基于共轭梯度下降算法的类风湿关节炎BP神经网络证候模型研究_临床医学论文.docVIP

基于共轭梯度下降算法的类风湿关节炎BP神经网络证候模型研究_临床医学论文 基于共轭梯度下降算法的类风湿关节炎BP神经网络证候模型研究_临床医学论文 作者：白云静,申洪波,孟庆刚 【关键词】 类风湿关节炎；证候；BP神经网络；非线性建模 证候是一个非线性复杂系统,中医证候的诊断过程,实质上是由临床收集到的各种症状,通过分析归纳,获得证型诊断的过程,这个过程,可以看作是一个从观察指标到证型诊断的非线性映射过程,用非线性数学模型可以充分模拟。基于黑箱结构的人工神经网络(Artificial Neural Networks,ANN)具有强大的非线性拟合能力,能够任意精度逼近非线性函数,因此,我们将其用于类风湿关节炎(rehumatoid arthritis,RA)证候的非线性建模研究。 　　1 临床资料 　　本研究采用中国中医科学院望京医院提供的765例RA临床证候资料。参考《中药新药临床研究指导原则(试行)》[1]、文献整理结果及专家经验,制定临床观察表。共观察183个症状、体征,每个症状按无、轻、中、重分别记为0、1、2、3分；并同时给出肝肾不足证、寒湿阻络证、瘀血阻络证、气血两虚证、痰瘀阻络证、阴虚内热证、热毒蕴结证、寒热错杂证、脾肾阳虚证等10个基本证型的诊断。从上述病例中抽取临床症状和证型诊断构成样本集合,作为神经网络的学习和测试样本。在神经网络的训练过程中,症状向量作为神经网络的输入向量,证型诊断分别对应网络的输出向量。 　　2 研究方法 　　2.1 数据预处理及病例分组 　　先对所有数据进行归一化处理,使处理后的输入输出信息均在(0,1)区间。对上述数据进行主成分分析,主成分的选择标准定为95%。数据经过主成分分析,前98个主成分的贡献率涵盖了总共183个指标的95.035%的信息,故我们取前98个主成分作为进一步分析的指标。通过主成分分析,输入向量从183个减至98个。可见原始数据有很大的冗余。 　　将765例样本随机分为A、B、C 3组,每组255例。依次选取其中两组作为训练集,另一组作为测试集,共循环3次。 　　2.2 建立基于共轭梯度下降算法的类风湿关节炎证候BP网络模型 　　2.2.1 类风湿关节炎证候BP神经网络的结构 　　在MATLAB7.0环境下,建立基于共轭梯度下降算法的三层前向BP神经网络模型。该模型包括输入层、隐层和输出层,其中输入层包含183个输入神经元；隐层有2个,各包含100个神经元；输出层包含10个输出神经元。两个隐层之间通过正切S型传递函数(tansig)连接,隐层与输出层之间用对数S型传递函数(logsig)连接。设定该网络的系统误差小于0.01,最大迭代次数500次。 　　2.2.2 类风湿关节炎证候BP网络的输出方式 　　将具有肝肾不足证、寒湿阻络证、瘀血阻络证、气血两虚证、痰瘀阻络证、阴虚内热证、热毒蕴结证、寒热错杂证、脾肾阳虚证等10种证型诊断样本的期望输出值分别定为(0,1,0,0,0,0,0,0, 0,0),……,(0,0,0,0,0,0,0,0,0,1)。预测整合输出值为(0, 0.2,0.4,0.6,0.8,1),这6个数值分别对应原始输出值的(0－0.1,0.1－0.3,0.3－0.5,0.5－0.7,0.7－0.9,0.9－1)区间的数值。整合输出值≤0.4为诊断不成立,≥0.6为诊断成立。 　　2.2.3 基于共轭梯度下降算法的类风湿关节炎证候BP神经网络模型的训练 　　网络参数的初始值取为[-0.5,+0.5]上均匀分布的随机数,利用train函数对网络进行训练,第1次训练经过89次迭代以后,网络的系统误差降至0.009 450 59；第2次训练经过56次迭代后,网络的系统误差降至0.009 423 47；第3次训练经过58次迭代以后,网络的系统误差降至0.009 174 36。上述数值均小于规定的最小误差0.01,提示网络趋于稳定,网络性能达标,训练自动停止。 　　2.2.4 类风湿关节炎证候BP神经网络模型的测试 　　该网络模型的权值趋稳,训练结束后,分3次分别对1/3测试样本做检验。规定单证阳性诊断的符合情况为单证特异性；所有单证诊断的符合情况为单证准确率；病例的全部证型诊断符合情况为诊断准确率。即：单证特异性(%)＝预测输出所有单证阳性符合例数/期望输出所有单证阳性例数×100%；单证准确率(%)＝预测输出所有单证符合例数/期望输出所有单证例数×100%；诊断准确率(%)＝预测输出符合例数/所有病例数×100%。其中,以整合输出值的大小排序,主证为证候的前2位证类,兼证为第3位证类,第3位以后的证类忽略不计。 　　3 结果 　　测试结果显示：3次测试的平均单证特异性为81.31%,平均单证准确率为95.70%,平均诊断准确率为90.72%。结果