本發(fā)明涉及醫(yī)學統(tǒng)計與數(shù)據(jù)處理技術(shù)領(lǐng)域，特別是涉及一種流行性感冒預測方法及裝置。

背景技術(shù)：

流行性感冒是一種常見疾病，普通流行性感冒表現(xiàn)為畏寒高熱，體溫最高可達39℃～40℃，并伴隨心率加快、血壓偏高等癥狀。

一般人在感到身體不適時會到醫(yī)院進行就診，但此時患者已具有明顯癥狀，也就是說此時患者已確認患感冒，醫(yī)務人員只能根據(jù)患者具體病況給出相應的治療手段，如吃藥、打針等，因此病人還是會經(jīng)歷疼痛的患病過程和治療過程，還是會影響到人的正常生活，或者耽擱工作。

基于此，提供一種有效的流行性感冒預測方法，具有重要的價值和意義。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的是提供一種流行性感冒預測方法及裝置，根據(jù)人體心率、體溫、收縮壓、舒張壓及性別等對人體患流行性感冒做出預測，使人們能對感冒及時預防。

為實現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：

一種流行性感冒預測方法，包括：

以人體的健康數(shù)據(jù)建立流行性感冒預測模型，所述健康數(shù)據(jù)包括心率、體溫、收縮壓、舒張壓和性別，所述流行性感冒預測模型采用如下公式描述：

$P=\frac{e^{{\mathrm{\β}}_0+{\mathrm{\β}}_1{x}_1+{\mathrm{\β}}_2{x}_2+{\mathrm{\β}}_3{x}_3+{\mathrm{\β}}_4{x}_4+{\mathrm{\β}}_5{x}_5}}{1+e^{{\mathrm{\β}}_0+{\mathrm{\β}}_1{x}_1+{\mathrm{\β}}_2{x}_2+{\mathrm{\β}}_3{x}_3+{\mathrm{\β}}_4{x}_4+{\mathrm{\β}}_5{x}_5}},$

其中，P為患流行性感冒的概率，β₀為常數(shù)，β₁為心率影響系數(shù)，β₂為體溫影響系數(shù)，β₃為收縮壓影響系數(shù)，β₄為舒張壓影響系數(shù)，β₅為性別影響系數(shù)，變量x₁為心率值，變量x₂為體溫值，變量x₃為收縮壓值，變量x₄為舒張壓值，變量x₅為性別；

隨機采集m組人體數(shù)據(jù)，所述數(shù)據(jù)以(x₁，x₂，x₃，x₄，x₅，y)描述，基于所述m組數(shù)據(jù)求解獲得所述預測模型中的各影響系數(shù)，其中y表示被采集者的患病狀態(tài)；

將待測人員的健康數(shù)據(jù)代入所述預測模型中，計算獲得待測人員的預測結(jié)果。

可選地，采用混沌自適應粒子群算法求解獲得所述預測模型中的各影響系數(shù)。

可選地，所述隨機采集m組人體數(shù)據(jù)，所述數(shù)據(jù)以(x₁，x₂，x₃，x₄，x₅，y)描述，基于所述m組數(shù)據(jù)求解獲得所述預測模型中的各影響系數(shù)，包括：

S201：采集m組人體數(shù)據(jù)，以(x_i1，x_i2，x_i3，x_i4，x_i5，y_i)描述，i＝1，2，…，m；

S202：設定控制參數(shù)，包括設定群體規(guī)模N、最大迭代次數(shù)K_max，其中N、K_max均為大于零的正整數(shù)；

變量聲明，包括：當前迭代次數(shù)k，第i個粒子的當前最優(yōu)值P_besti，當前全局最優(yōu)值G_best，慣性權(quán)重ω，學習因子c1和c2，隨機數(shù)ξ、η，其中k為大于零的正整數(shù)；

粒子編碼，對各影響系數(shù)β₀、β₁、β₂、β₃、β₄、β₅進行編碼，第i個粒子的編碼包括位置編碼和速度編碼，位置編碼為β_i＝(β_i0，β_i1，β_i2，β_i3，β_i4，β_i5)，速度編碼為v_i＝(v_i0，v_i1，v_i2，v_i3，v_i4，v_i5)；

定義適應度函數(shù)f(β)，其中β＝(β₀，β₁，β₂，β₃，β₄，β₅)為粒子位置；

S203：進行初始化，具體包括：令k＝0，獲得第i個粒子的初始位置β_i⁽⁰⁾＝(β_i0⁽⁰⁾，β_i1⁽⁰⁾，β_i2⁽⁰⁾，β_i3⁽⁰⁾，β_i4⁽⁰⁾，β_i5⁽⁰⁾)，初始速度v_i＝(v_i0⁽⁰⁾，v_i1⁽⁰⁾，v_i2⁽⁰⁾，v_i3⁽⁰⁾，v_i4⁽⁰⁾，v_i5⁽⁰⁾)，其中β_ij⁽⁰⁾、v_ij⁽⁰⁾是[-1000，1000]的隨機數(shù)，j＝1，2，3，4，5；

S204：運行迭代，對于一切i＝1，2，…，N，更新第i個粒子的速度和位置，對于第k次迭代，如果f(β_i^(k))>P_besti，則令P_besti＝f(β_i^(k))，如果max{P_best1，P_best2，…，P_bestN}>G_best，則令G_best＝max{P_best1，P_best2，…，P_bestN}；

S205：當k＝K_max時，輸出G_best及其對應的粒子位置β＝(β₀，β₁，β₂，β₃，β₄，β₅)。

可選地，所述步驟S204還包括：對于第k次迭代，計算種群適應度：

${\mathrm{\σ}}^2=\frac{1}{N}\underset{i=1}{\overset{N}{\Σ}}{\left(\frac{f\left({{\mathrm{\β}}_i}^{\left(k\right)}\right)-\frac{1}{N}\underset{i=1}{\overset{N}{\Σ}}f\left({{\mathrm{\β}}_i}^{\left(k\right)}\right)}{f}\right)}^2,$

f(β_i^(k))表示第i個粒子在迭代次數(shù)k時的適應度，f是適應度評價值，具體描述為：

$f=\max \{1,\max \{|f\left({{\mathrm{\β}}_i}^{\left(k\right)}\right)-\frac{1}{N}\underset{i=1}{\overset{N}{\Σ}}f\left({{\mathrm{\β}}_i}^{\left(k\right)}\right)|\left\}\right\};$

判斷是否σ²＜σ²_min，若否則運行第k+1次迭代，σ²_min為預設的最小種群適應度，為正數(shù)。

可選地，若σ²＜σ²_min，則判定粒子群進入早熟收斂狀態(tài)，對適應度最高的粒子進行隨機擾動，具體包括：

S300：隨機生成一個初始混沌向量，描述為z₀＝(z₀₀,z₀₁,z₀₂,z₀₃,z₀₄,z₀₅)，其中z₀₀、z₀₁、z₀₂、z₀₃、z₀₄、z₀₅的取值范圍均為[0，1]；

S301：混沌迭代生成Q個混沌向量，第l個向量描述為z_l＝(z_l0,z_l1,z_l2,z_l3,z_l4,z_l5)，l＝1，2,，…，Q，0<Q<N，Q為正整數(shù)；

S302：產(chǎn)生Q個粒子，第l個粒子描述為β_l＝(β_l0,β_l1,β_l2,β_l3,β_l4,β_l5)；

S303：對適應度最高的粒子進行隨機擾動，描述為：

${z_l}^{\&prime;}=|\frac{e^{\frac{l}{Q}}-1}{e-1}-\frac{1}{l}{|}^{\frac{3}{2}}{z}^{*}+(1-|\frac{e^{\frac{l}{Q}}-1}{e-1}-\frac{1}{l}{|}^{\frac{3}{2}})z_l;$

其中，z_l′為施加隨機擾動后(β0，β1，β2，β3，β4，β5)相對應的混沌向量，z^*為最優(yōu)值β^*＝(β₀^*，β₁^*，β₂^*，β₃^*，β₄^*，β₅^*)映射到[0,1]后形成的相應向量，z_l為迭代l次后的混沌向量，l為混沌迭代次數(shù)，Q為最大混沌迭代次數(shù)，z*具體描述為：

$z^{*}=\frac{{\mathrm{\&beta;}}^{*}-{\mathrm{\&beta;}}_{min}}{{\mathrm{\&beta;}}_{\max }-{\mathrm{\&beta;}}_{min}};$

β_max為粒子編碼的最大值，β_min為粒子編碼的最小值。

一種流行性感冒預測裝置，包括：

信息采集模塊，包括：

心率傳感器，用于采集待測人員的心率信息；

血壓傳感器，用于采集待測人員的收縮壓和舒張壓；

體溫傳感器，用于采集待測人員的體溫；

用戶操作模塊，用于接收用戶輸入的待測人員的性別信息；

數(shù)據(jù)分析模塊，用于根據(jù)所采集的待測人員的健康數(shù)據(jù)，健康數(shù)據(jù)包括心率、體溫、收縮壓、舒張壓和性別，通過所建立的流行性感冒預測模型計算獲得待測人員患流行性感冒的概率，所述流行性感冒預測模型以如下公式描述：

$P=\frac{e^{{\mathrm{\&beta;}}_0+{\mathrm{\&beta;}}_1{x}_1+{\mathrm{\&beta;}}_2{x}_2+{\mathrm{\&beta;}}_3{x}_3+{\mathrm{\&beta;}}_4{x}_4+{\mathrm{\&beta;}}_5{x}_5}}{1+e^{{\mathrm{\&beta;}}_0+{\mathrm{\&beta;}}_1{x}_1+{\mathrm{\&beta;}}_2{x}_2+{\mathrm{\&beta;}}_3{x}_3+{\mathrm{\&beta;}}_4{x}_4+{\mathrm{\&beta;}}_5{x}_5}},$

其中，P為患流行性感冒的概率，β₀為常數(shù)，β₁為心率影響系數(shù)，β₂為體溫影響系數(shù)，β₃為收縮壓影響系數(shù)，β₄為舒張壓影響系數(shù)，β₅為性別影響系數(shù)，變量x₁為心率值，變量x₂為體溫值，變量x₃為收縮壓值，變量x₄為舒張壓值，變量x₅為性別。

可選地，所述用戶操作模塊還用于輸出和顯示預測結(jié)果。

可選地，所述用戶操作模塊還用于接收和記錄用戶輸入的待測人員的個人信息，包括姓名、性別、年齡及檢測記錄。

由上述技術(shù)方案可以看出，本發(fā)明所提供的一種流行性感冒預測方法，以人體的健康數(shù)據(jù)建立流行性感冒預測模型，所基于的健康數(shù)據(jù)包括心率、體溫、收縮壓、舒張壓和性別，然后采集一定數(shù)量的樣本數(shù)據(jù)，即隨機采集一定數(shù)量的個體健康數(shù)據(jù)，每組數(shù)據(jù)包括被采集者的心率、體溫、收縮壓、舒張壓、性別及患病狀態(tài)，基于樣本數(shù)據(jù)求解出模型中的各影響系數(shù)，確定預測模型的表達式。在預測流行性感冒時將待測人員的健康數(shù)據(jù)代入所述預測模型中，進而可計算獲得待測人員患流行性感冒的概率，對其患流行性感冒做出預測。

本發(fā)明流行性感冒預測方法，根據(jù)人體心率、體溫、收縮壓、舒張壓及性別等對人體患流行性感冒做出預測，得到患病概率，使人們能夠?qū)α餍行愿忻白龀黾皶r預防。

附圖說明

為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1為本發(fā)明實施例提供的一種流行性感冒預測方法的流程圖；

圖2為本發(fā)明實施例提供的求解預測模型中的各影響系數(shù)的方法流程圖；

圖3為本發(fā)明實施例提供的一種流行性感冒預測裝置的示意圖。

具體實施方式

為了使本技術(shù)領(lǐng)域的人員更好地理解本發(fā)明中的技術(shù)方案，下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都應當屬于本發(fā)明保護的范圍。

本發(fā)明實施例提供的一種流行性感冒預測方法，包括：

以人體的健康數(shù)據(jù)建立流行性感冒預測模型，所述健康數(shù)據(jù)包括心率、體溫、收縮壓、舒張壓和性別，所述流行性感冒預測模型采用如下公式描述：

$P=\frac{e^{{\mathrm{\&beta;}}_0+{\mathrm{\&beta;}}_1{x}_1+{\mathrm{\&beta;}}_2{x}_2+{\mathrm{\&beta;}}_3{x}_3+{\mathrm{\&beta;}}_4{x}_4+{\mathrm{\&beta;}}_5{x}_5}}{1+e^{{\mathrm{\&beta;}}_0+{\mathrm{\&beta;}}_1{x}_1+{\mathrm{\&beta;}}_2{x}_2+{\mathrm{\&beta;}}_3{x}_3+{\mathrm{\&beta;}}_4{x}_4+{\mathrm{\&beta;}}_5{x}_5}},$

其中，P為患流行性感冒的概率，β₀為常數(shù)，β₁為心率影響系數(shù)，β₂為體溫影響系數(shù)，β₃為收縮壓影響系數(shù)，β₄為舒張壓影響系數(shù)，β₅為性別影響系數(shù)，變量x₁為心率值，變量x₂為體溫值，變量x₃為收縮壓值，變量x₄為舒張壓值，變量x₅為性別；

隨機采集m組人體數(shù)據(jù)，所述數(shù)據(jù)以(x₁，x₂，x₃，x₄，x₅，y)描述，基于所述m組數(shù)據(jù)求解獲得所述預測模型中的各影響系數(shù)，其中y表示被采集者的患病狀態(tài)；

將待測人員的健康數(shù)據(jù)代入所述預測模型中，計算獲得待測人員的預測結(jié)果。

由上述內(nèi)容可以看出，本發(fā)明實施例提供的流行性感冒預測方法，以人體的健康數(shù)據(jù)建立流行性感冒預測模型，所基于的健康數(shù)據(jù)包括心率、體溫、收縮壓、舒張壓和性別，然后采集一定數(shù)量的樣本數(shù)據(jù)，即隨機采集一定數(shù)量的個體健康數(shù)據(jù)，每組數(shù)據(jù)包括被采集者的心率、體溫、收縮壓、舒張壓、性別及患病狀態(tài)，基于樣本數(shù)據(jù)求解出模型中的各影響系數(shù)，確定預測模型的表達式。在預測流行性感冒時將待測人員的健康數(shù)據(jù)代入所述預測模型中，進而可計算獲得待測人員患流行性感冒的概率，對其患流行性感冒做出預測。

本發(fā)明流行性感冒預測方法，根據(jù)人體心率、體溫、收縮壓、舒張壓及性別等對人體患流行性感冒做出預測，得到患病概率，使人們能夠?qū)α餍行愿忻白龀黾皶r預防。

下面對本發(fā)明流行性感冒預測方法進行詳細說明。

請參考圖1，為本發(fā)明實施例提供的一種流行性感冒預測方法的流程圖，該預測方法包括：

S1：以人體的健康數(shù)據(jù)建立流行性感冒預測模型，所述健康數(shù)據(jù)包括心率、體溫、收縮壓、舒張壓和性別，所述流行性感冒預測模型采用如下公式描述：

$P=\frac{e^{{\mathrm{\&beta;}}_0+{\mathrm{\&beta;}}_1{x}_1+{\mathrm{\&beta;}}_2{x}_2+{\mathrm{\&beta;}}_3{x}_3+{\mathrm{\&beta;}}_4{x}_4+{\mathrm{\&beta;}}_5{x}_5}}{1+e^{{\mathrm{\&beta;}}_0+{\mathrm{\&beta;}}_1{x}_1+{\mathrm{\&beta;}}_2{x}_2+{\mathrm{\&beta;}}_3{x}_3+{\mathrm{\&beta;}}_4{x}_4+{\mathrm{\&beta;}}_5{x}_5}},$

其中，P為患流行性感冒的概率，β₀為常數(shù)，β₁為心率影響系數(shù)，β₂為體溫影響系數(shù)，β₃為收縮壓影響系數(shù)，β₄為舒張壓影響系數(shù)，β₅為性別影響系數(shù)，變量x₁為心率值，變量x₂為體溫值，變量x₃為收縮壓值，變量x₄為舒張壓值，變量x₅為性別。

本實施例中，β₀、β₁、β₂、β₃、β₄、β₅的取值范圍均為[-1000，1000]。其中，變量x₁單位：次/分，取值范圍：x₁∈[0，200]，變量x₂單位：℃，取值范圍：x₂∈[0，50]，變量x₃單位：mmHg，取值范圍：x₃∈[0，200]，變量x₄單位：mmHg，取值范圍：x₄∈[0，200]，對于變量x₅，x₅＝0表示男性，x₅＝1表示女性。

S2：隨機采集m組人體數(shù)據(jù)，所述數(shù)據(jù)以(x₁，x₂，x₃，x₄，x₅，y)描述，基于所述m組數(shù)據(jù)求解獲得所述預測模型中的各影響系數(shù)，其中y表示被采集者的患病狀態(tài)。

本實施例中在求解預測模型中的各影響系數(shù)時采用混沌自適應粒子群算法求解，請參考圖2，為本實施例提供的求解預測模型中的各影響系數(shù)的方法流程圖，該求解方法包括以下步驟：

S201：采集m組人體數(shù)據(jù)，以(x_i1，x_i2，x_i3，x_i4，x_i5，y_i)描述，i＝1，2，…，m；

所采集樣本數(shù)據(jù)的數(shù)量要滿足一定條件，以保證求解獲得的模型影響系數(shù)的準確度。本實施例中m≥5000，m為正整數(shù)。

心率值x_i1單位為次/分，取值范圍[0，200]，體溫值x_i2單位為℃，取值范圍[0，50]，收縮壓值x_i3單位為mmHg，取值范圍[0，200]，舒張壓值x_i4單位為mmHg，取值范圍[0，200]，x_i5＝0表示男性，x_i5＝1表示女性；y_i表示被采集者的患病狀態(tài)，當被采集者患病概率P≥50％時，y_i＝1，否則y_i＝0。

S202：設定控制參數(shù)，定義適應度函數(shù)，具體包括步驟：

S2020：設定控制參數(shù)，包括設定群體規(guī)模N、最大迭代次數(shù)K_max，其中N、K_max均為大于零的正整數(shù)；

S2021：變量聲明，包括：當前迭代次數(shù)k，第i個粒子的當前最優(yōu)值P_besti，當前全局最優(yōu)值G_best，慣性權(quán)重ω，學習因子c1和c2，隨機數(shù)ξ、η，其中k為大于零的正整數(shù)；

S2022：粒子編碼，對各影響系數(shù)β₀、β₁、β₂、β₃、β₄、β₅進行編碼，第i個粒子的編碼包括位置編碼和速度編碼，位置編碼為β_i＝(β_i0，β_i1，β_i2，β_i3，β_i4，β_i5)，速度編碼為v_i＝(v_i0，v_i1，v_i2，v_i3，v_i4，v_i5)；

S2023：定義適應度函數(shù)f(β)，其中β＝(β₀，β₁，β₂，β₃，β₄，β₅)為粒子位置。

在進行粒子編碼后，計算慣性權(quán)重ω、學習因子c1和c2，以及隨機數(shù)ξ、η，然后定義適應度函數(shù)f(β)。

S203：進行初始化，具體包括：令k＝0，獲得第i個粒子的初始位置β_i⁽⁰⁾＝(β_i0⁽⁰⁾，β_i1⁽⁰⁾，β_i2⁽⁰⁾，β_i3⁽⁰⁾，β_i4⁽⁰⁾，β_i5⁽⁰⁾)，初始速度v_i＝(v_i0⁽⁰⁾，v_i1⁽⁰⁾，v_i2⁽⁰⁾，v_i3⁽⁰⁾，v_i4⁽⁰⁾，v_i5⁽⁰⁾)，其中β_ij⁽⁰⁾、v_ij⁽⁰⁾是[-1000，1000]的隨機數(shù)，j＝1，2，3，4，5。

S204：運行迭代，對于一切i＝1，2，…，N，更新第i個粒子的速度和位置，對于第k次迭代，如果f(β_i^(k))>P_besti，則令P_besti＝f(β_i^(k))，如果max{P_best1，P_best2，…，P_bestN}>G_best，則令G_best＝max{P_best1，P_best2，…，P_bestN}；

S205：當k＝K_max時，輸出G_best及其對應的粒子位置β＝(β₀，β₁，β₂，β₃，β₄，β₅)。

在迭代次數(shù)達到最大迭代次數(shù)時，輸出得到的G_best以及對應的粒子位置β＝(β₀，β₁，β₂，β₃，β₄，β₅)，則求解得到預測模型中的各影響系數(shù)。

S3：將待測人員的健康數(shù)據(jù)代入所述預測模型中，計算獲得待測人員的預測結(jié)果。

在基于采集的人體健康數(shù)據(jù)求解獲得預測模型中的影響系數(shù)β₀、β₁、β₂、β₃、β₄、β₅后，將影響系數(shù)代入預測模型中，則該預測模型的表達式確定，在進行預測時，將待測人員的健康數(shù)據(jù)，包括心率、體溫、收縮壓、舒張壓、性別等信息數(shù)據(jù)代入預測模型表達式中，則可計算獲得待測人員患流行性感冒的預測結(jié)果。

因此，本實施例所述流行性感冒預測方法，以人體的健康數(shù)據(jù)，包括心率、體溫、收縮壓、舒張壓及性別建立流行性感冒預測模型，然后采集一定數(shù)量個體的數(shù)據(jù)，基于采集的樣本數(shù)據(jù)采用混沌自適應粒子群算法求解獲得預測模型中的各影響系數(shù)，得到預測模型的表達式，進而通過該預測模型對待測人員患流行性感冒作出預測。本實施例流行性感冒預測方法，根據(jù)人體心率、體溫、收縮壓、舒張壓及性別等對人體患流行性感冒做出預測，得到患病概率，使人們能夠?qū)α餍行愿忻白龀黾皶r預防。

進一步優(yōu)選的，本實施例中在采用混沌自適應粒子群算法求解模型的影響系數(shù)時，在上述步驟S204中，當一個粒子搜索到一個局部最優(yōu)解時，所有粒子受到這個最優(yōu)解的吸引，容易快速聚集到這個局部最優(yōu)解的附近，從而出現(xiàn)早熟狀態(tài)，那么就會很難出現(xiàn)更好的適應度值，難以搜索到全局最優(yōu)。鑒于此，在本實施例求解方法中，所述步驟S204還包括：

對于第k次迭代，計算種群適應度：

${\mathrm{\&sigma;}}^2=\frac{1}{N}\underset{i=1}{\overset{N}{\&Sigma;}}{\left(\frac{f\left({{\mathrm{\&beta;}}_i}^{\left(k\right)}\right)-\frac{1}{N}\underset{i=1}{\overset{N}{\&Sigma;}}f\left({{\mathrm{\&beta;}}_i}^{\left(k\right)}\right)}{f}\right)}^2,$

f(β_i^(k))表示第i個粒子在迭代次數(shù)k時的適應度，f是適應度評價值，具體描述為：

$f=max\{1,max\{|f\left({{\mathrm{\&beta;}}_i}^{\left(k\right)}\right)-\frac{1}{N}\underset{i=1}{\overset{N}{\&Sigma;}}f\left({{\mathrm{\&beta;}}_i}^{\left(k\right)}\right)|\left\}\right\};$

判斷是否σ²＜σ²_min，若否則運行第k+1次迭代，σ²_min為預設的最小種群適應度，為正數(shù)。

當σ²＜σ²_min，判定粒子群進入早熟收斂狀態(tài)；當σ²≥σ²_min，表明粒子群沒有進入早熟收斂狀態(tài)，此時可進行k+1次迭代。設定標準判斷粒子群是否進入早熟收斂狀態(tài)，便于搜索到全局最優(yōu)解，以提高求解結(jié)果的準確度。

當判斷粒子群進入早熟收斂狀態(tài)，為了增強全局最優(yōu)解的搜索性能，經(jīng)過較少的迭代次數(shù)找到最優(yōu)解，可以在運行迭代中選取適應性較高的優(yōu)良粒子進行微小混沌擾動操作，并對適應度最高的粒子進行隨機擾動，以增加粒子搜索全局最優(yōu)解的能力。

具體為，在上述步驟中當判斷σ²＜σ²_min，則判定粒子群進入早熟收斂狀態(tài)，對適應度最高的粒子進行隨機擾動，具體方法包括以下步驟：

S300：隨機生成一個初始混沌向量，描述為z₀＝(z₀₀,z₀₁,z₀₂,z₀₃,z₀₄,z₀₅)，其中z₀₀、z₀₁、z₀₂、z₀₃、z₀₄、z₀₅的取值范圍均為[0，1]；

S301：混沌迭代生成Q個混沌向量，第l個向量描述為z_l＝(z₁₀,z_l1,z_l2,z_l3,z_l4,z_l5)，l＝1，2,，…，Q，0<Q<N，Q為正整數(shù)；

S302：產(chǎn)生Q個粒子，第l個粒子描述為β_l＝(β_l0,β_l1,β_l2,β_l3,β_l4,β_l5)；

S303：對適應度最高的粒子進行隨機擾動，描述為：

${z_l}^{\&prime;}=|\frac{e^{\frac{l}{Q}}-1}{e-1}-\frac{1}{l}{|}^{\frac{3}{2}}{z}^{*}+(1-|\frac{e^{\frac{l}{Q}}-1}{e-1}-\frac{1}{l}{|}^{\frac{3}{2}})z_l;$

其中，z_l′為施加隨機擾動后(β0，β1，β2，β3，β4，β5)相對應的混沌向量，z*為最優(yōu)值β*＝(β₀*，β₁*，β₂*，β₃*，β₄*，β₅*)映射到[0,1]后形成的相應向量，z_l為迭代l次后的混沌向量，l為混沌迭代次數(shù)，Q為最大混沌迭代次數(shù)，z*具體描述為：

$z^{*}=\frac{{\mathrm{\&beta;}}^{*}-{\mathrm{\&beta;}}_{min}}{{\mathrm{\&beta;}}_{\max }-{\mathrm{\&beta;}}_{min}};$

β_max為粒子編碼的最大值，這里取值為1000；β_min為粒子編碼的最小值，這里取值為-1000。

對適應度最高的粒子進行隨機擾動后進行下一次迭代。

因此，本實施例求解方法中，通過設定標準判斷粒子群是否進入早熟收斂狀態(tài)，在判斷粒子群進入早熟收斂狀態(tài)時，選取適應性較高的優(yōu)良粒子進行微小混沌擾動操作，并對適應度最高的粒子進行隨機擾動，以增加粒子搜索全局最優(yōu)解的能力，使獲得的求解結(jié)果更準確。

相應的，本發(fā)明實施例還提供一種流行性感冒預測裝置，請參考圖3，裝置包括：

信息采集模塊400，包括：

心率傳感器401，用于采集待測人員的心率信息；

血壓傳感器402，用于采集待測人員的收縮壓和舒張壓；

體溫傳感器403，用于采集待測人員的體溫；

用戶操作模塊410，用于接收用戶輸入的待測人員的性別信息；

數(shù)據(jù)分析模塊420，用于根據(jù)所采集的待測人員的健康數(shù)據(jù)，健康數(shù)據(jù)包括心率、體溫、收縮壓、舒張壓和性別，通過所建立的流行性感冒預測模型計算獲得待測人員患流行性感冒的概率，所述流行性感冒預測模型以如下公式描述：

$P=\frac{e^{{\mathrm{\&beta;}}_0+{\mathrm{\&beta;}}_1{x}_1+{\mathrm{\&beta;}}_2{x}_2+{\mathrm{\&beta;}}_3{x}_3+{\mathrm{\&beta;}}_4{x}_4+{\mathrm{\&beta;}}_5{x}_5}}{1+e^{{\mathrm{\&beta;}}_0+{\mathrm{\&beta;}}_1{x}_1+{\mathrm{\&beta;}}_2{x}_2+{\mathrm{\&beta;}}_3{x}_3+{\mathrm{\&beta;}}_4{x}_4+{\mathrm{\&beta;}}_5{x}_5}},$

其中，P為患流行性感冒的概率，β₀為常數(shù)，β₁為心率影響系數(shù)，β₂為體溫影響系數(shù)，β₃為收縮壓影響系數(shù)，β₄為舒張壓影響系數(shù)，β₅為性別影響系數(shù)，變量x₁為心率值，變量x₂為體溫值，變量x₃為收縮壓值，變量x₄為舒張壓值，變量x₅為性別。

本發(fā)明實施例提供的流行性感冒預測裝置，包括信息采集模塊、用戶操作模塊和數(shù)據(jù)分析模塊，其中信息采集模塊包括心率傳感器、血壓傳感器和體溫傳感器，通過用戶操作模塊可輸入待測人員的信息數(shù)據(jù)。本實施例流行性感冒預測裝置，以人體的健康數(shù)據(jù)建立流行性感冒預測模型，所基于的健康數(shù)據(jù)包括心率、體溫、收縮壓、舒張壓和性別，在對待測人員檢測時，通過信息采集模塊獲得待測人員的心率、收縮壓、舒張壓、體溫等信息，并輸入性別，數(shù)據(jù)分析模塊基于建立的預測模型計算給出待測人員患流行性感冒的概率。

因此，本發(fā)明流行性感冒預測裝置，根據(jù)人體心率、體溫、收縮壓、舒張壓及性別等對人體患流行性感冒做出預測，得到患病概率，使人們能夠?qū)α餍行愿忻白龀黾皶r預防。

本實施例中，所述用戶操作模塊還用于輸出和顯示預測結(jié)果。

所述用戶操作模塊還用于接收和記錄用戶輸入的待測人員的個人信息，包括姓名、性別、年齡及檢測記錄。當用戶需要查詢相關(guān)人員的檢測信號時，可以通過用戶操作模塊相應查找。

以上對本發(fā)明所提供的一種流行性感冒預測方法及裝置進行了詳細介紹。本文中應用了具體個例對本發(fā)明的原理及實施方式進行了闡述，以上實施例的說明只是用于幫助理解本發(fā)明的方法及其核心思想。應當指出，對于本技術(shù)領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明原理的前提下，還可以對本發(fā)明進行若干改進和修飾，這些改進和修飾也落入本發(fā)明權(quán)利要求的保護范圍內(nèi)。