本发明属于风险预警，具体是指基于智能芯片技术的尿失禁预警系统。
背景技术：
1、尿失禁预警系统是利用人工智能和智能芯片技术，实时监测尿失禁风险，从而预测尿失禁的发生，并及时向用户发送提醒，提升尿失禁患者的生活质量。但是现有的尿失禁预警系统中存在尿失禁监测数据复杂，难以准确提取关键特征，增加了模型评估的难度，导致评估结果不稳定和不准确的问题；现有的尿失禁预警系统中存在尿失禁监测数据多样化，难以应对各种不同特征的患者数据，导致尿失禁风险评估出现误判和评估结果对部分患者不适用的问题。
技术实现思路
1、针对上述情况，为克服现有技术的缺陷，本发明提供了基于智能芯片技术的尿失禁预警系统，针对现有的尿失禁预警系统中存在尿失禁监测数据复杂，难以准确提取关键特征，增加了模型评估的难度，导致评估结果不稳定和不准确的问题，本方案基于总梯度范数和历史梯度基准设计自适应缩放因子，使用自适应缩放因子修剪神经网络参数的梯度，设计自适应学习率，并结合插值因子进行神经网络参数的更新，避免了梯度不稳定和梯度爆炸导致的训练异常，使学习率能更好地适应不同训练阶段，有助于更好地处理复杂数据，提升了尿失禁风险评估模型的准确性和可靠性，提高用户的生活质量和便利性；针对现有的尿失禁预警系统中存在尿失禁监测数据多样化，难以应对各种不同特征的患者数据，导致尿失禁风险评估出现误判和评估结果对部分患者不适用的问题，本方案基于本地位置修正值和局部搜索比例值生成查询值和参考位置，基于levy飞行策略和随机个体生成扰动位置，并基于参考位置和扰动位置进行所有个体的位置更新，确定最优参数，提高了模型参数优化的效率和准确性，增强了模型的适应性和灵活性，更好地适应不同患者的个体差异，提高了模型的泛化能力，提升了尿失禁风险评估模型的性能和可靠性，有助于更准确地预警尿失禁风险。
2、本发明提供的基于智能芯片技术的尿失禁预警系统，包括数据采集模块、数据预处理模块、构建尿失禁风险评估模型模块、尿失禁风险评估模型参数优化模块和尿失禁实时预警模块；
3、所述数据采集模块基于智能芯片采集历史尿失禁监测数据；
4、所述数据预处理模块对采集的数据进行数据清洗、数据转换、数据归一化和构建数据集处理；
5、所述构建尿失禁风险评估模型模块基于总梯度范数和历史梯度基准设计自适应缩放因子，使用自适应缩放因子修剪神经网络参数的梯度，设计自适应学习率，并结合插值因子进行神经网络参数的更新；
6、所述尿失禁风险评估模型参数优化模块基于本地位置修正值和局部搜索比例值生成查询值和参考位置，基于levy飞行策略和随机个体生成扰动位置，并基于参考位置和扰动位置进行所有个体的位置更新，确定最优参数；
7、所述尿失禁实时预警模块基于智能芯片采集实时尿失禁监测数据，当尿失禁风险评估模型输出的风险评估等级高于风险评估阈值时，智能芯片发送预警信息。
8、进一步地，所述数据采集模块是基于智能芯片采集历史尿失禁监测数据；所述历史尿失禁监测数据包括生理数据、用户行为数据、健康状态数据和风险评估等级；所述生理数据包括尿液量、尿道压力和膀胱残尿量；所述用户行为数据包括排尿习惯、饮水量和运动量；所述健康状态数据包括心率和呼吸频率；风险评估等级越高，用户尿失禁的风险越大，将风险评估等级作为数据标签。
9、进一步地，所述数据预处理模块是对采集的数据进行数据清洗、数据转换、数据归一化和构建数据集处理；数据清洗包括处理缺失值、异常值和重复值；数据转换是将数据转化为向量形式；数据归一化是基于最大最小归一化方法统一数据范围；构建数据集是基于处理后的数据构建风险评估数据集，并基于智能芯片将风险评估数据集传输至云端服务器。
10、进一步地，所述构建尿失禁风险评估模型模块是构建神经网络，神经网络包括输入层、隐藏层和输出层，输入层负责接收风险评估数据集中的数据，隐藏层进行数据处理和特征提取，输出层输出评估标签，神经网络参数更新具体包括以下内容：
11、计算一阶矩和二阶矩，所用公式如下：
12、；
13、；
14、；
15、式中，gt是第t次更新时损失函数对神经网络参数的梯度，是参数θ上的梯度，j是损失函数，θt-1是第t-1次更新时的神经网络参数，mt和mt-1分别是第t次和第t-1次更新时的一阶矩，vt和vt-1分别是第t次和第t-1次更新时的二阶矩，β1和β2是一阶矩衰减率和二阶矩衰减率，是gt的平方，t是神经网络参数的更新索引；
16、偏置校正，所用公式如下：
17、；
18、；
19、式中，和分别是第t次更新时偏置校正后的一阶矩和二阶矩，和分别是β1和β2的t次幂；
20、梯度修剪，设计自适应缩放因子，基于自适应缩放因子修剪神经网络参数的梯度，包括以下内容：
21、计算总梯度范数，所用公式如下：
22、；
23、式中，sft是第t次更新时的总梯度范数，d是参数索引，d是神经网络参数的总数，是第j次更新时第d个参数的梯度，是l2范数的平方；
24、计算历史梯度基准，历史梯度基准包括历史梯度均值和历史梯度方差，所用公式如下：
25、；
26、；
27、式中，lzt和lct分别是第t次更新时的历史梯度均值和历史梯度方差，gj是第j次更新时损失函数对神经网络参数的梯度；
28、设计自适应缩放因子，所用公式如下：
29、；
30、式中，zst是第t次更新时的自适应缩放因子，gnmax是最大梯度范数，γ是控制因子；
31、应用修剪，所用公式如下：
32、；
33、式中，是第j次更新时第d个参数修剪后的梯度；
34、设计自适应学习率；根据时间和设定的参数动态调整学习率，学习率在训练过程中周期性地变化；所用公式如下：
35、；
36、式中，xlt是第t次更新时的自适应学习率，xl0、xlfd和xlzq分别是学习率的初始值、学习率变化的周期长度和学习率变化的幅度；
37、神经网络参数更新，基于自适应学习率和插值因子进行神经网络参数的更新；所用公式如下：
38、；
39、式中，θt是第t次更新时的神经网络参数，σ是插值因子，是平滑项。
40、进一步地，所述尿失禁风险评估模型参数优化模块具体包括以下内容：
41、初始化个体位置，对尿失禁风险评估模型中的一阶矩衰减率β1、二阶矩衰减率β2、最大梯度范数gnmax、控制因子γ、学习率的初始值xl0、学习率变化的周期长度xlfd、学习率变化的幅度xlzq和插值因子σ建立搜索空间，在搜索空间内随机初始化a个个体位置，用个体位置作为尿失禁风险评估模型参数的代表，将基于模型参数建立的尿失禁风险评估模型的损失函数作为个体的适应度值；
42、设计参考位置，包括以下内容：
43、计算局部搜索比例值，所用公式如下：
44、；
45、式中，是第u次迭代时的局部搜索比例值，是第u次迭代时全局最优个体的位置，是第u次迭代时所有个体的平均位置，u是当前迭代次数，i是个体索引，rand（·）是随机数生成函数，是第u次迭代时第i个个体的位置；
46、计算本地位置修正值，所用公式如下：
47、；
48、式中，是第u次迭代时第i个个体的本地位置修正值，是第u次迭代时全局最差个体的位置；
49、计算查询值，基于本地位置修正值和局部搜索比例值为每个个体生成两个不同的查询值，所用公式如下：
50、；
51、；
52、式中，和分别是第u次迭代时第i个个体的第一查询值和第二查询值；
53、计算两个参考位置，基于查询值为每个个体生成两个不同的参考位置；引导个体向更有潜力的方向移动；所用公式如下：
54、；
55、；
56、式中，和分别是第u次迭代时第i个个体的第一参考个体和第二参考位置，是第u次迭代时第一随机个体的位置；
57、计算扰动位置，基于levy飞行策略和随机个体为每个个体生成一个扰动位置；所用公式如下：
58、；
59、；
60、；
61、式中，是第u次迭代时第i个个体的扰动位置，a是基于levy飞行策略生成的随机数，b和p取自正态分布，，，λ是形状参数，是伽玛函数，是正态分布的标准差，和分别是第u次迭代时第二随机个体和第三随机个体的位置，是向上取整函数；
62、个体位置更新，基于参考位置和扰动位置进行所有个体的位置更新，所用公式如下：
63、；
64、式中，是第u+1次迭代时第i个个体的位置，s1和s2分别是（0，1）范围内的第一随机值和第二随机值；
65、最优参数确定，预先设定适应度阈值，更新个体的适应度值和全局最优个体，当全局最优个体对应的适应度值低于适应度阈值时，全局最优个体位置对应的模型参数为最优参数，基于最优参数构建尿失禁风险评估模型；否则，若达到最大迭代次数，则重新初始化个体位置；否则，将迭代次数加1并重新计算参考位置和扰动位置，并进行个体位置更新。
66、进一步地，所述尿失禁实时预警模块是基于智能芯片采集实时尿失禁监测数据；所述实时尿失禁监测数据包括生理数据、用户行为数据和健康状态数据，对实时尿失禁监测数据进行数据预处理后，将其输入至尿失禁风险评估模型中，预先设置风险评估阈值，当模型输出的风险评估等级高于风险评估阈值时，智能芯片发送预警信息。
67、采用上述方案本发明取得的有益效果如下：
68、（1）针对现有的尿失禁预警系统中存在尿失禁监测数据复杂，难以准确提取关键特征，增加了模型评估的难度，导致评估结果不稳定和不准确的问题，本方案基于总梯度范数和历史梯度基准设计自适应缩放因子，使用自适应缩放因子修剪神经网络参数的梯度，设计自适应学习率，并结合插值因子进行神经网络参数的更新，避免了梯度不稳定和梯度爆炸导致的训练异常，使学习率能更好地适应不同训练阶段，有助于更好地处理复杂数据，提升了尿失禁风险评估模型的准确性和可靠性，提高用户的生活质量和便利性。
69、（2）针对现有的尿失禁预警系统中存在尿失禁监测数据多样化，难以应对各种不同特征的患者数据，导致尿失禁风险评估出现误判和评估结果对部分患者不适用的问题，本方案基于本地位置修正值和局部搜索比例值生成查询值和参考位置，基于levy飞行策略和随机个体生成扰动位置，并基于参考位置和扰动位置进行所有个体的位置更新，确定最优参数，提高了模型参数优化的效率和准确性，增强了模型的适应性和灵活性，更好地适应不同患者的个体差异，提高了模型的泛化能力，提升了尿失禁风险评估模型的性能和可靠性，有助于更准确地预警尿失禁风险。
1.基于智能芯片技术的尿失禁预警系统，其特征在于：包括数据采集模块、数据预处理模块、构建尿失禁风险评估模型模块、尿失禁风险评估模型参数优化模块和尿失禁实时预警模块；
2.根据权利要求1所述的基于智能芯片技术的尿失禁预警系统，其特征在于：所述构建尿失禁风险评估模型模块是构建神经网络，神经网络包括输入层、隐藏层和输出层，输入层负责接收风险评估数据集中的数据，隐藏层进行数据处理和特征提取，输出层输出评估标签，神经网络参数更新具体包括以下内容：
3.根据权利要求2所述的基于智能芯片技术的尿失禁预警系统，其特征在于：所述梯度修剪具体包括以下内容：
4.根据权利要求1所述的基于智能芯片技术的尿失禁预警系统，其特征在于：所述尿失禁风险评估模型参数优化模块具体包括以下内容：
5.根据权利要求4所述的基于智能芯片技术的尿失禁预警系统，其特征在于：所述设计参考位置具体包括以下内容：
6.根据权利要求1所述的基于智能芯片技术的尿失禁预警系统，其特征在于：所述尿失禁实时预警模块是基于智能芯片采集实时尿失禁监测数据；所述实时尿失禁监测数据包括生理数据、用户行为数据和健康状态数据，对实时尿失禁监测数据进行数据预处理后，将其输入至尿失禁风险评估模型中，预先设置风险评估阈值，当模型输出的风险评估等级高于风险评估阈值时，智能芯片发送预警信息。
7.根据权利要求1所述的基于智能芯片技术的尿失禁预警系统，其特征在于：所述数据采集模块是基于智能芯片采集历史尿失禁监测数据；所述历史尿失禁监测数据包括生理数据、用户行为数据、健康状态数据和风险评估等级；所述生理数据包括尿液量、尿道压力和膀胱残尿量；所述用户行为数据包括排尿习惯、饮水量和运动量；所述健康状态数据包括心率和呼吸频率；风险评估等级越高，用户尿失禁的风险越大，将风险评估等级作为数据标签。
8.根据权利要求1所述的基于智能芯片技术的尿失禁预警系统，其特征在于：所述数据预处理模块是对采集的数据进行数据清洗、数据转换、数据归一化和构建数据集处理；数据清洗包括处理缺失值、异常值和重复值；数据转换是将数据转化为向量形式；数据归一化是基于最大最小归一化方法统一数据范围；构建数据集是基于处理后的数据构建风险评估数据集，并基于智能芯片将风险评估数据集传输至云端服务器。
