吳 潔，曲 暢，王 華

（1.北華大學 電氣信息工程學院，吉林 吉林 132012；2.長春理工大學 電子信息工程學院，吉林 長春 130022；3.上海電子信息職業(yè)技術(shù)學院 計算機應用系，上海 201411）

基于BP神經(jīng)網(wǎng)絡的腦卒中患者分類方法研究

吳 潔1，曲 暢2，王 華3

（1.北華大學 電氣信息工程學院，吉林 吉林 132012；2.長春理工大學 電子信息工程學院，吉林 長春 130022；3.上海電子信息職業(yè)技術(shù)學院 計算機應用系，上海 201411）

人工神經(jīng)網(wǎng)絡的應用逐漸廣泛，已經(jīng)發(fā)展到各個前沿領域，在神經(jīng)專家系統(tǒng)、模式識別、智能控制、組合優(yōu)化、預測等領域得到成功應用。文章通過對經(jīng)過PCA算法降維預處理后的數(shù)據(jù)進行BP神經(jīng)網(wǎng)絡數(shù)據(jù)分類，比較和分析數(shù)據(jù)經(jīng)BP神經(jīng)網(wǎng)絡、RBF神經(jīng)網(wǎng)絡、ANFIS神經(jīng)網(wǎng)絡后的分類誤差。經(jīng)實驗分析，BP神經(jīng)網(wǎng)絡、RBF神經(jīng)網(wǎng)絡、ANFIS神經(jīng)網(wǎng)絡分類誤差分別為0.000 5，971.935，0.025 3，傳統(tǒng)BP神經(jīng)網(wǎng)絡更適合文章中所采集的腦卒中患者數(shù)據(jù)分類。

BP神經(jīng)網(wǎng)絡；腦卒中；分類方法；信息處理

人工神經(jīng)網(wǎng)絡是一種新型信息處理系統(tǒng)，它在進行信息處理過程中應用類似于人的大腦神經(jīng)突觸的相互聯(lián)接結(jié)構(gòu)，人工神經(jīng)網(wǎng)絡特有的非線性適應性信息處理能力、良好的容錯等特性，使其克服了傳統(tǒng)人工智能方法對于如模式識別、語音識別、非結(jié)構(gòu)化信息處理等方面的缺陷，并在非線性映射、聯(lián)想記憶、分類識別和優(yōu)化設計等方面有良好的應用前景與效果[1]。通過實驗對PCA算法預處理降維后的腦卒中患者運動數(shù)據(jù)進行數(shù)據(jù)分類，分析和比較經(jīng)BP神經(jīng)網(wǎng)絡、RBF神經(jīng)網(wǎng)絡、模糊神經(jīng)網(wǎng)絡分類誤差。

1 BP神經(jīng)網(wǎng)絡算法原理

反向傳播（Back Propagation，BP）神經(jīng)網(wǎng)絡是一種采用誤差反向傳播的多層前饋神經(jīng)網(wǎng)絡，其實現(xiàn)的基本思想是采用信號的正向傳播同時誤差反向傳播的方式，網(wǎng)絡的輸入和輸出是一種非線性映射關(guān)系，通常由輸入層、隱含層、輸出層構(gòu)成。在信號的正向傳播過程中，數(shù)據(jù)由輸入層進入網(wǎng)絡，經(jīng)過隱含層的處理，最終在輸出層輸出。若網(wǎng)絡輸出不是期望的輸出，則將輸出層的輸出誤差作為調(diào)整網(wǎng)絡參數(shù)的信號進行反向傳播，根據(jù)誤差信號不斷調(diào)整網(wǎng)絡中的連接權(quán)值和閾值，知道網(wǎng)絡輸出達到可以接受的精度[2]。

（1）初始化。隨機選取各層突觸的連接權(quán)值與閾值，選取的分布通常選擇均值為0的均勻分布。

（2）訓練樣本的呈現(xiàn)。向網(wǎng)絡呈現(xiàn)出一個回合的訓練樣本，對以某種形式排列的每個樣本進行訓練時，按順序進行前向計算和反向計算。

（3）前項計算。在該回合中設一個訓練樣本是，為輸入向量，為期望響應向量。不斷地經(jīng)由網(wǎng)絡一層一層地前進，對于層的神經(jīng)元如圖1所示。

圖1 神經(jīng)元j細節(jié)的信號流

式中，m=m0—神經(jīng)元j在網(wǎng)絡的第一隱層的所有輸入的數(shù)量；

所以第l層的神經(jīng)元j的輸出信號可以表示：

（4）反向計算。計算網(wǎng)絡的局域梯度δ，定義為：

根據(jù)廣義delta規(guī)則優(yōu)化調(diào)整網(wǎng)絡中第lfalse層的各個突觸的權(quán)值：

式中η—學習率參數(shù)，通常取0到1之間的某一固定值

（5）迭代。給網(wǎng)絡輸入新一回合的樣本，根據(jù)（3）和（4）分別再次進行計算和反向迭代計算，直到每一回合的均方誤差達到期望值時，認為反向傳播算法收斂。

2 實驗與分析

通過用智能化的可穿戴式無線傳感器采集腦卒中后遺癥患者做簡單運動時7個關(guān)節(jié)部位產(chǎn)生的三維加速度和三維角速度數(shù)據(jù)，三維加速度Ax，Ay和Az，三維角速度Wx，Wy和 Wz，實驗的采樣頻率為102.4 Hz，這7個傳感器分別佩戴在患者的以下7個部位：前額、胸部、腰部、右手腕、左手腕、右小腿、左小腿。本文所用數(shù)據(jù)為高維數(shù)據(jù)，含有一定的冗余性和高階相關(guān)性，因此利用主成分分析法（Principal Component Analysis，PCA）對采集數(shù)據(jù)進行預處理以消除冗余和噪聲并降低數(shù)據(jù)維數(shù)。

將經(jīng)過PCA算法預處理后的數(shù)據(jù)作為網(wǎng)絡的輸入，對運動數(shù)據(jù)ω≤50°，50°＜ω≤90°，90°＜ω≤130°，130°＜ω≤150°，ω＞150°分別相應的0，0.25，0.5，0.75，1.0作為網(wǎng)絡輸出[5]，分別建立BP神經(jīng)網(wǎng)絡、RBF神經(jīng)網(wǎng)絡、ANFIS神經(jīng)網(wǎng)絡，將數(shù)據(jù)分類得到各神經(jīng)網(wǎng)絡分類誤差，如圖2所示。BP神經(jīng)網(wǎng)絡采用S型函數(shù)作為神經(jīng)元的傳遞函數(shù)，隱含層神經(jīng)元個數(shù)為9。如圖3所示，RBF神經(jīng)網(wǎng)絡采用高斯函數(shù)作為徑向基函數(shù)，由于處理的數(shù)據(jù)較大，故本文采用廣義徑向基函數(shù)網(wǎng)絡。ANFIS神經(jīng)網(wǎng)絡采用梯度下降與最小二乘相結(jié)合的混合算法，輸入隸屬函數(shù)為gbellmf型隸屬函數(shù)。

圖2 BP神經(jīng)網(wǎng)絡分類誤差

圖3 RBF神經(jīng)網(wǎng)絡分類誤差

如表1所示，結(jié)果表明，BP神經(jīng)網(wǎng)絡、RBF神經(jīng)網(wǎng)絡、ANFIS神經(jīng)網(wǎng)絡分類誤差分別為0.000 5，971.935，0.025 3。RBF神經(jīng)網(wǎng)絡其訓練誤差過大，不能作出正確判斷，并且建模訓練所需內(nèi)存遠遠大于模糊神經(jīng)網(wǎng)絡；ANFIS神經(jīng)網(wǎng)絡由于網(wǎng)絡性能限制，輸入網(wǎng)絡的數(shù)據(jù)維數(shù)較小，不能完全包含元數(shù)數(shù)據(jù)特征，雖然其分類誤差較小，但不適合處理本文所采集到的數(shù)據(jù)。BP神經(jīng)網(wǎng)絡分類誤差較RBF神經(jīng)網(wǎng)絡、ANFIS神經(jīng)網(wǎng)絡有明顯優(yōu)勢。

3 結(jié)語

本文通過實驗對PCA算法預處理降維后的數(shù)據(jù)利用神經(jīng)網(wǎng)絡進行數(shù)據(jù)分類，比較BP神經(jīng)網(wǎng)絡、RBF神經(jīng)網(wǎng)絡、ANFIS神經(jīng)網(wǎng)絡對數(shù)據(jù)的分類誤差，并分析各神經(jīng)網(wǎng)絡對采集數(shù)據(jù)的適合程度，結(jié)果表明，傳統(tǒng)BP神經(jīng)網(wǎng)絡對PCA預處理后的腦卒中患者運動數(shù)據(jù)具有良好的數(shù)據(jù)分類效果。

表1 神經(jīng)網(wǎng)絡分類誤差比較

[1]常虹，張冰.神經(jīng)網(wǎng)絡在結(jié)構(gòu)損傷識別中的應用研究[J].吉林建筑大學學報，2014（1）：23-25.

[2]劉潔，王麗芳. EDA與BP結(jié)合優(yōu)化神經(jīng)網(wǎng)絡[J].太原科技大學學報，2014（1）：28-33.

[3]楊麗麗，白艷萍，苗靜，等. 基于BP神經(jīng)網(wǎng)絡的中學考試成績分類[J]. 機電技術(shù)，2011（3）：40-41.

[4]KUMAR P，NIGAM S P，KUMAR N. Vehicular traffic noise modeling using artificial neural network approach[J]. Transportation Research Part C：Emerging Technologies，2014（40）：111-122.

[5]陸明，邱貴興，翁習生. 關(guān)節(jié)角度測量結(jié)果準確性及可重復使用性評價[J].中國組織工程研究與臨床康復，2008（30）：5845-5848.

Research on classification method of patients with cerebral apoplexy based on BP neural network

Wu Jie1, Qu Chang2, Wang Hua3
（1.Electrical and Information Engineering College of Beihua University, Jilin 132012, China; 2.Electronics and Information Engineering College of Changchun University of Science and Technology, Changchun 130022, China; 3.Computer Application Department of Shanghai Technical Institute of Electronics ＆ Information, Shanghai 201411, China）

The application of artificial neural network is gradually widely, which has developed to the frontier fields such as the neural expert system, pattern recognition, intelligent control, combination optimization, forecasting and other fields. This article mainly used the data after PCA algorithm dimension reduction pretreatment. Comparing and analyzing the data classification error though the BP neural network, RBF neural network and ANFIS fuzzy neural network. Through experimental analysis, the classification error respectively is 0.000 5, 971.935, 0.0 253 by BP neural network, RBF neural network and ANFIS neural network, traditional BP neural network is more suitable for data classification of cerebral apoplexy patients collected in this paper.

BP neural network; cerebral apoplexy; classification method; information processing

吉林市科技計劃項目；項目編號：201537112。

吳潔（1981— ），女，吉林吉林，講師。