基于血液中微量元素含量的RBF型神经网络对冠心病患者的识别.pdfVIP

第28卷，第10期 光谱学与光谱分析 2Oo8年10月 and october，2008 ≤；pectroscopySpectralAmlysis 基于血液中微量元素含量的RBF型神经网络对冠心病患者的识别 由 伟1，刘亚秀2 1．华北科技学院机电工程系，北京101601 2．华北科技学院电信工程系，北京101601 摘要设计了径向基函数(RBF)人工神经网络模型，根据人体血液中微量元素sr，Cu，Mg和zn的含量 对冠心病患者进行识别。结果表明。经过训练后，神经网络模型能够完全正确地识别3个测试样本，而且识 别精度高于传统的反向传播(BP)模型。这说明用径向基函数人工神经网络模型可以更准确地对冠心病患者 进行诊断和识别，因此具有较重要的理论意义和应用价值。 关键词冠心病；RBF型人工神经网络；识别 中图分类号：0657．3文献标识码：A 文章编号：1000-0593{2008)10-0393一02 冠心病是一种严重危害人类健康的常见病和多发病，近 下：假设数据库中有N个样本，第一次，从样本集中取出第 些年来，其发病率呈上升趋势，而且发病年龄也越来越年 一个样本，用其余N一1个样本训练网络，然后用训练得到 轻，因此，对冠心病患者的尽早识别与诊断具有重要意义。 的模型对取出的那个样本进行预测；第二次：将第一次取出 在本文中，作者以通用的神经网络应用软件Eagleye[u为平的样本放回样本库，取出第二个样本，同样用剩余的N-1个 台，设计了RBF人工神经网络模型，根据人体血液中微量元 样本训练网络，然后用训练得到的模型对此次取出的样本进 素的含量识别冠心病患者。 行预测……，如此依次进行，用预测结果来评价神经网络模 本文中使用的数据来源于文献[2]。我们设计的径向基 型的预测性能。 函数(radialbasis function，砌狐)神经网络模型由三层组成：训练神经网络模型时，我们预先设定的目标误差值为 输入层、隐含层和输出层。其中输入层有4个节点，分别代 o．1。当网络的误差值低于目标值后即停止训练。只经过一 表四种微量元素sr，Cu，Mg和Zn的含量；隐含层的节点数个循环后，模型的误差值即达到了要求。 不确定，需要在训练过程中进行调整；输出层包含1个节点， RBF模型经过训练后，具有良好的预测性能，就可以用 表示样本的类型(冠心病患者或正常人)。 来对冠心病患者进行识别了。我们选取了3个样本，其中两 在训练神经网络模型前，采用剑桥大学BhdeShia研究 个是患者，一个是正常人，样本中微量元素的含量见表1所 组的做法对训练样本进行了归一化处理。采用“留一法” 示。 (Leavrollle_out method)[3]训练神经网络模型。具体做法如 T田lbIel ofRBFⅡlodd Re∞留lliti∞r曙ults 表l最后两列是神经网络模型对3个样本的识别结果， 高。 其中第一列是文献[2]用BP模型的识别结果，第二列是本文 为了客观、准确地了解和评价神经网络模型的识别精 用RBF模型的识别结果。分别将两种模型的识别结果与样 度，本文采用统计学指标；MSE(均方误差)和VOF(拟和 值)。 本实际所属的类型(表1中的“Types”列)进行比较可以看出， RBF模型的识别结果更接近于样本的实际值，即识别精度更 MsE(均方误差)的取值范围为o～+。。，VOF(拟和值) 收稿日期：2008-05—10。修订日期：2008-08—20 作者简介：由伟，1973年生，华北科技学院机电工程系副教授 394