董軻 盧毅 林芳 王希 李文瑤 張惠中

摘要：針對傳統(tǒng)教學數(shù)據(jù)處理方法具有較強的主觀性與不準確的問題，文中提出一種基于BP神經(jīng)網(wǎng)絡(luò)對實驗診斷學教學數(shù)據(jù)進行處理和分析的方法。該方法根據(jù)實驗診斷學課程的特點采集學生具體操作步驟的得分與學生對這門課程的評價數(shù)據(jù)，并使用BP神經(jīng)網(wǎng)絡(luò)來自適應(yīng)地學習數(shù)據(jù)間的關(guān)系，從而克服傳統(tǒng)質(zhì)量評估中主觀性過強的問題。實驗仿真與測試結(jié)果表明，文中所提出的方法能得到更為滿意的結(jié)果，且具有更強的適應(yīng)性。

關(guān)鍵詞：實驗診斷學;教學數(shù)據(jù);數(shù)據(jù)分析;BP神經(jīng)網(wǎng)絡(luò);自適應(yīng)學習;仿真測試

中圖分類號：TN711-34;TP183

文獻標識碼：A

文章編號：1004-373X（ 2019）24-0129-04

0 引言

實驗診斷學是醫(yī)學教學的主干課程之一，其通過運用各種方法與技術(shù)來檢驗病人的標本，從而獲得反映病人機體狀態(tài)、病因和病理變化的客觀數(shù)據(jù)，其連接了臨床醫(yī)學和基礎(chǔ)醫(yī)學[1]。但實驗診斷學需要學生學習各種臨床案例，并熟練掌握臨床醫(yī)學基礎(chǔ)知識、操作步驟[2-3]。不同于其他課程的是，實驗診斷學具有教學內(nèi)容抽象、難以理解和教學課程多的特點，導(dǎo)致這門課程的學習給學生帶來了極大的困難，也給教學評估帶來了重大的挑戰(zhàn)[4-6]。

目前，借助于數(shù)據(jù)挖掘、數(shù)據(jù)倉庫和聯(lián)機分析等技術(shù)，國內(nèi)外學者提出了各種教學數(shù)據(jù)處理與分析技術(shù)來輔助不同課程的教學評估[7-9]。例如Desire2Learn公司開發(fā)的成績管理系統(tǒng)實現(xiàn)了教學數(shù)據(jù)驅(qū)動的學業(yè)管理和干預(yù)功能[10];美國馬鞍封社區(qū)學院使用教學數(shù)據(jù)實現(xiàn)學生的個性化教育。由于各教學課程的內(nèi)容與形式不同，導(dǎo)致教學評估系統(tǒng)對教學數(shù)據(jù)的需求與處理方式也不同[11]。因此，針對不同的課程設(shè)置，需要建立不同的教學處理和分析方法。

本文根據(jù)實驗診斷學的教學特點，提出一種基于BP神經(jīng)網(wǎng)絡(luò)[12-13]的實驗診斷學教學數(shù)據(jù)分析與處理方法。該方法通過搜集和整理大量實驗診斷學的教學數(shù)據(jù)來構(gòu)建數(shù)據(jù)庫，使用BP神經(jīng)網(wǎng)絡(luò)來建立各教學數(shù)據(jù)與實驗診斷學的教學質(zhì)量和教學水平間的關(guān)聯(lián)關(guān)系。該方法為實現(xiàn)實驗診斷學的教學評估與加強教學質(zhì)量，提供了一條可行的途徑。

1 實驗診斷學教學數(shù)據(jù)

目前，實驗診斷學的課程主要包括理論教學和實驗教學兩部分。其中實驗教學根據(jù)課程標準要求掌握的重難點和臨床項目的實際應(yīng)用情況，設(shè)置了不同的代表性實驗，并合理安排學生的學時進行授課，以期實現(xiàn)更優(yōu)的教學效果。因此，本文通過挖掘不同專業(yè)的實驗課數(shù)據(jù)并對其進行分析與處理，以輔助進行實驗診斷學的教學評估。

目前，實驗診斷學教學課程包括理論課和實驗課兩部分。其中：理論課主要包括臨床生物化學、臨床免疫學、腎功能檢測、肝功能檢測、分泌及排泄物檢測、貧血的實驗室檢測、血液學檢測、出凝血檢測、傳染性疾病的檢測、骨髓細胞血檢測;而實驗課包括肝功能檢測、體液檢測、血液學檢測。

在理論課程中通過考試和隨堂測試來評估學生的學習效果，在實驗課程中通過對學生的操作步驟進行評分，從而評估學生對這些課程的掌握情況。

同時，在實驗診斷學教學數(shù)據(jù)分析中，不僅需要考核學生對教學課程的掌握情況，還需督促教師保證授課質(zhì)量。因此，本文也采集了學生對這門課程的評價數(shù)據(jù)。評價數(shù)據(jù)主要是由調(diào)查問卷的形式獲取，具體內(nèi)容如表1所示。表中學生對不同項目內(nèi)容進行選擇評價，包括：較贊同、一般贊同和不贊同這3項。本文通過分析、處理這些評價數(shù)據(jù)來評估教師的授課質(zhì)量，進而輔助進行實驗診斷學的教學評估。

2 基于BP神經(jīng)網(wǎng)絡(luò)的教學數(shù)據(jù)分析

傳統(tǒng)的教學數(shù)據(jù)分析方式，只是進行簡單的數(shù)據(jù)操作處理來對各項教學質(zhì)量評估指標進行加權(quán)求和，而未考慮到各項指標的權(quán)重或主觀地對不同指標進行賦權(quán)，其質(zhì)量評估結(jié)果通常具有較強的主觀性導(dǎo)致總體結(jié)果不準確。

針對上述問題，本文提出一種基于BP神經(jīng)網(wǎng)絡(luò)對實驗診斷學教學數(shù)據(jù)進行處理與分析方法。首先將第一部分采集到的數(shù)據(jù)進行量化處理，然后將量化后的數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡(luò)的輸入來訓(xùn)練模型，最后使用訓(xùn)練好的模型分析、預(yù)測實驗診斷學的教學質(zhì)量。本文網(wǎng)絡(luò)訓(xùn)練的目標為最小化網(wǎng)絡(luò)輸出與之前得到的教學效果間的誤差，該方法不僅能通過自適應(yīng)學習數(shù)據(jù)間的關(guān)系來克服傳統(tǒng)質(zhì)量評估中主觀性較強的問題，且還能得到更為滿意的結(jié)果。下面具體介紹本文方法的原理和流程。BP神經(jīng)網(wǎng)絡(luò)是一種使用誤差反向傳播訓(xùn)練的前饋網(wǎng)絡(luò)，該網(wǎng)絡(luò)不需事先建立輸入與輸出間的具體數(shù)學模型，僅通過數(shù)據(jù)訓(xùn)練、梯度搜索技術(shù)和最小化網(wǎng)絡(luò)輸出與期望目標間的誤差，即可得到給定輸入時最接近期望目標的輸出結(jié)果。

BP神經(jīng)網(wǎng)絡(luò)的模型架構(gòu)如圖1所示。從圖中可以看出，該網(wǎng)絡(luò)包括輸入層、隱含層和輸出層3層架構(gòu)，具有前向傳播和誤差反向傳播兩個過程。其中，前向傳播使用隱含層對給定的輸入數(shù)據(jù)進行非線性變換，經(jīng)輸出層得到輸出信號;反向傳播時先計算輸出信號與目標間的誤差，并沿著正向傳播的反方向進行回傳，沿誤差的梯度方向進行多次訓(xùn)練，確保網(wǎng)絡(luò)輸出與期望目標間的誤差最小。

為了適應(yīng)實驗診斷學教學數(shù)據(jù)的特點，下面具體介紹該網(wǎng)絡(luò)層的設(shè)置與數(shù)據(jù)處理過程。

輸入層：根據(jù)第一部分采集的數(shù)據(jù)，本文共選取了15項不同的評估指標。其中8項指標為調(diào)查問卷的評分，剩余7項指標分別為：學生結(jié)業(yè)考試得分1項，肝功能檢測（谷丙轉(zhuǎn)氨酶檢測）、體液檢測（尿蛋白檢測）、血液學檢測（白細胞計數(shù)）3項實驗操作，以及3份實驗報告的得分。因此，設(shè)置輸入層節(jié)點的數(shù)量為15。

隱含層：該層節(jié)點的數(shù)量是根據(jù)輸入層與輸出層節(jié)點的數(shù)量確定的，通常?。?/p>

h=（a+b）1/2+c式中：h為隱含層節(jié)點的數(shù)量;a為輸入層節(jié)點數(shù)量;b為輸出層節(jié)點數(shù)量。

輸出層：該層用于預(yù)測實驗診斷學的教學質(zhì)量，因此其節(jié)點數(shù)為1。

本文基于上述數(shù)據(jù)和設(shè)計的BP神經(jīng)網(wǎng)絡(luò)進行實驗診斷學的教學質(zhì)量預(yù)測，具體流程如下：

1）數(shù)據(jù)整理和歸一化;

2）設(shè)置BP神經(jīng)網(wǎng)絡(luò)的輸入層、隱含層和輸出層節(jié)點數(shù)量，并初始化網(wǎng)絡(luò)參數(shù);

3）使用預(yù)處理后的數(shù)據(jù)訓(xùn)練網(wǎng)絡(luò)參數(shù)，最小化網(wǎng)絡(luò)輸出與之前得到的教學效果間的誤差;

4）選取一定的評價指標對網(wǎng)絡(luò)的輸出結(jié)果進行分析與評價。

在實驗過程中，對于給定的輸入數(shù)據(jù)x，BP神經(jīng)網(wǎng)絡(luò)的正向傳播過程為：

3 仿真測試與實驗結(jié)果

本文通過搜集、整理歷年來的實驗診斷學教學數(shù)據(jù)，使用Matlab平臺進行仿真實驗。首先從數(shù)據(jù)中隨機選取1 000位不同學生的數(shù)據(jù)作為訓(xùn)練集，選取另外100位不同學生的數(shù)據(jù)作為測試集。表2為部分數(shù)據(jù)歸一化后的結(jié)果。

基于此數(shù)據(jù)，本文訓(xùn)練后的BP神經(jīng)網(wǎng)絡(luò)在測試集上的結(jié)果如表3所示。

從表中可以看出，本文提出的方法在訓(xùn)練數(shù)據(jù)集中具有較高的精度，在測試數(shù)據(jù)集上也能達到85%的精度。同時筆者發(fā)現(xiàn)隨著訓(xùn)練數(shù)據(jù)的逐漸增加，驗證精度也能隨之增加。因此，提出的方法不僅能通過自適應(yīng)學習數(shù)據(jù)間的關(guān)系來克服傳統(tǒng)質(zhì)量評估中的主觀性過強的問題，且還能得到更為滿意的結(jié)果。

圖2為本文BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程。橫軸為迭代次數(shù)，縱軸為損失變化，粗線為訓(xùn)練損失變化情況，虛線為測試損失變化情況。從圖中可以看出，文中網(wǎng)絡(luò)能較準確地擬合數(shù)據(jù)的分布，得到更為精確的結(jié)果。

4 結(jié)語

本文針對傳統(tǒng)教學數(shù)據(jù)處理方法具有較強的主觀性與不準確的問題，提出了一種基于BP神經(jīng)網(wǎng)絡(luò)對實驗診斷學教學數(shù)據(jù)進行處理和分析的方法。該方法使用學生在實驗診斷學課程中的具體操作步驟的評分和學生對這門課程的評價數(shù)據(jù)作為輸入，采用BP神經(jīng)網(wǎng)絡(luò)模型來分析、處理這些數(shù)據(jù)，從而得到實驗診斷學的教學效果。

實驗仿真與測試結(jié)果表明，所提出的方法不僅能通過自適應(yīng)學習數(shù)據(jù)間的關(guān)系來克服傳統(tǒng)質(zhì)量評估中的主觀性過強的問題，還能得到更為滿意的結(jié)果。為實現(xiàn)實驗診斷學的教學評估與加強教學質(zhì)量提供了一條可行的途徑。

注：本文通訊作者為張惠中。

參考文獻

[1] CHAN J F W. SRIDHAR S，YIP C C Y，et al.The role oflaboratory diagnostics in emerging viral infections： the exampleof the Middle East respiratory syndrome epidemic [J]. Journalof microbiology， 2017. 55（3）：172-182.

[2] RADl～lt B，AAKRE V M. YUCEL K，et al.A pathwav to na-

tional guidelines for laboratory diagnostics of chronic kidneydisease-examples from diverse European countries[J]. EJIFCC，2017. 28（4）：289-301.

[3]PONOMARENKO P，RYUTOV A，MAGLINTE D T，et aLClinical utilitv of the low-densitV infinium QC genotyping arrayin a genomics-based diagnostics laboratory [J]. BMC medicalgenomics， 2017， 10（1）：57-63.

[4]GUO B，WEN B，CHENG W， et al.An enzyme-free and label-free surface plasmon resonance biosensor for ultrasensitive de-tection of fusion gene based on DNA self-assembly hydrogelwith streptavidin encapsulation [J]. Biosensors and bioelectron-ics. 2018， 30（2） ： 872-883.

[5] STIFFLER A G. Quantitative proteomic analysis to identify dif-ferentially expressed proteins in myocardium of epilepsy usingiTRAQ coupled with Nano-LC-MS/MS [J]. Journal of proteomeresearch. 2018， 17（1） ： 305-314.

[6] MA D， ZHOU T， CHEN J， et al. Supercritical water heattransfer coefficient prediction analysis based on BP neural net-work [J]. Nuclear engineering and design， 2017. 32（7） ： 400- 408.

[7] LIU T， YIN S. An improved particle swarm optimization algo-rithm used for BP neural network and multimedia course-wareevaluation [J]. Multimedia tools and applications， 2017， 76（ 9） ： 11961-11974.

[8] MA L， YAO Y， WANG M. The optimizing design of wheeledrobot tracking system by PID control algorithm based on BPneural network [C]// Proceeding of International Conference onIndustrial Informatics-Computing Technology ， Intelligent Tech-nology， Industrial Information Integration. Hangzhou： IEEE， 2017 ： 147-153.

[9] WANG Q， MENG W， MA Y F. et al. Prediction of chlorophyll-a concentration in Dahuofang reservoir based on BP neural net-work [J]. Journal of Northeastern University， 2013， 34（12） ：1792-1795.

[10] LIN Y C. CHEN D D， CHEN M S， et al. A precise BP neu-ral network-hased online model predictive control strategy fordie forging hydraulic press machine [J]. Neural computing andapplications . 2016（ 1） ： 226-239.

[11] GAO Guanbin. ZHANG Hongwei， SAN Hongjun. et al. Mod-eling and error compensation of robotic articulated arm coordi-nate measuring machines using BP neural network [J]. Com-plexity， 2017， 21（4） ： 1-8.

[12] TAN X， JI Z. ZHANG Y. Non - invasive continuous bloodpressure measurement based on mean impact value method，BP neural network， and genetic algorithm [J]. Technology andhealth care， 2018， 26（6） ： 1-15.

[13] ZHANG R C， YANG K， WU Q Y. et al. Research on low-voltage arc fault detection based on BP neural network [J]. Ap-plied mechanics and materials. 2014（17） ： 651-653.

作者簡介：董軻（1971-），男，陜西成陽人，博士，副教授，研究方向為實驗診斷學。

盧毅（1981-），男，陜西西安人，博士研究生，高級工程師，研究方向為物聯(lián)網(wǎng)與人工智能。

張惠中（1961-），天津人，博士，教授，博士生導(dǎo)師，主任醫(yī)師，主要從事惡性腫瘤生物治療及疫苗研發(fā)方面的研究。