(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211081676.9 (22)申请日 2022.09.06 (71)申请人 广东技术师范大学 地址 510665 广东省广州市天河区中山大 道西293号 (72)发明人 李亚　戴青云　王小梨　 (74)专利代理 机构 佛山粤进知识产权代理事务 所(普通合伙) 44463 专利代理师 王余钱 (51)Int.Cl. G16H 50/30(2018.01) G16H 10/60(2018.01) G06F 40/30(2020.01) G06N 7/02(2006.01) G06N 5/04(2006.01)G06N 3/04(2006.01) G06N 3/063(2006.01) G06N 3/08(2006.01) (54)发明名称 基于模糊理论的健康状况分层量化评估实 现方法及系统 (57)摘要 本发明涉及一种基于模糊理论的健康状况 分层量化评估实现方法、 系统及介质， 属于主动 健康评估技术领域， 通过根据构建的面向人体健 康状态分层量化的模糊智能学习模 型， 用忆阻器 结合外围元器件电路搭建模型的模糊化、 规则 库、 推理引擎和去模糊化四个环节的硬件电路， 从而人体相关的特征数据进行相应的模糊处理， 输出人体健康状态信息。 通过推导电路元器件参 数与模糊智 能学习模型模糊化、 规则库、 推理引 擎和去模糊化相关环节的对应关系， 搭建通用、 快速、 低功耗可编程的忆阻模糊智能硬件新电 路， 提高了可穿戴健康设备的运 算速度。 权利要求书3页 说明书10页 附图2页 CN 115394444 A 2022.11.25 CN 115394444 A 1.基于模糊理论的健康状况分层量 化评估实现方法， 其特 征在于， 包括以下步骤： 通过大数据获取人体健康相关的特征信 息， 并通过模糊理论对所述人体健康相关的特 征信息进行 特征描述， 生成模糊语义 集， 根据所述模糊语义 集建立规则库； 预设模糊化层、 规则库层、 推理引擎层以及去模糊化层， 并预设推理逻辑策略， 将所述 规则库以及推理逻辑策略分别输入至面向健康分层量化的模糊智能学习模型的规则库层 以及推理引擎层中进行反复构造， 得到 完成的面向健康分层量 化的模糊智能学习模型； 根据电路理论建立可编 程忆阻电路表示模型， 并推导所述可编程忆阻 电路表示模型中 的电路元器件参数与所述面向健康分层量化的模糊智能学习模型各个环节的对应关系， 并 根据所述对应关系搭建模糊智能学习模型的忆阻器神经网络模型； 预设反馈修正电路， 获取实时的人体健康相关的特征信息， 并将所述人体健康相关的 特征信息导入所述模糊智能学习模型 的忆阻器神经网络模型中， 得到输出结果， 并通过所 述反馈修 正电路对所述输出 结果进行修 正， 得到人体健康状态的健康阈值。 2.根据权利要求1所述的基于模糊理论的健康状况分层量化评估实现方法， 其特征在 于， 通过模糊理论对 所述人体健康相关的特征信息进 行特征描述， 生 成模糊语义集， 根据所 述模糊语义 集建立规则库， 具体为： 通过模糊理论对所述人体健康相关的特征信 息进行语言词描述， 生成一个或者多个语 言词， 并根据所述语言词建立模糊语义 集； 基于所述模糊语义集构建相对应的隶属函数， 构建规则库， 将所述隶属函数存储于所 述规则库中。 3.根据权利要求1所述的基于模糊理论的健康状况分层量化评估实现方法， 其特征在 于， 推导所述可编程忆阻电路表示模型中的电路元器件参数与所述面向健康分层量化的模 糊智能学习模型 各个环节的对应关系， 具体为： 通过忆阻器预设可变忆阻值的变 化范围 ， 将该阻值范围进行归一化并映射 至[0,1]隶属度范围， 并通过忆阻交叉阵列电路构建隶属函数来生成读写电路， 其中由于忆 阻及交叉阵列电路中的隶属函数由忆阻器决定， 其读写过程 为： 其中 和 表示读模式下流过忆阻器的最小电流值以及 最大电流值， 为读 模式下的电压值， μ表示标准化的隶属度值， 它的范围为 ， Ron为可变忆阻值的变化范围权　利　要　求　书 1/3 页 2 CN 115394444 A 2的第一临界电阻， Roff为可变忆阻值的变化范围的第二临界电阻， 为通过编程得到的 编程电流 值， 通过编程得到的忆阻值。 4.根据权利要求1所述的基于模糊理论的健康状况分层量化评估实现方法， 其特征在 于， 根据所述对应关系搭建模糊智能学习模型的忆阻器神经网络， 具体为： 基于神经网络构建忆阻器神经网络模型， 根据大量所述对应关系的样本数据作为训练 数据， 其中90%的所述样本数据作为训练集， 10%的样本数据进行验证集； 将所述训练集输入至所述忆阻器神经网络模型中， 训练至损失函数平稳； 通过所述验证集对所述忆阻器神经网络进行测试， 当输出结果达到预设标准时， 则保 存模型参数并输出 所述忆阻器神经网络模型。 5.根据权利要求1所述的基于模糊理论的健康状况分层量化评估实现方法， 其特征在 于， 预设推理逻辑策略， 具体包括： 利用规则库中的信息以及模糊化层准备的隶属度通过模糊逻辑算法建立推理引擎规 则， 将所述推力引擎 规则作为推理逻辑策略输出。 6.根据权利要求1所述的基于模糊理论的健康状况分层量化评估实现方法， 其特征在 于， 根据电路理论建立可编程忆阻电路表示模型， 具体为： 根据电路理论建立模糊化硬件电路、 规则库硬件电路、 推力引擎硬件电路 以及去模糊 化硬件电路； 构建可编程忆阻电路表示模型， 并将模糊化硬件电路、 规则库硬件电路、 推力引擎硬件 电路以及去模糊化硬件电路输入至所述可编程忆阻电路表示模型中， 得到构造完成的可编 程忆阻电路表示模型。 7.基于模糊理论的健康状况分层量化评估实现系统， 其特征在于， 所述系统包括存储 器以及处理器， 所述存储器中存储有基于模糊理论的健康状况分层量化评估实现方法程 序， 所述基于模糊理论的健康状况分层量化评估实现方法程序被处理器执行时， 实现如下 步骤： 通过大数据获取人体健康相关的特征信 息， 并通过模糊理论对所述人体健康相关的特 征信息进行 特征描述， 生成模糊语义 集， 根据所述模糊语义 集建立规则库； 预设模糊化层、 规则库层、 推理引擎层以及去模糊化层， 并预设推理逻辑策略， 将所述 规则库以及推理逻辑策略分别输入至面向健康分层量化的模糊智能学习模型的规则库层 以及推理引擎层中进行反复构造， 得到 完成的面向健康分层量 化的模糊智能学习模型； 根据电路理论建立可编 程忆阻电路表示模型， 并推导所述可编程忆阻 电路表示模型中 的电路元器件参数与所述面向健康分层量化的模糊智能学习模型各个环节的对应关系， 并 根据所述对应关系搭建模糊智能学习模型的忆阻器神经网络模型； 预设反馈修正电路， 获取实时的人体健康相关的特征信息， 并将所述人体健康相关的 特征信息导入所述模糊智能学习模型 的忆阻器神经网络模型中， 得到输出结果， 并通过所 述反馈修 正电路对所述输出 结果进行修 正， 得到人体健康状态的健康阈值。 8.根据权利要求7所述的基于模糊理论的健康状况分层量化评估实现系统， 其特征在 于， 通过模糊理论对 所述人体健康相关的特征信息进 行特征描述， 生 成模糊语义集， 根据所权　利　要　求　书 2/3 页 3 CN 115394444 A 3