蘭州大學大氣科學學院甘肅省干旱氣候變化與減災重點實驗室（730000）

張 瑩 邵 毅 王式功△尚可政 李 旭 劉 慧 耿 迪

呼吸系統(tǒng)疾病死亡人數的人工神經網絡方法研究*

蘭州大學大氣科學學院甘肅省干旱氣候變化與減災重點實驗室（730000）

張 瑩 邵 毅 王式功△尚可政 李 旭 劉 慧 耿 迪

目的利用南京市2004-2009年呼吸系統(tǒng)疾病死亡病例和同期的氣象資料，分析了氣象因子（包括三種舒適度指數）與呼吸系統(tǒng)疾病死亡人數的相關性。方法通過BP神經網絡建立了呼吸系統(tǒng)疾病死亡人數的預報模型，并對其進行評價。結果氣象因素及其變化與呼吸系統(tǒng)疾病死亡人數有密切的關系。建立的呼吸系統(tǒng)疾病死亡人數的神經網絡預報模型結構為15-20-1（即有15個輸入、20個隱含節(jié)點和1個輸出），訓練精度為0.005，訓練了26步達到目的，預測準確率達80.11%。結論與統(tǒng)計預報方法相比較，該方法計算簡便、誤差較小、預測準確率高，對呼吸系統(tǒng)疾病死亡人數有較好的預測效果，為醫(yī)療氣象預報提供了一種新方法，具有進一步的研究價值。

呼吸系統(tǒng)疾病死亡人數 氣象因子 BP神經網絡 預報模型

氣象條件是導致呼吸系統(tǒng)疾病發(fā)病的主要誘因之一，國內外一些學者曾對疾病與氣象的關系做過研究與分析［1-5］，大部分都采用傳統(tǒng)的統(tǒng)計方法，其判別分析往往對數據的分布有各種假設條件的要求。不滿足這些條件時，要對原始數據作變量變換（包括如何使非線性關系變換為線性關系），而實際上選擇哪一種函數往往很難決策，可能要用到較復雜的統(tǒng)計方法。而BP神經網絡作為一個非線性的數學模型，與傳統(tǒng)統(tǒng)計方法相比不需要精確的統(tǒng)計模型，尤其善于處理復雜模型的映射關系，不需要知道數據的分布形式，且具有一定的容錯性，這為處理模糊的、數據不完全的、模擬的、不精確的模式識別提供了一個全新的途徑。筆者旨在通過大量樣本的醫(yī)學資料與同期氣象因子的相關性分析，找出影響呼吸系統(tǒng)疾病死亡人數的關鍵氣象指標。嘗試利用人工神經網絡（artificial neural network，ANN）方法建立呼吸系統(tǒng)疾病死亡人數預報模型，為醫(yī)療氣象預報提供科學參考。

資料與方法

1.死亡病例及氣象資料來源

呼吸系統(tǒng)（J）的病歷資料取自南京市疾病預防控制中心收集的南京市區(qū)及10 km范圍之內郊區(qū)2004年1月1日至2009年12月31日所有死亡病例資料。疾病變量分類按照疾病和有關健康問題的國際統(tǒng)計分類（WHO 2007第10次修訂版）ICD-10編碼的呼吸系統(tǒng)疾病死亡（J00-J99）進行分類。呼吸系統(tǒng)共12736個死亡病例。

氣象資料來源于中國氣象科學數據共享服務網中中國地面氣象資料南京站的2004-2009年的日均氣象資料，包括日最高（低）氣溫（℃）、日平均氣溫（℃）、日最高（低）氣壓（hPa）、日平均氣壓（hPa）、日平均相對濕度（%）和日平均風速（m/s）等。

2.研究方法

（1）呼吸系統(tǒng)疾病死亡人數與氣象因子的相關性分析

根據2004-2009年每年呼吸系統(tǒng)疾病死亡人數的發(fā)病資料，以七天為單位計算每七天的發(fā)病總人數，并每次向前遞推一天進行滑動求和處理，從而得到2004-2009年每七天發(fā)病總人數的數據。同時對同期的氣象數據進行七天滑動平均處理，從而得到2004 -2009年每七天的氣象指標的數據。通過散點圖的散步形狀和疏密程度判斷呼吸系統(tǒng)疾病死亡人數與不同氣象因子的相關趨勢和相關程度，如果基本呈線性，則用Pearson秩相關分析方法，否則采用Spearman秩相關分析方法建立各氣象要素與呼吸系統(tǒng)疾病死亡人數的關聯(lián)性。找出與呼吸系統(tǒng)疾病死亡人數相關性較大，且相關系數具有統(tǒng)計學意義的氣象指標。

七天的氣象指標包括：平均氣壓（PM，hPa）、平均最高氣壓（PH，hPa）、平均最低氣壓（PL，hPa），氣壓變化幅度（PV）、氣壓平滑指數（PSI）、平均氣溫（TM，℃）、平均最高氣溫（TH，℃）、平均最低氣溫（TL，℃）、氣溫變化幅度（TE，℃）、氣溫相對變化幅度（TRE，℃）、氣溫平滑指數（TSL）、平均濕度（HM，%）、溫濕指數（THI）［6-7］、風寒指數（WCI）［8-9］和著衣指數（ICL）［10］。平滑指數（SI）、溫濕指數（THI）、風寒指數（WCI）、著衣指數（ICL）的計算公式如下：

式中，μ：七天的平均值；δ：七天的標準差；WM：平均風速（m·s-1），H代表人體代謝率的75%，單位：W·m-2，本文取輕活動量下的代謝率，此時H＝87W·m-2；a表示人體對太陽輻射的吸收情況，本文取0.06；R表示垂直陽光在單位時間單位面積土地上所接收的太陽輻射（W·m-2）；α是太陽高度角，取平均狀況且隨緯度變化。氣象指標中的氣象因素的平均值、最高、最低值主要描述了氣象條件的基本狀態(tài)，即對其進行靜態(tài)描述；氣象因素的變化幅度、平滑指數主要描述了氣象條件的變化過程，變化幅度越大、平滑指數越低，其變化程度就越大，即對其進行動態(tài)描述；考慮到氣象因素在舒適度較好的天氣下變化和在舒適度不好的天氣下變化對人體的影響不同，引入了相對變化幅度、溫濕指數、風寒指數和著衣指數，在溫度相對變化幅度計算公式中，假設24.4℃為人體的最佳舒適溫度。三種舒適度指數均是通過一系列氣象要素的綜合，來反映人體與周圍環(huán)境的熱量交換情況。

（2）建立人工神經網絡預測模型

①數據歸一化處理。為了滿足人工神經網絡節(jié)點函數的條件和提高神經網絡的訓練速度，需要對其樣本進行歸一化處理，將其歸一化到0.1～0.9，其公式為：

其中xij為歸一化后的自變量；Xij為原始變量；min（xij）為自變量Xi中的最小值；max（xi）為自變量Xi中的最大值；i，j分別為自變量序號和樣本序號。

②人工神經網絡的建立。采用BP神經網絡，并通過Matlab7.0軟件編程實現(xiàn)［11］。輸入層的神經元為15個，即2004-2008年的歸一化后的氣象指標作為網絡輸入；輸出層的神經元為1個，用2004-2008年歸一化后的呼吸系統(tǒng)疾病死亡人數作為網絡輸出，傳遞函數為logsig。隱含層為1層，由于隱含層神經元數目沒有統(tǒng)一規(guī)則，本研究通過一些經驗公式和試湊法［12］等方法反復試驗，確定隱含層神經元數目為20，傳遞函數為tansig。因此神經網絡結構確定為15 -20-1。

③神經網絡的訓練與仿真。網絡訓練函數為trainlm，學習率為0.1，最大訓練步數為1000。經BP神經網絡算法進行網絡學習訓練，建立呼吸系統(tǒng)疾病死亡人數與氣象因素之間的關系。把2009年歸一化后的氣象要素作為訓練樣本，作為輸入層添加到已經訓練好的網絡中，對訓練樣本進行仿真驗證。最后對仿真結果進行反歸一化，便可得到2009年呼吸系統(tǒng)疾病死亡人數的仿真值。

3.BP神經網絡與統(tǒng)計預報的預測效果評價方法

通過BP神經網絡的訓練與仿真，最終得出了BP神經網絡模型對應的2009年呼吸系統(tǒng)疾病死亡人數的仿真值。統(tǒng)計預報方程（逐步回歸方法）是氣象學中較為常用的預測方法，其基本原理是運用回歸分析原理，采用雙檢驗原則，逐步引入和剔除自變量而建立最優(yōu)回歸方程的優(yōu)選方法。該方法要求分析數據服從正態(tài)分布和方差齊性。因此在進行逐步回歸方法前，對采集數據相關變量進行正態(tài)檢驗，運用指數變換對不服從正態(tài)分布的數據進行正態(tài)轉換。另外，利用Eviews軟件中的廣義最小二乘函數消除時間序列數據存在的自相關性。最終建立了以呼吸系統(tǒng)疾病死亡人數為因變量，其他影響因素為自變量的多元回歸方程，并用該方程預測2009年呼吸系統(tǒng)疾病死亡人數的仿真值。

為了較為客觀地評價BP神經網絡和統(tǒng)計預報對呼吸系統(tǒng)疾病死亡人數的預測能力，分別把兩種方法所得的2009年呼吸系統(tǒng)疾病死亡人數的仿真值與實際值進行對比，通過計算各自的平均絕對誤差（MAE）、平均絕對百分比誤差（MAPE）、均方誤差（MSE）和預測準確度（P）等指標，比較兩種模型的預測效果。

式中：Yt是實際值；yt是仿真值；n是樣本個數。

預報結果及擬合效果分析

1.呼吸系統(tǒng)死亡人數與氣象要素的關系

通過計算呼吸系統(tǒng)疾病死亡人數與各種氣象指標的相關性，我們發(fā)現(xiàn)氣象因子對呼吸系統(tǒng)疾病死亡人數的影響較顯著。呼吸系統(tǒng)疾病死亡人數與平均溫度（r＝-0.717）、最高溫度（r＝-0.715）、最低溫度（r＝-0.705）呈顯著地負相關；與平均氣壓（r＝0.614）、最高氣壓（r＝0.623）、最低氣壓（r＝0.604）呈顯著地正相關；與濕度（r＝-0.153）呈負相關；與溫變幅（r＝0.124）和壓變幅（r＝0.334）呈正相關；與氣溫平滑指數（r＝-0.403）和氣壓平滑指數（r＝0.260）呈顯著地負相關；這表明溫度越低、氣壓越高、濕度越小、氣象因素的變幅越大、平滑指數越小，呼吸系統(tǒng)疾病死亡人數越多。即寒冷干燥的天氣，再遇到急劇大幅度降溫，較容易誘發(fā)呼吸系統(tǒng)疾病。

人體舒適度是以人類機體與近地大氣之間的熱交換原理為基礎，從氣象角度評價人類在不同氣候條件下舒適感的一項生物氣象指標。溫濕指數、風寒指數和著衣指數是最為常用的三項評價指標。呼吸系統(tǒng)疾病死亡人數與溫濕指數（r＝-0.711）呈顯著地負相關，與風寒指數（r＝0.719）和著衣指數（r＝0.718）呈顯著地正相關，這些均表明人體感覺寒冷極不舒適時，會導致呼吸系統(tǒng)疾病死亡人數的增加。

2.預報結果及分析

通過采用改變輸入層節(jié)點數、隱含層節(jié)點數、樣本數和誤差精度等4種方案進行實驗。最終將隱含節(jié)點數定為20（隱含層上神經元的個數），訓練精度為0.005時，訓練了26步達到目的，最終誤差為0.00485402。此時網絡穩(wěn)定性達到最好，且預報和擬合效果也比較好。圖1為網絡最終訓練結果，它給出了網絡訓練所需的步數、訓練精度及訓練的最終誤差。

3.歷史樣本擬合效果

利用訓練好的網絡對2009年獨立樣本進行預測，網絡模擬預報結果如圖2所示。從圖中可以看出仿真值與實際值較為接近。

通過計算BP神經網絡模型和統(tǒng)計預報方程對呼吸系統(tǒng)疾病死亡人數的仿真值，將神經網絡預報模型與統(tǒng)計預報方法所得預報量的歷史擬合率、預報率（具體計算過程略）進行比較。從表1可以得出，無論是MAE、MAPE還是MSE，BP神經網絡的預報誤差值均小于統(tǒng)計預報方程預報的誤差值，同時BP神經網絡的預測準確率（80.11%）高于統(tǒng)計預報方程的預測準確率（72.23%）。這表明利用BP神經網絡方法對呼吸系統(tǒng)疾病死亡人數進行預測具有一定的可行性和理論價值。

圖1 最終訓練結果

圖2 BP網絡計算南京呼吸系統(tǒng)疾病死亡人數擬合曲線

表1 神經網絡方法與統(tǒng)計預報方法擬合率和預報率比較

討論與結論

傳統(tǒng)的統(tǒng)計方法建立的預測方程所涉及的氣象因素比較少，只考慮了一些基本因素，而本研究采用BP神經網絡模型所考慮的氣象指標多達15個，不僅對影響呼吸系統(tǒng)疾病死亡的天氣條件描述比較全面，而且還加入了與人體實際感受密切相關的三種人體舒適度氣象指標。從而建立了有針對性的個體化預報模型，達到了較好的預測效果。

人工神經網絡擅長處理知識背景不是很清楚、模糊、隨機的大通量信息，特別是非線性系統(tǒng)。憑借其分布式信息存儲方式、并行式信息處理方式、強大的容錯性、自組織、自學習和自適應能力，較好地解決了本研究中變量間不能用精確函數表達這一問題。同時在利用BP神經網絡模型對呼吸系統(tǒng)疾病死亡人數的預測研究中，只需選擇好輸入和輸出，剩下的事全部由神經網絡來完成，結果表明該方法簡便快捷、預測效果可靠。

本研究中基于BP神經網絡模型建立的呼吸系統(tǒng)疾病死亡人數預測模型為15-20-1（即有15個輸入、20個隱含節(jié)點和1個輸出），訓練精度為0.005，訓練了26步達到目的，最終誤差為0.00485402，預測準確率達到80.11%以上，比統(tǒng)計預報的預報準確率（72.23%）要高，這說明把神經網絡應用到呼吸系統(tǒng)疾病死亡人數的預報中具有一定的可行性和理論價值。

為了進一步提高對呼吸系統(tǒng)疾病死亡人數的預測效果，考慮到氣象因素只是疾病的一個誘發(fā)因素，因此可以在網絡輸入層添加性別、年齡、既往病史等病人的個體因素以及環(huán)境因素，即選擇與呼吸系統(tǒng)疾病死亡人數相關的關鍵氣象指標、環(huán)境指標和個體因素共同作為網絡輸入，建立新的預測模型，從而達到更為準確的預測。

1.陳正洪，楊宏青，肖勁松，等.武漢市呼吸道和心腦血管疾病的季月旬分布特征分析.數理醫(yī)藥學雜志，2000，13（5）.

2.劉佳，蔡亞平.2002-2009年中國大陸城鄉(xiāng)居民死因分析.中國衛(wèi)生統(tǒng)計，2012，29（4）：510-513.

3.程德明，董美階.宜昌市城區(qū)居民呼吸系統(tǒng)疾病死亡率分析.中國衛(wèi)生統(tǒng)計，2002，19（1）：132-135.

4.曾韋霖，馬文軍，劉濤，等.構建氣溫-死亡關系模型中溫度指標的選擇.中華預防醫(yī)學雜志，2012，46（10）：946-951.

5.黃明北，李子淵，白友仙，等.氣象因素與急性腦血管病的相關研究.氣候與環(huán)境研究，1999，4（1）：35-39.

6.Terjung WH.Physiologic climatesof the contentious United States：a bioclimatic classification based on man.Annual Association o f Applied Geochem istry，1966，5（1）：141-179.

7.呂偉林.體感溫度及其計算方法.北京氣象，1998，（1）：23-25.

8.Thom EC.Cooling degree days.Air Condition：Heat Ventilation，1958，55（3）：65-72.

9.David DH.Handbook of Applied Meteorology.New York：John W iley＆Sons.Inc，1985，6（7）：778-811.

10.Terjung WH.World pattern of the distribution of monthly com fort index.International Journal of Biometeorology，1968，2（3）：119-151.

11.葛哲學，孫志強編著.神經網絡理論與MATLAB R2007實現(xiàn).北京：電子工業(yè)出版社，2008.

12.范佳妮，王振雷，錢鋒.BP人工神經網絡隱層結構設計的研究進展.控制工程，2005，12（10）：105-109.

（責任編輯：丁海龍）

Study on Artificial Neural Network Prediction for Respiratory System Death Toll

Zhang Ying，Shao Yi，Wang Shigong，et al（KeylaboratoryofSemi-aridClimateChange，MinisterofEducation，CollegeofAtmosphericSciences，LanzhouUniversity（730000），Lanzhou）

ObjectiveUsing the data of respiratory system deaths andmeteorological factorsw ithin the same time from 2004 to 2009 in Nanjing，and analyzed the correlation betweenmeteorological factorswhich include three human com fortable indexes and respiratory system deaths.MethodsThe back-propagation（BP）artificial neutral network（ANN）model was built and evaluated.ResultsThe result showed：a close relationship exists between themeteorological factors and respiratory system deaths，the ANN predictmodel structure was 15-20-1，15 input notes，20 hidden notes and 1 output note.The training precision was 0.005 and the final error was 0.005 after 26 training steps.The results of forecast showed that predict accuracy over 80.11%.ConclusionsCompared w ith statistical forecastingmethods，thismethod is easy to be finished w ith smaller error，and higher ability on respiratory system deaths on independent prediction，which can provide a new method formedicalmeteorology forecast and have the value of further research.

Respiratory system death toll；Meteorological factors；Back-propagation neutral network；Predictmodel

公益性行業(yè)（氣象）科研專項（GYHY201106034）；“中央高?；究蒲袠I(yè)務費專項基金”自由探索項目（lzujbky-2012-123）和國家自然科學基金項目（41075103）共同資助。

△通信作者：王式功，E-mail：wangsg＠lzu.edu.cn