本發明涉及健康預測，特別涉及一種乳腺癌術后淋巴水腫數字化預警系統。

背景技術：

1、乳腺癌手術，尤其是腋窩淋巴結清掃術，會破壞淋巴回流的正常途徑，使淋巴液在局部積聚，增加了淋巴水腫的發生風險，術后淋巴水腫不僅影響患者的肢體功能，還可能導致疼痛、感染等并發癥，嚴重降低患者的生活質量。因此，早期預警對于改善患者預后至關重要。

2、在乳腺癌術后淋巴水腫檢測中，生物電阻抗分析（bia）是一種通過測量人體組織對微弱交流電的電阻抗特性來評估身體成分和生理狀態的重要依據，人體組織中，水分、電解質等是影響電阻抗的關鍵因素，當淋巴水腫發生時，組織間液增多，導致局部組織的電阻抗發生變化，通過在體表放置電極，向體內注入微弱交流電，并測量電壓和電流，可計算出電阻抗值，進而判斷組織含水量的變化情況，以提示淋巴水腫的可能性。

3、目前，患者在術后容易出現電解質平衡失調的情況，如飲食變化、藥物副作用、疾病本身影響，這些都會導致電解質平衡失調，進而導致電阻抗值發生改變，如果不對其進行數據修正，會影響后續的電阻抗測量結果，所以，在此提出了一種乳腺癌術后淋巴水腫數字化預警系統。

技術實現思路

1、本發明的主要目的在于提供一種乳腺癌術后淋巴水腫數字化預警系統，以解決上述背景中提出的問題。

2、一種乳腺癌術后淋巴水腫數字化預警系統，包括：

3、數據采集模塊：用于采集乳腺癌術后的淋巴水腫監測數據；

4、數據應用模塊：基于獲取的淋巴水腫監測數據，訓練一個用于修正淋巴水腫監測數據的神經網絡修正模型；

5、模型獲取模塊：從淋巴水腫監測數據中獲取待決策數據，將待決策數據應用到基于神經網絡的修正模型中。

6、所述乳腺癌術后的淋巴水腫監測數據包括皮膚濕度值數據和原始電阻抗值數據。

7、所述訓練一個用于修正淋巴水腫監測數據的神經網絡修正模型的過程為：

8、對淋巴水腫監測數據進行修正和歸一化處理；

9、皮膚濕度值數據表示為，原始電阻抗值數據表示為，從本地數據庫讀取實驗數據，去除異常數據點，對于每個皮膚濕度值下的電阻抗值，獲取其平均值和標準差，當時，則將該數據點刪除；

10、對皮膚濕度值數據和原始電阻抗值數據進行歸一化操作，公式表示為：，其中，為歸一化后的皮膚濕度值數據；

11、對原始電阻抗值數據進行歸一化操作：，其中，為歸一化后的原始電阻抗值數據。

12、將修正和歸一化后的淋巴水腫監測數據劃分為訓練集、驗證集和測試集，比例為劃分訓練數據；

13、構建一個具有輸入層、隱藏層和輸出層的前饋神經網絡；

14、輸入層節點為修正和歸一化后的濕度值，輸出層節點為修正和歸一化的電阻抗值，隱藏層設置個神經元，通過一個激活函數，初始化神經網絡的權重和偏置，權重在到之間隨機初始化，偏置初始化為0；

15、使用訓練集數據對前饋神經網絡進行訓練，對數據集中的修正和歸一化后的濕度值和電阻抗值進行向前傳播；

16、首先輸入層到隱藏層，設輸入層的權重為，偏置為，則隱藏層的神經元輸入為：，其中，為隱藏層的神經元輸入，當p=1，t=0時，=1；

17、進一步的，通過將輸入層的修正和歸一化的濕度值與權重進行加權求和，并加上偏置，得到隱藏層神經元的輸入信號，決定了輸入濕度值對隱藏層神經元的影響程度，不同的值可以使模型關注濕度值的不同特征或變化趨勢，為神經元提供了一個額外的可學習參數，使神經元能夠在輸入為零時也有一定的輸出，增加了模型的靈活性；

18、隱藏層的神經元輸出為：，為激活函數；

19、通過激活函數對輸入信號進行非線性變換，得到隱藏層的輸出，這個輸出將作為下一層（隱藏層到輸出層）的輸入，繼續傳遞和處理信息；

20、然后隱藏層到輸出層，設輸入層的權重為，偏置為，則隱藏層的神經元輸出為：，其中，為隱藏層神經元數量，為輸出層輸出值獲得一個前饋神經網絡；

21、進一步的，將隱藏層的輸出與隱藏層到輸出層的權重進行加權求和，并加上偏置，得到最終的預測輸出，通過調整，模型可以學習到如何將隱藏層提取的特征轉換為準確的電阻抗值預測，提供了一個可調整的參數，有助于優化預測結果；

22、訓練一個損失函數，公式為：，其中，為訓練集的樣本數量；

23、進一步的，這個損失函數衡量了模型預測值與真實值之間的差異，對于訓練集中的每個淋巴水腫監測數據樣本，計算預測值與真實值之差的平方，然后對所有樣本的平方差求和并取平均，損失函數的值越小，說明模型的預測效果越好；

24、最后使用驗證集和測試集對訓練好的神經網絡模型進行評估，獲取決定系數，其中，為實際歸一化電阻抗值的平均值，基于評估結果選擇性能最佳的模型；

25、進一步的，決定系數反映了模型對數據的擬合程度，取值范圍在0到1之間，越接近1，說明模型對數據的擬合越好；反之，越接近0，說明模型的擬合效果較差，分子部分表示模型預測值與真實值之間的總平方誤差，分母部分表示真實值與真實值平均值之間的總平方誤差，如果模型完全不能預測數據，為0；如果模型能夠完美預測數據，為1。

26、所述待決策數據包括歸一化修正后的皮膚濕度值數據表示和原始電阻抗值數據；

27、進一步的，通過利用訓練完成的神經網絡修正模型對新的淋巴水腫監測數據進行處理，以實現對淋巴水腫的早期預警，將歸一化修正后的皮膚濕度值輸入模型后，模型可以根據其在訓練階段學習到的濕度與電阻抗之間的關系，對電阻抗值進行預測和修正，通過傳遞原始電阻抗值，在模型應用子模塊中可以進行反歸一化操作，將神經網絡模型輸出的歸一化修正電阻抗值轉換為實際修正后的電阻抗值，這個實際修正后的電阻抗值結合原始電阻抗值和其他臨床信息，可以更準確地判斷患者是否存在淋巴水腫風險，為醫生提供更有價值的診斷依據；

28、進一步的，早期預警模塊基于神經網絡修正模型的輸出決策結果，將預測電阻抗值與患者之前的測量值以及同類型患者的正常參考值進行比較，如果預測電阻抗值超出正常范圍或呈現異常變化趨勢（如連續多次測量值逐漸偏離正常區間），系統觸發淋巴水腫預警機制。

29、所述將待決策數據應用到基于神經網絡的修正模型中的過程為：

30、將歸一化修正后的皮膚濕度值數據表示輸入至神經網絡修正模型中，基于神經網絡修正模型獲得預測修正電阻抗值；

31、進一步的，經過前向傳播計算得到歸一化修正電阻抗值，通過淋巴水腫監測數據從輸入層依次經過各個隱藏層，最終到達輸出層，在這個過程中，通過各層神經元的加權求和和激活函數進行傳遞和變換，最終獲得預測的修正電阻抗值；

32、基于神經網絡修正模型對預測修正電阻抗值進行反向歸一化處理：=，其中，為生物電阻抗測量過程中電流；

33、然后，系統將修正后得到的電阻抗值與患者之前的測量值以及同類型患者的正常參考值進行比較，如果預測電阻抗值超出正常范圍或呈現異常變化趨勢（如連續多次測量值逐漸偏離正常區間），系統觸發淋巴水腫預警機制，根據患者的具體情況提供個性化的預警方案，通過分析患者的監測數據和預警結果，系統可以為患者制定針對性的康復訓練計劃、壓力治療方案和生活方式調整建議等，幫助患者降低淋巴水腫的發生風險，提高術后康復效果。

34、一種乳腺癌術后淋巴水腫數字化預警方法，包括：

35、s1：用于采集乳腺癌術后的淋巴水腫監測數據；

36、s2：基于獲取的淋巴水腫監測數據，訓練一個用于修正淋巴水腫監測數據的神經網絡修正模型；

37、s3：從淋巴水腫監測數據中獲取待決策數據，將待決策數據應用到基于神經網絡的修正模型中；

38、s4：基于神經網絡的修正模型輸出決策結果，將結果與患者之前的測量值進行比較。

39、本發明具有如下有益效果：

40、0、本發明中，通過構建的前饋神經網絡結構，輸入層接收歸一化后的濕度值，輸出層輸出歸一化后的電阻抗值，隱藏層設置多個神經元并采用激活函數，能夠有效學習皮膚濕度與電阻抗值之間復雜的非線性關系，在訓練過程中，通過大量實驗數據的學習，模型可以準確捕捉到不同濕度條件下電阻抗值的變化規律，從而在實際應用中，能夠根據輸入的皮膚濕度值更精準地預測電阻抗值的變化趨勢。

41、1、本發明中，系統能夠實時采集患者的淋巴水腫監測數據，包括皮膚濕度值和原始電阻抗值，并迅速將歸一化修正后的皮膚濕度值輸入到訓練好的神經網絡修正模型中，模型基于其學習到的濕度與電阻抗關系，快速計算出預測修正電阻抗值。

42、2、本發明中，在模型應用過程中，通過傳遞原始電阻抗值，系統可以在模型應用子模塊中進行反歸一化操作，將神經網絡模型輸出的歸一化修正電阻抗值轉換為實際修正后的電阻抗值，能夠更全面、準確地判斷電阻抗值數值準確度，減少了因各種干擾因素（如皮膚濕度變化、電解質平衡失調等）導致的誤判情況。