王子超+楊會澤+張青權(quán)

1.1基本原理—神經(jīng)網(wǎng)絡(luò)

醫(yī)學(xué)診斷[1]是醫(yī)務(wù)人員根據(jù)病人的病史，癥狀檢查結(jié)果等信息進(jìn)行歸納處理。經(jīng)過總和分析，得出病因的一個過程，所以得出一個準(zhǔn)確，可靠的結(jié)論十分重要。推理是診斷的一個重要部分，但由于醫(yī)生往往憑借自己所掌握的病理學(xué)知識和多年積累的經(jīng)驗(yàn)得出診斷結(jié)果，受主觀因素影響比較大，可能造成誤診。診斷是指上時一個分類過程，因此根據(jù)診者的睡眠指標(biāo)（Sleep quality，sleeplatency，sleeptime，sleepefficiency，sleep disorder，Hypnagogue，Daytime dyfunction）來預(yù)測。

神經(jīng)網(wǎng)絡(luò)[2]的基本處理單元是神經(jīng)元（即節(jié)點(diǎn)），大量神經(jīng)元廣泛連接構(gòu)成神經(jīng)網(wǎng)絡(luò)。BP網(wǎng)絡(luò)通常含有輸入層、隱含層（中間層）和輸出層，每層均包括多個神經(jīng)元，輸入層與輸出層各有一層，隱含層根據(jù)需要可以設(shè)多層，也可不設(shè)。神經(jīng)元之間通過權(quán)相互連接，前一層神經(jīng)元只對下一層神經(jīng)元作用，同層神經(jīng)元之間無相互作用，權(quán)值的大小代表上一級神經(jīng)元對下一級神經(jīng)元的影響度。

Back Propagation是為了解決多層前向神經(jīng)網(wǎng)絡(luò)的權(quán)值調(diào)整而提出來的，也稱為反向傳播算法，即網(wǎng)絡(luò)權(quán)值的調(diào)整規(guī)則是向后傳播學(xué)習(xí)算法，具體來說，BP算法是建立在梯度下降法的基礎(chǔ)上的，訓(xùn)練過程由正向傳播和反向傳播組成，在正向傳播過程中，輸入信息由輸入層經(jīng)隱含層逐層處理，并傳向輸出層，如果輸出層得不到期望的輸出，則轉(zhuǎn)入反向傳播，逐層遞歸的計(jì)算實(shí)際輸入與期望輸入的差即誤差，將誤差信號沿原來的連接通道返回，通過修改各層神經(jīng)元的權(quán)引值，最終使得誤差信號最小。

1.2神經(jīng)網(wǎng)絡(luò)模型的建立

孫高[3]等人利用神經(jīng)模型BP算法的多層前饋網(wǎng)絡(luò)，建立用于肺癌診斷的神經(jīng)網(wǎng)絡(luò)模型，基于前人的研究，總結(jié)了建立神經(jīng)網(wǎng)絡(luò)的步驟。

建立神經(jīng)網(wǎng)略的醫(yī)學(xué)診斷系統(tǒng)的過程可分為4步[4]

Step1，數(shù)據(jù)的歸類整理。根據(jù)附件二選取了7個指標(biāo)（去掉了年齡和性別兩個）。從前文已知，文章用聚類分析將14++種病分為8類（分別用y1，y2，+++表示），每類取20組數(shù)據(jù)（盡量選取更多的疾?。?，作為神經(jīng)網(wǎng)絡(luò)的輸入。

Step2，建立神經(jīng)網(wǎng)絡(luò)模型。采用BP神經(jīng)網(wǎng)絡(luò)。結(jié)構(gòu)采用隱含層單元數(shù)確定法。

Strp3，神經(jīng)網(wǎng)絡(luò)計(jì)算輸出。將神經(jīng)網(wǎng)絡(luò)的輸入內(nèi)容輸入網(wǎng)絡(luò)，立刻可以得到網(wǎng)絡(luò)的輸出結(jié)果。

Step4，匹配推理，得出診斷結(jié)論。將神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果（即系統(tǒng)初步診斷的結(jié)果，也就是初步判定該病所屬的類別）進(jìn)一步根據(jù)前文對每類的定性分析，進(jìn)而確定具體疾病。

1.3數(shù)據(jù)的歸類整理

1.3.1樣本分組

從前文已知，文章用聚類分析將118種病分為8類（分別用Y1+++表示），A組，訓(xùn)練樣本：160，每類取20組數(shù)據(jù)（盡量選取更多的疾病）共160組數(shù)據(jù)。

B組，測試樣本：160，同樣選160組數(shù)據(jù)檢測網(wǎng)絡(luò)性能。

1.3.2疾病診斷的指標(biāo)選取及量化

在問題一中，根據(jù)逐步回歸，得到回歸方程+++，研究結(jié)果表明，年齡與性別對睡眠質(zhì)量有正顯著影響，因此在做進(jìn)一步研究時，不考慮性別和年齡，認(rèn)為睡眠質(zhì)量可以替代它們。

將附件二病例資料庫中的病例資料首先要進(jìn)行歸一化處理，處理后的數(shù)據(jù)作為網(wǎng)絡(luò)模型的原始數(shù)據(jù)矩陣。歸一化處理的目的時把兩個變量固定到區(qū)間[-1，1]內(nèi)，可以改善網(wǎng)絡(luò)的性能歸一化處理可采用一下兩種形式。

式中： 為歸一化后樣本中第j個樣品的第i個輸入變量

為原始資料第j個樣品的第i個輸入變量

與 為原始資料第j個樣品的第i個輸入變量的最大值和最小值

設(shè)輸入矢量為X，則X=（X1，X2，X3，X4，X5，X6，X7），輸入量Xi別對應(yīng)疾病診斷的7個臨床特征；網(wǎng)絡(luò)輸出矢量為診斷診斷結(jié)果（即前文對疾病做出的8項(xiàng)分類），用Y表示， ， 。

表1 類別在神經(jīng)網(wǎng)絡(luò)中的代表符號

1.4 設(shè)計(jì)合適的神經(jīng)網(wǎng)絡(luò)參數(shù)

對于每個診斷網(wǎng)，其包括的指標(biāo)有幾個，則它的輸入單元數(shù)就為幾個，文章有7個。單層隱含層，隱含層數(shù)目4～10之間，用過靈敏度修剪算法確定隱含層的最佳神經(jīng)元個數(shù)。而每個診斷網(wǎng)的輸出有8種，故輸出單元數(shù)為3；訓(xùn)練次數(shù)為1000次，訓(xùn)練目標(biāo)為0.0001，學(xué)習(xí)速度0.1；隱含層采用型正切函數(shù)Tansig，輸出型采用型對數(shù)函數(shù)Logsig，網(wǎng)絡(luò)訓(xùn)練的函數(shù)設(shè)定為Trainlm。

1.5測試樣本的前瞻性考核

將病人的各項(xiàng)診斷指標(biāo)（即附件二采用的X1，X2，X3，X4，X5，X6，X7七個指標(biāo)）作為前向網(wǎng)絡(luò)的輸入數(shù)據(jù)加到其輸出端，不斷調(diào)整神經(jīng)網(wǎng)絡(luò)的輸出和實(shí)際患病情況，當(dāng)訓(xùn)練樣本集網(wǎng)絡(luò)的輸出基本上能保證與實(shí)際一致（約80%以上）時，認(rèn)為神經(jīng)網(wǎng)絡(luò)已經(jīng)可以用來進(jìn)行預(yù)測。將附件二中前50個病例資料輸入到上述訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行測試，結(jié)果有8例預(yù)測錯誤，預(yù)測的一致率為84%。該神經(jīng)網(wǎng)絡(luò)前瞻性考核[1]效果較好，可以進(jìn)行預(yù)測。

1.6診斷過程及結(jié)果

將附件三提供的10個患者關(guān)于睡眠的七個指標(biāo)輸入到訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)中，輸出的結(jié)果為下表4

參考文獻(xiàn)：

[1]王俊杰，陳景武.BP神經(jīng)網(wǎng)絡(luò)在疾病預(yù)測中的應(yīng)用[J].數(shù)理醫(yī)藥學(xué)雜志，2008，（03）：259-262.

[2]聞新，周露，王丹力等.MATLAB神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計(jì)[M]。北京：科學(xué)出版社，2000；207-212.

[3]沈花玉.神經(jīng)網(wǎng)絡(luò)在醫(yī)學(xué)診斷中的應(yīng)用研究[D].天津理工大學(xué)，2007.

[4]孫高，周寶森，楊靜宇，鄔永革.基于人工神經(jīng)網(wǎng)絡(luò)的肺癌診斷研究[J].中國衛(wèi)生統(tǒng)計(jì)，1999，（03）：15-17.