術實現(xiàn)要素：
部分中所描述的內容并非旨在限定本公開的實施例的關鍵或重要特征，亦非用于限制本公開的范圍。本公開的其它特征將通過以下的描述變得容易理解。