基于神经网络模式识别的人体大便便意识别模型研究.pdf

收稿日期:2 0 2 3-0 4-1 7;修回日期:2 0 2 3-0 7-0 9基金项目:国家重点研发计划项目(2 0 2 0 Y F C 2 0 0 7 6 0 0)。作者简介:曹莹瑜(1 9 8 1),女,工学博士,副教授,研究方向为医学康复机器人技术及特种机器人技术,E-m a i l:c a o y i n g y u b i p t.e d u.c n;赵震玺(1 9 9 4),男,硕士研究生,研究方向为医学康复机器人技术,通信联系人,E-m a i l:1 5 1 2 1 1 7 5 2 0 31 6 3.c o m。第3 2卷 第1期2 0 2 4年3月北京石油化工学院学报J o u r n a l o f B e i j i n g I n s t i t u t e o f P e t r o c h e m i c a l T e c h n o l o g yV o l.3 2 N o.1M a r.2 0 2 4文章编号:1 0 0 8-2 5 6 5(2 0 2 4)0 1-0 0 6 0-0 5基于神经网络模式识别的人体大便便意识别模型研究曹莹瑜,高 尊,黄军芬,云欣怡,赵震玺*(北京石油化工学院机械工程学院,北京 1 0 2 6 0 0)摘要:针对医院患病老人长期卧床、缺乏自理能力,尤其是大便护理难以解决的问题,提出了基于神经网络的大便便前监测模型。根据人体便前9 0s生理参数会发生明显变化的特点,通过采集人体有便意和无便意状态下的生理参数制定数据集,构建大便便意识别模型并使用数据集对其进行训练,最终通过训练后的模型实现对卧床失能老人的大便便意识别和便前监测。临床实验结果表明:该预测模型进行便意识别和便前监测的准确率在8 0%8 7%之间,具有较高精度和实用价值。关键词:神经网络;模式识别;大便便意识别;人体生理参数中图分类号:R 3 1 9文献标志码:AD O I:1 0.1 9 7 7 0/j.c n k i.i s s n.1 0 0 8-2 5 6 5.2 0 2 4.0 1.0 1 2开放科学(资源服务)标识码:S t u d y o n t h e I d e n t i f i c a t i o n M o d e l o f H u m a n D e f e c a t i o n I n t e n t i o n B a s e d o n N e u r a l N e t w o r k P a t t e r n R e c o g n i t i o nC AO Y i n g y u,GAO Z u n,HUANG J u n f e n,YUN X i n y i,Z HAO Z h e n x i*(S c h o o l o f M e c h a n i c a l E n g i n e e r i n g,B e i j i n g I n s t i t u t e o f P e t r o c h e m i c a l T e c h n o l o g y,B e i j i n g 1 0 2 6 0 0,C h i n a)A b s t r a c t:T h e a r t i c l e p r o p o s e s a n e u r a l n e t w o r k-b a s e d f e c a l p r e-m o n i t o r i n g m o d e l f o r e l d e r l y p a-t i e n t s w h o a r e b e d r i d d e n a n d l a c k s e l f-c a r e a b i l i t y,e s p e c i a l l y f o r t h o s e w i t h d i f f i c u l t f e c a l c a r e i n h o s p i t a l s.A c c o r d i n g t o t h e c h a r a c t e r i s t i c t h a t p h y s i o l o g i c a l p a r a m e t e r s o f t h e h u m a n b o d y c h a n g e s i g n i f i c a n t l y b e f o r e d e f e c a t i o n w i t h i n 9 0 s e c o n d s,a d a t a s e t w a s d e v e l o p e d b y c o l l e c t i n g p h y s i o l o g-i c a l p a r a m e t e r s i n s t a t e s o f d e f e c a t i o n u r g e a n d n o n-d e f e c a t i o n u r g e.T h e n,a f e c a l u r g e r e c o g n i-t i o n m o d e l w a s c o n s t r u c t e d a n d t r a i n e d u s i n g t h e d a t a s e t,a n d u l t i m a t e l y,t h e t r a i n e d m o d e l w a s u s e d t o a c h i e v e f e c a l u r g e r e c o g n i t i o n a n d p r e-m o n i t o r i n g f o r b e d r i d d e n e l d e r l y p a t i e n t s.C l i n i c a l e x p e r i m e n t a l r e s u l t s s h o w t h a t t h e a c c u r a c y o f t h e p r e d i c t i v e m o d e l f o r f e c a l u r g e r e c o g n i t i o n n d p r e-m o n i t o r i n g i s b e t w e e n 8 0%8 7%,w h i c h h a s h i g h a c c u r a c y a n d p r a c t i c a l v a l u e.K e y w o r d s:p a t t e r n r e c o g n i t i o n;n e u r a l n e t w o r k s;i d e n t i f i c a t i o n o f b o w e l m o v e m e n t s;h u m a n p h y s i o l o g i c a l p a r a m e t e r s 北京大学一项人口学研究显示,到2 0 3 0年我国失能老人规模将超过7 7 0 0万,失能老人平均将经历7.4 4年的失能期1。因此,失能老人大小便的护理成为 亟 待 解 决 的 问 题,其 中 大 便 护 理 更 是 重 中之重2。大小便护理设备统称为二便护理设备,目前国内外在二便护理领域已经出现了一些较为成熟的产品。日本的E V E R C A R E全自动大小便智能护理机器人采用机器与床体结合的设计方式3,加强了人体和大小便斗之间的贴合;S m i l e t安寝全自动智能排泄处理机器人采用大小便斗与床体分离式设计方式穿戴在人体上4,有效减小了患者长时间使用出现褥疮的风险。国内二便护理机器人比较有代表性的是苏州伊利诺护理机器人与铱鸣智能护理机器人5-6。伊利诺护理机器人采用微电脑控制技术、智能检测技术自动感应患者大小便排泄情况;铱鸣智能护理机器人将便斗与床体合并设计,通过便斗下的气垫充放气过程,帮助患者排便和透气。现有二便护理设备以便后的护理功能为主,基本不涉及便前的预警7-8,为克服上述弊端,实现便前预测,笔者根据人体在有便意和无便意情况下部分生理参数会发生变化的特点,考虑通过对失能老人的生理信息进行监测,以实现对其大便便意进行识别9-1 0,提前预测失能老人大便行为的发生。从而减轻医护人员的护理负担,同时能够增强老人的舒适度和尊严感。笔者基于神经网络模式识别方法构建了人体大便便意识别模型,实现了对医院失能老人卧床期间的大便便意进行预测与识别。首先采集人体有便意以及无便意时的一系列生理信息构建数据集;之后基于神经网络模式识别构建人体大便便意识别模型并通过构建的数据集对其进行训练;最后依据采集医院失能老人数据,通过临床实验的方式验证了该模型的有效性和实用性。1 数据集制作1.1 大便便意评价参数选取通过查阅文献以及对采集到的人体生理参数数据分析可知,脉率值随着大便便意程度的加深而增大;血氧值随着大便便意程度的加深而略有减小;血压中的收缩压和舒张压都随着大便便意程度的加深而增大,人体生理参数和便意之间存在一定内在关系。因此根据上述生理参数的变化特点,选用脉率、血氧、收缩压和舒张压作为评价人体大便便意的4个参数,同时依据配对样本检验结果可知,人体便前9 0s时间段为便意强烈阶段,其他时间段便意不强烈,所以根据大便具体产生时间,将其分为有便意和无便意2种状态类别。1.2 训练、验证、测试集设计将采集到的脉率、血氧和血压(收缩压和舒张压)参数数据根据有无便意进行分类整合,将无便意情况的脉率、血氧和血压(高压和低压)4种参数的数据整合到一起,给定分类标签为0,1;将有便意情况的脉率、血氧和血压(高压和低压)4种参数的数据整合到一起,给定分类标签为1,0。将分好类的数据集用于神经网络模式识别模型的构建。采集脉率、血氧和血压的样本集2 0 0组,其中男性1 0 0组,女性1 0 0组,每组采集时间为1h,每秒采集1次,每组样本集有36 0 0个样本点,男女两个类型共生成了7 2 00 0 0个样本点。训练时将所有数据的7 0%作为训练集,1 5%作为验证集,1 5%作为测试集。训练集中的数据依次输入模型,训练算法根据该数据集在模型中的误差不断修正各个节点的权重和偏置。验证集用于测量模型的泛化性能,当模型的泛化性能停止增长时则停止训练。测试集对训练过程没有影响,用于独立地评估训练中及训练后的模型性能。2 基于神经网络模式识别的大便便意识别模型实现2.1 神经网络模式识别框架神经网络模式识别是利用一个已知的样本集合,训练生成一个以该样本为基础的神经网络,再将未知样本输入此训练好的模型中,模型会根据训练集确定好的权值对未知样本进行分类并输出。在本文中,大便便意识别模型构建时模式识别神经网络为两层前馈网络,即一个含激活函数s i g-m o d的隐含层以及带有多分类函数s o f t m a x的输出层,设置合适的神经元个数后,输入样本数据,通过该多分类函数可以对任意给定的向量进行分类识别。其网络拓扑结构图如图1所示。隐藏层激活函数选用s i g m o i d,该函数表达式是11+e-x,s i g m o i d将输入的脉率、血氧和血压映射到0,1 内,将激活函数值大于0.5的输入数据类型定为“1”类,小于0.5的定为“0”类。s i g m o i d导数公式为:(x)=-1(1+e-x)2=11+e-x-11+e-x =(x)(1-(x)(1)输出层激活函数是s o f t m a x,其公式为:S(zoi)=ezoiiezoi(2)其中:zoi代表输出层中第i个神经元的未激活输出值。s o f t m a x将输出值做归一化处理,使得输出值在0,1 区间,值的大小表示输入特征为某个类别的16第1期曹莹瑜等.基于神经网络模式识别的人体大便便意识别模型研究图1 神经网络模式识别拓扑结构图F i g.1 N e u r a l n e t w o r k p a t t e r n r e c o g n i t i o n t o p o l o g y d i a g r a m 概率值。为避免权值及偏置值更新非常缓慢的问题,代价函数选用交叉熵函数,其函数形式为:H(y,y)=-n0i=1yil n(yi)(3)其中:yi为与输入样本x相对应的样本实际值;yi为与x相对应的网络输出值。2.2 识别模型设计人体大便便意分类识别是二分类问题,即为有便意和无便意2种。在这个模型中,4个评价参数为脉率、血氧、收缩压和舒张压,且4个评价参数处于不同维度,因此输入矢量的维度定为4;隐含层神经元数目则根据K o l m o g o r v定理结合试错方法,通过比较分析,将所述隐含层神经元数量定为1 5;通过人体生理信息将人体大便便意分为有便意和无便意2种,所以输出层神经元数量为2,输出结果的向量维数也为2。由于本网络结构采用了s o f t m a x函数,所以最终的输出向量只有所属类型位置的数值为1,其余位置均为0。如果属于第1类无便意,则模型对应输出为0,1;如果属于第2类有便意,则模型对应输出为1,0。神经网络主要训练参数设置:最大的训练轮回为10 0 0次,设置最小目标为1.01 0-6,同时将网络泛化能力开始下降设置为训练结束条件之一,当验证样本产生的误差开始出现增加即停止。2.3 模型性能评价指标对于有无便意二分类任务,网络模型性能评价选用 交 叉 熵(C E)、精 准 率(P r e c i s i o n)和 召 回 率(R e c a l l)3个评价指标。交叉熵损失函数一般用来代替均方差损失函数与s i g m o i d激活函数组合;精确率和召回率都是二分类算法常用的评价指标。交叉熵C E、精准率(P r e c i s i o n)和召回率(R e c a l l)的表达式分别为:C E=iyil o g(y_p r e d i c t e di)+(1-yi)l o g(1-y_p r e d i c t e di)(4)式中:yi为第i个样本期望值;y_p r e d i c t e di为第i个样本预测值。P r e c i s i o n=T PT P+F P(5)R e c a l l=T PT P+FN(6)其中:真正例(T P)为模型预测为正例的正样本;假正例(F P)为模 型预测为正 例 的 负 样 本;假 负 例(FN)为模型预测为负例的正样本;真负例(TN)为模型预测为负例的负样本。2.4 模型训练及测试实验结果分析训练集的 样 本 集 数 量 为1 4 0,样 本 点 数 量 为5 0 40 0 0,验证集的样本集数量为3 0,样本点数量为1 0 80 0 0,测试集的样本集数量也为3 0,样本点数量也为1 0 80 0 0。模型的训练状态图如图2所示。从图2中可以看出,实际训练次数为4 2次,在第4 2轮训练中,梯度达到0.0 0 91 2 78,其验证检查为6,意味着在连续6次的训练中,其训练误差值不仅没有降低反而升高了,此时结束了训练任务。图2 训练状态图F i g.2 T r a i n i n g s t a t e g r a p h 交叉熵误差动态变化图如图3所示。26北京石油化工学院学报2 0 2 4年第3 2卷图3 交叉熵误差动态变化图F i g.3 C r o s s-e n t r o p y e r r o r d y n a m i c c h a n g e p l o t 从图3中可以看出,网络模型经过多次学习和训练之后,其交叉熵的误差会逐渐降低,直到最小目标,最佳验证性能是第3 6轮的0.0 2 56 4,同时没有出现剧烈的震荡;训练集和验证集交叉熵误差分别为3.4 51 0-2、2.5 61 0-2。测试集的动态变化与上述2个 基 本 一 致,其 交 叉 熵 误 差 值 为3.6 71 0-2,结果表明,在模型的训练过程中,未出现过拟合现象。训练集、验证集、测试集和所有样本的混淆矩阵图如图4所示。从图4(a)中可以看出,有便意类别的精准率为9 8.6%,召回率为9 7.7%;从图4(b)中可以看出,有便意类别的精准率为9 8.2%,召回率为9 9.1%;从图4(c)中可以看出,有便意类别的精准率为9 7.5%,召回率为9 8.3%;从图4(d)可以看出,有便意类别的精准率为9 8.4%,召回率为9 8%。该模型精度较高、表现良好。由此可见,基于神经网络模式识别而构建的识别模型模拟精度较高、泛化能力较好,可用于人体大便便意识别。在此基础上,通过该模型对医院卧床失能老人进行实际便意识别实验,进一步验证其准确性和实用性。3 实验验证本实验主要验证内容为:提出的基于神经网络模式识别的人体大便便意识别模型在医院卧床失能老人的生理数据上的表现和性能。同时为保证实验数据的真实性和有效性,实验数据均采集于北京博爱医院的一系列大便监测实验。3.1 实验内容3.1.1 实验对象选取标准根据下列标准对实验对象进行选取:需长期照护的失能老人;具有合理的饮食习惯;饮水量、饮食量正常,并且环境较为安静;同意参与该图4 混淆矩阵图F i g.4 C o n f u s i o n m a t r i x d i a g r a m 研究,可接受为期57d的数据采集。排除标准:使用抗生素或者止痛剂之类的药物的失能老人;有脊髓损伤、神经系统和肠道疾病的失能老人;不能配合数据采集的失能老人;手部有伤无法配合数据采集工作的失能老人;有较为严重的心脑血管疾病、感觉神经损伤疾病、截瘫、精神障碍疾病等的失能老人。3.1.2 实验对象及基本情况介绍利用医用级腕表P r i n c e-1 0 0 H监测仪在北京博爱医院完成了5例卧床失能老人的数据采集工作,以字母数字组合代替实验对象姓名,实验对象情况如表1所示。表1 实验对象情况T a b l e 1 E x p e r i m e n t a l s u b j e c t s i t u a t i o n序号日期姓名 性别年龄 身高/c m体重/k g样本集/个13.7-3.9Y 0 1男6 01 7 97 5423.1 0-3.1 2 Y 0 2女6 51 6 35 7533.1 3-3.1 5 Y 0 3男6 81 7 77 0343.1 6-3.1 8 Y 0 4女6 11 6 65 5353.1 9-3.2 1 Y 0 5男7 01 7 86 54此次实验采集了5位卧床失能老人生理参数数据,共1 9个数据样本集,每个数据样本集包括36 0 0个样本点,共计6 84 0 0个样本点。3.1.3 临床实验过程对5位失能老人进行为期3d的数据采集工作,共历时1 5d。在实验开始之前,实验对象要对实验过程和要求充分了解,对设备的佩戴和使用比较36第1期曹莹瑜等.基于神经网络模式识别的人体大便便意识别模型研究熟悉;实验对象调整医用设备的佩戴位置,腕带不能太紧,不得压迫脉搏,指垫佩戴正确合理;记录下实验对象的准确排便时间,并将包含排便时间的那一条数据记录定为有效数据。3.2 实验结果及分析通过大便监测系统采集了5位临床老人的人体生理参数数据,主要包括脉率、血氧、血压(收缩压和舒张压),用这4种生理参数作为大便便意识别模型的4个输入特征,以此验证提出的大便便意识别模型。基于采集到的5名实验对象的人体生理参数根据有无便意状态进行数据标签标定,得到2种不同类别的数据。通过提出的基于神经网络模式识别的人体大便便意识别模型对临床实验采集到人体生理参数数据进行分类识别,根据模型输出的预测类别与实际情况类别的比对结果,计算模型的准确率,5位卧床失能老人的数据预测结果如表2所示。表2 数据预测情况汇总T a b l e 2 S u mm a r y o f d a t a p r o j e c t i o n s序号日期姓名样本集/个总样本点/个预测正确样本点/个准确率/%13.7-3.9Y 0 141 44 0 01 19 5 28 323.1 0-3.1 2Y 0 251 80 0 01 53 0 08 533.1 3-3.1 5Y 0 331 08 0 086 4 08 043.1 6-3.1 8Y 0 431 08 0 088 5 68 253.1 9-3.2 1Y 0 541 44 0 01 25 2 88 7从表2中可以看出,5名实验对象便意识别的准确率在8 0%8 7%之间,该实验结果表明提出的基于神经网络模式识别的人体大便便意识别模型研究具有可行性和一定的实际意义,并且该模型在人体大便便意识别中有较高的精度。4 结语通过采集人体有无便意时的一系列参数变化制作数据集,选用脉率、血氧、收缩压和舒张压作为反映大便便意的评价参数,构建了基于神经网络模式识别的人体大便便意识别模型。网络拓扑结构选用了激活函数s i g m o i d以及s o f t m a x输出层函数,模型性能的评价指标选择交叉熵、精准率和召回率。实验结果表明训练集、验证集及测试集交叉熵误差分别为3.4 51 0-2、2.5 61 0-2、3.6 71 0-2,且无过拟合现象,从全部样本集的混淆矩阵中可以得到有便意类别的精准率为9 8.4%,召回率为9 8%。由此可见,神经网络模式识别人体大便便意识别模型精度性能较高、分类能力优良。在此基础上,通过实验验证该模型在医院卧床失能老人的大便便意识别中的实际效果。共计对5位失能老人进行为期3d的数据统计,之后依据提出的模型对数据进行识别,识别结果的准确率在8 0%8 7%之间,进一步表明该模型应用于人体大便便意识别中的可行性和准确性。参考文献1 L UO Y,S U B,Z HE NG X.T r e n d s a n d c h a l l e n g e s f o r p o p u l a t i o n a n d h e a l t h d u r i n g p o p u l a t i o n a g i n g-C h i n a,2 0 1 5-2 0 5 0 J.C h i n a C D C w e e k l y,2 0 2 1,3(2 8):5 9 3-5 9 8.2 庞书勤,赵红佳,陈立典,等.中国高龄失能老人长期照护策略J.中国老年学,2 0 1 6,3 6(1 9):4 9 2 8-4 9 3 0.3 株式会社永健.自動排泄物処理装置装着電動(AUT O B E DW I THA P P A R A TU S F OR E VA C-UA T I ON)P.J P 2 0 1 6-0 2 2 3 7 1.2 0 1 4-1 1-0 5.4 株 式 会 社.介 護 自 動 排 泄 装 置 P.J Y 6 6 7 4 6 7 0.2 0 1 9-0 9-2 5.5 I n n e r b o w l o f o p e r a t i n g h e a d o f n u r s i n g m a c h i n e,a n d n u r s i n g m a c h i n eP.U S 1 0 1 0 5 2 7 1.2 0 1 8-1 0-2 3.6 宋英,罗椅民,周王安,等.智能床机一体大小便护理装置(铱鸣)P.C N 3 0 6 3 6 0 6 9 6 S.2 0 2 1-0 3-0 2.7 张铁,杨远航.一种基于残差网络的人体排便预测系统P.C N 1 1 3 6 6 2 5 7 8 B.2 0 2 2-0 5-2 4.8 Z HAN G T,HUANG Z,Z OU Y,e t a l.A p r e d i c t i o n m o d e l o f d e f e c a t i o n b a s e d o n B P n e u r a l n e t w o r k a n d b o w e l s o u n d s i g n a l f e a t u r e sJ.S e n s o r s,2 0 2 2,2 2(1 8):7 0 8 4.9 AKA Z AWA H,KA J I HA R A M,T OG O M,e t a l.V a r i a t i o n s i n b l o o d p r e s s u r e d u r i n g d a i l y a c t i v i t i e s i n t h e e l d e r l y-e f f e c t s o f b a t h i n g a n d d e f e c a t i o nJ.T h e A u t o n o m i c N e r v o u s S y s t e m,2 0 0 0,3 7:4 3 1-4 3 9.1 0P E P P A S G,A L E X I OU V G,MOUR T Z OUKOU E,e t a l.E p i d e m i o l o g y o f c o n s t i p a t i o n i n E u r o p e a n d O c e-a n i a:a s y s t e m a t i c r e v i e w J.BMC g a s t r o e n t e r o l o g y,2 0 0 8,8:1-7.46北京石油化工学院学报2 0 2 4年第3 2卷