俞凱君

(日本山口大學(xué) 創(chuàng)成科學(xué)研究科，日本 山口 755-8611)

臍血流信號(hào)分析應(yīng)用于產(chǎn)前胎兒監(jiān)護(hù)及胎兒健康狀態(tài)檢測(cè)中，可大大降低遺傳性和先天性疾病胎兒的出生率[1]。傳統(tǒng)的臍動(dòng)脈血流多普勒信號(hào)分析方法有聲譜參數(shù)法和波形分析法[2-3]，以獲取臍動(dòng)脈血流特征檢測(cè)參數(shù)，如S/D值、PI、RI及頻譜圖等，但均容易丟失原有臍動(dòng)脈血流信號(hào)的特征數(shù)據(jù)，容易造成人為經(jīng)驗(yàn)導(dǎo)致的臍血流病理診斷準(zhǔn)確率不高問(wèn)題。

人工智能技術(shù)已應(yīng)用于臨床診斷領(lǐng)域，其通過(guò)診斷數(shù)據(jù)的提取、預(yù)處理，形成診斷數(shù)據(jù)集，利用機(jī)器學(xué)習(xí)算法和特征選擇構(gòu)建疾病分類與預(yù)測(cè)模型，為醫(yī)生的臨床輔助診斷和制定合理的治療方案提供決策支持[4-7]。在醫(yī)學(xué)診斷領(lǐng)域，可運(yùn)用不同的機(jī)器學(xué)習(xí)方法，基于數(shù)據(jù)特征，分類處理數(shù)據(jù)集，對(duì)病癥進(jìn)行實(shí)時(shí)預(yù)測(cè)，實(shí)現(xiàn)輔助診斷功能[8]，如線性判別分析(Linear Discriminant Analysis，LDA)、分類回歸樹(shù)(Classification And Regression Tree，CART)、支持向量機(jī)(Support Vector Machine，SVM)、人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network，ANN)、徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)(Basis Function Neural Networks，BFNN)、多層感知器神經(jīng)網(wǎng)絡(luò)(Multilayer Perceptrons Neural Networks，MLPNN)和隨機(jī)森林(Random Forest，RF)算法等，已取得了很多創(chuàng)新性的應(yīng)用成果[8-22]。

盡管機(jī)器學(xué)習(xí)在醫(yī)學(xué)診斷領(lǐng)域的應(yīng)用已十分廣泛，且取得了良好的進(jìn)展，但鮮見(jiàn)于臍動(dòng)脈血流的檢測(cè)與診斷中。神經(jīng)網(wǎng)絡(luò)因其結(jié)構(gòu)特殊，具有學(xué)習(xí)能力強(qiáng)、泛化能力高等優(yōu)點(diǎn)，因此非線性的神經(jīng)元排布在處理非線性信號(hào)中具有一定的優(yōu)勢(shì)。采用臍動(dòng)脈血流多普勒時(shí)間序列為數(shù)據(jù)樣本，分別采用單層、多層神經(jīng)網(wǎng)絡(luò)對(duì)其進(jìn)行狀態(tài)分類，提出人工智能算法與混沌理論相結(jié)合的智能診斷模型。

1 WOA- BP神經(jīng)網(wǎng)絡(luò)算法原理

1.1 BP神經(jīng)網(wǎng)絡(luò)算法及原理

BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)采用誤差反向傳播學(xué)習(xí)算法，是由Rumelhart和McCelland的科學(xué)家小組于1986年提出的[23]。 BP神經(jīng)網(wǎng)絡(luò)模型拓?fù)浣Y(jié)構(gòu)如圖1所示，包括輸入層(Input Layer)、隱含層(Hidden Layer)和輸出層(Output Layer)。每層內(nèi)有若干個(gè)神經(jīng)元，神經(jīng)元模型如圖2所示。

圖1 BP 神經(jīng)網(wǎng)絡(luò)模型拓?fù)浣Y(jié)構(gòu)Fig.1 Topology of BP neural network model

圖2 BP神經(jīng)元模型Fig.2 BP neuron model

若f1(·)為隱含層傳遞函數(shù)，f2(·)為輸出層傳遞函數(shù)，則隱含層節(jié)點(diǎn)(即神經(jīng)元)的輸出為：

(1)

輸出層節(jié)點(diǎn)的輸出為：

(2)

式中：n、q、m分別為輸入層、隱含層和輸出層的節(jié)點(diǎn)數(shù)，v為輸入層和隱含層之間的權(quán)值，w為輸出層和隱含層之間的權(quán)值。

BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)流程主要包括信號(hào)的正向傳播和誤差負(fù)向反饋兩個(gè)步驟。正向傳播對(duì)網(wǎng)絡(luò)輸入求出它的輸出，反向傳播將計(jì)算得到的實(shí)際輸出與期望輸出的誤差負(fù)向傳遞給網(wǎng)絡(luò)，對(duì)連接權(quán)值與閾值進(jìn)行更新，層層反向調(diào)整，直至誤差達(dá)到預(yù)設(shè)值，確定模型參數(shù)并完成模型的學(xué)習(xí)。

一個(gè)完整的BP神經(jīng)網(wǎng)絡(luò)主要包括以下幾個(gè)方面：其一，網(wǎng)絡(luò)層數(shù)。根據(jù)臍動(dòng)脈血流信號(hào)特征參數(shù)的向量矩陣和處理問(wèn)題的復(fù)雜度，擬設(shè)隱含層的內(nèi)部結(jié)構(gòu)包含3～8層子隱含層。其二，輸入節(jié)點(diǎn)。輸入層神經(jīng)元的數(shù)目由臍動(dòng)脈血流信號(hào)特征參數(shù)的個(gè)數(shù)決定。其三，輸出節(jié)點(diǎn)。樣本的種類決定輸出層的節(jié)點(diǎn)數(shù)，期望輸出包括正常臍血流信號(hào)和3種異常臍血流信號(hào)。其四，模型參數(shù)的選取。BP網(wǎng)絡(luò)參數(shù)設(shè)定如下：最大訓(xùn)練次數(shù)100次，訓(xùn)練精度0.01，學(xué)習(xí)率0.1，隱含層與神經(jīng)元參數(shù)基于WOA進(jìn)行優(yōu)化。

1.2 WOA優(yōu)化算法

2016年，Mirjalili等[24]基于鯨魚(yú)隨機(jī)獵捕、包圍收縮、“旋氣泡網(wǎng)”策略及位置螺旋式更新的方式，完成了逼近獵物及捕獵的過(guò)程，構(gòu)建了數(shù)學(xué)模型，形成了具有調(diào)節(jié)參數(shù)少、全局搜索能力強(qiáng)和收斂迅速等特點(diǎn)的全局優(yōu)化算法，即WOA算法(Whale Optimization Algorithm，WOA)。此模型包括環(huán)繞捕獲、泡泡攻擊及隨機(jī)搜索獵捕3個(gè)過(guò)程：

其一，環(huán)繞捕獲。座頭鯨在搜尋獵物時(shí)，通過(guò)識(shí)別目標(biāo)獵物位置并將其包圍，該數(shù)學(xué)模型如下：

(3)

(4)

(5)

(6)

其二，隨機(jī)搜尋。座頭鯨隨機(jī)尋找獵物位置的過(guò)程如以下模型所示：

(7)

(8)

其三，泡泡網(wǎng)攻擊獵物。座頭鯨以泡泡攻擊獵物的數(shù)學(xué)模型如式(9)所示。

(9)

座頭鯨以對(duì)數(shù)螺旋狀(Spiral Updating Position，SUP)接近獵物或以收縮的形式包圍目標(biāo)群(Shrinking Encircling Mechanism，SEM)，為模擬2種形式同時(shí)進(jìn)行時(shí)的行為過(guò)程，采用2種模式被選概率為50%的方式來(lái)更新鯨魚(yú)位置：

(10)

2 臍動(dòng)脈血流時(shí)間序列-優(yōu)化神經(jīng)網(wǎng)絡(luò)診斷模型的構(gòu)建

2.1 數(shù)據(jù)采集

使用MFM-OBM臍血流檢測(cè)系統(tǒng)，在江蘇省無(wú)錫市錫山區(qū)某醫(yī)院獲取臍動(dòng)脈血流多普勒信號(hào)，建立臍動(dòng)脈血流多普勒信號(hào)數(shù)據(jù)集，每個(gè)數(shù)據(jù)包括原始多普勒血流時(shí)間序列信號(hào)、臨床檢測(cè)數(shù)據(jù)。用飛利浦IU-22彩色多普勒超聲儀對(duì)采得的數(shù)據(jù)進(jìn)行對(duì)比，得出胎兒健康狀況(臍帶繞頸和羊水偏少等)。按臍動(dòng)脈血流多普勒信號(hào)正常與否，將信號(hào)分為正常與異常2種情況。經(jīng)過(guò)預(yù)處理后，獲得的臍動(dòng)脈血流時(shí)間序列信號(hào)如圖3所示。

2.2 臍動(dòng)脈血流BP神經(jīng)網(wǎng)絡(luò)診斷模型——單層感知機(jī)

以正常狀態(tài)與異常狀態(tài)的臍動(dòng)脈血流多普勒時(shí)間序列為研究對(duì)象，健康樣本標(biāo)記標(biāo)簽為0，而羊水偏少、臍帶繞頸及胎位不正則分別標(biāo)為1、2和3。訓(xùn)練集X組，測(cè)試集Y組。診斷分類部分結(jié)果如圖4所示。

圖4 單層神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果Fig.4 Results of single-layer neural network training

樣本均采用隨機(jī)選取，運(yùn)行20次神經(jīng)網(wǎng)絡(luò)所獲平均準(zhǔn)確率約為82.5%?；趩螌痈兄獧C(jī)的診斷結(jié)果表明，在區(qū)分正常胎兒、羊水偏少、臍帶繞頸及胎位不正情況時(shí)具有較高的誤報(bào)率，特別是羊水偏少與胎位不正的誤報(bào)率較高。雖然該方法在區(qū)分正常與異常胎兒時(shí)具有100%的準(zhǔn)確度，但無(wú)法準(zhǔn)確區(qū)分異常胎兒屬何種異況。

該結(jié)果表明，神經(jīng)網(wǎng)絡(luò)雖更加適合此樣本模式下非線性數(shù)據(jù)的擬合，但單層感知機(jī)對(duì)于非線性信號(hào)的擬合能力較弱，故而，采用多感知機(jī)進(jìn)行狀態(tài)分類。

2.3 臍動(dòng)脈血流WOA-BP神經(jīng)網(wǎng)絡(luò)診斷模型——優(yōu)化多層感知機(jī)

BP神經(jīng)網(wǎng)絡(luò)的不足之處在于過(guò)多的網(wǎng)絡(luò)節(jié)點(diǎn)會(huì)導(dǎo)致收斂慢、訓(xùn)練時(shí)間長(zhǎng)及獲得非全局最小解的缺陷。采用WOA(鯨魚(yú)算法)，以式(11)作為優(yōu)化目標(biāo)進(jìn)行優(yōu)化，優(yōu)化網(wǎng)絡(luò)中全部權(quán)值與閾值，使網(wǎng)絡(luò)獲得最佳的表現(xiàn)力，提升泛化能力。

J(ω,b,x,y)=0.5‖hω,b(x)-y‖2

(11)

采用WOA-BP對(duì)時(shí)間序列進(jìn)行預(yù)測(cè)與分類，部分結(jié)果如圖5所示。

圖5 WOA-BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果Fig.5 Results of WOA-BP neural network training

結(jié)果表明，優(yōu)化后的神經(jīng)網(wǎng)絡(luò)比未優(yōu)化的具有更好的分類(預(yù)測(cè))準(zhǔn)確度，平均20次準(zhǔn)確率達(dá)90%，說(shuō)明優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)對(duì)臍血流非線性問(wèn)題擬合程度更優(yōu)。此外，優(yōu)化后的神經(jīng)網(wǎng)絡(luò)比未優(yōu)化的神經(jīng)網(wǎng)絡(luò)隨迭代收斂速度更快，最優(yōu)結(jié)果所需迭代次數(shù)更少。相比于優(yōu)化的單層感知機(jī)結(jié)果，羊水不足與胎位不正2種異常狀況的誤報(bào)率降低了10%，該結(jié)果表明，采用WOA優(yōu)化了BP神經(jīng)網(wǎng)絡(luò)的權(quán)偏參數(shù)之后，模型具有稍好的外推性，但20%左右的誤報(bào)率仍不能滿足臨床要求。

2.4 臍動(dòng)脈血流PS-WOA-BP神經(jīng)網(wǎng)絡(luò)診斷模型

BP神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確度不僅依賴權(quán)值與閾值，對(duì)于訓(xùn)練樣本也有較高的要求，樣本具有不同的特征代表性?；煦缧蛄锌蓪⒃瓡r(shí)間序列映射至不同時(shí)間尺度上，展現(xiàn)出不同的非線性特征，具備不同的特征性。因此，將多普勒時(shí)間序列轉(zhuǎn)換為二維混沌時(shí)間序列(Phase Space，PS)(混沌相圖的橫縱坐標(biāo))，樣本由原有的一維序列變?yōu)槎S序列，通過(guò)PS-WOA-BP神經(jīng)網(wǎng)絡(luò)進(jìn)行臍血流狀態(tài)分類。樣本劃分方式和類別標(biāo)簽與上述方法相同，時(shí)間序列點(diǎn)數(shù)取400。結(jié)果如圖6所示。

圖6 PS-WOA-BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果Fig.6 Results of PS-WOA-BP neural network training

如圖6所示，PS-WOA-BP具有極高的準(zhǔn)確度，說(shuō)明混沌序列包含臍血流狀態(tài)更多的代表性特征，20次平均準(zhǔn)確率高達(dá)95%，該結(jié)果不僅表明了所提出的智能診斷模型具有可靠性，也說(shuō)明混沌序列比傳統(tǒng)的時(shí)間序列具備更多的代表性特征。由于采用了空間時(shí)間序列作為輸入信息，且采用優(yōu)化的神經(jīng)網(wǎng)絡(luò)執(zhí)行智能診斷。僅羊水偏少出現(xiàn)誤判、漏盤(pán)，且誤報(bào)率相比于WOA-BP方法顯著降低，基本達(dá)到了臨床診斷要求。

3 結(jié)果

表1為不同方法準(zhǔn)確率變化的比較。

表1 不同方法準(zhǔn)確率Tab.1 Accuracy rates of different methods

由表可知，BP神經(jīng)網(wǎng)絡(luò)可對(duì)臍動(dòng)脈血流時(shí)間序列作出良好分類，優(yōu)化后的BP可提升狀態(tài)分類時(shí)的表現(xiàn)性能，提升智能診斷模型的準(zhǔn)確度。由于混沌序列包含更多的非線性問(wèn)題的代表特征，以此構(gòu)建的PS-WOA-BP及NC-PSO-SVM均具較高的準(zhǔn)確度，但PS-WOA-BP具備良好的泛化能力。

4 結(jié)束語(yǔ)

介紹了BP神經(jīng)網(wǎng)絡(luò)的基本理論和鯨魚(yú)算法，為解決人為經(jīng)驗(yàn)導(dǎo)致的早期臍血流病理診斷準(zhǔn)確率不高的問(wèn)題提出了人工智能算法與混沌理論相結(jié)合的智能診斷模型，構(gòu)建了傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)診斷模型、WOA-BP 神經(jīng)網(wǎng)絡(luò)斷模型，在此基礎(chǔ)上根據(jù)臍血流時(shí)間信號(hào)具有混沌特性，采用WOA算法，提出PS-WOA-BP智能診斷模型。研究表明，針對(duì)臍血流信號(hào)的混沌特性，PS-WOA-BP模型，在進(jìn)行臍血流健康情況識(shí)別時(shí)具有良好的效果及較高的準(zhǔn)確度和良好的泛化能力。