基于BP神经网络医学数据研究.docVIP

基于BP神经网络医学数据研究【摘要】 BP网络是一种基于误差反向传播(Back Propagation)算法的多层前向神经网络。采用动量梯度下降算法(TRAINGDM)训练BP网络,建立输入到输出的函数映射关系,使其对48例两类五种医学免疫学数据进行训练与分类。训练集数据正确检出率为100%,测试集数据正确检出率为87.5%,效果优良。结论 BP网络应用于免疫学数据分类取得很好效果,在临床免疫学人工智能诊断方面将有更为广泛的应用空间。 【关键词】 BP神经网络;动量梯度下降算法;免疫学数据 作者单位:116044大连医科大学医学影像学系(陈艳霞); 大连医科大学检验医学院(刘挥) 人工神经网络理论以非线性大规模并行分布处理为特点,突破了传统的线性处理模式,以其高度的并行性,良好的容错性和自适应能力成为人们研究其赖以生存的非线性世界、探索和研究某些复杂大系统的有力工具,已应用于很多领域的信息处理工作。 BP算法的多层前馈网络的人工神经网络模型采用典型的有教师学习方式来进行预测和分类问题的处理。采用的传递函数通常是sigmoid型可微函数,可以实现输入和输出间的任意非线性映射。这使其在函数逼近、模式识别、数据压缩领域有着更加广泛的应用。该模型的特点是信号由输入层单向传递到输出层,同一层神经元之间互不传递信息,每个神经元与邻近层所有神经元相连,各神经元的作用函数为Sigmoid函数,用样本集合反复训练网络,并不断修改权值,直到使实际输出向量达到要求,训练过程结束。应用BP网络处理正常状态与处于焦虑状态的学生的血液中免疫学指标数据,取得了很好的效果[1]。 1 基于BP网络的医学数据分析 数据选自在某大学就读的大学生,共计48例。在自愿、正常学习生活的情况下抽取他们的血液标本,然后再在考试前抽取他们的血液标本,分别进行五项免疫学指标检验,共获得两类、五项、480组数据。随机把其中的20例学生的两类、五项数据做为训练集输入矢量输入,目标矢量为处于考前状态的五项数据输出为1,平时正常生活状态的五项数据输出为0。网络训练时调整神经元之间的连接权值,使网络的输出和实际的两类情况尽可能相符。如果对所有的训练样本集网络的输出95%或更高能保证与实际结果一致,则训练过程结束。网络训练好后,剩余的28例学生的5项数据作为神经网络的输入项,神经网络的输出值就是该学生是处于考前状态1还是平时正常生活状态0。主要设计程序如下: %NEWFF-生成一个新的前向神经网络;%TRAIN-对BP神经网络进行训练;%SIM-对BP神经网络进行仿真;pause %敲任意键开始 clc a1=[955 182 148222 1240]; a2=[1190 1911252421010]’; a3=[1370291743461460]’; a4=[1150 1962001511370]’; a5=[821 109 82195 899]’; a6=[1290246 112 299 1200]?; a7=[876 132 139 166 952]?; a8=[800 200 53.7214 873]?; a9=[1210187 215 210 1370]?; a10=[1090 131 68.5285 1380]?; a11=[1240 433 154 224 1520]?; a12=[1300 239 61.3289 1150]?; a13=[1200 284 71.9119 1430]?; a14=[1270 339 133 197 1210]?; a15=[1210 248 151 125 1330]?; a16=[1030 294 132 137 1040]?; a17=[876151 126 194 1020]?; a18=[1130 246 129 320 1470]?; a19=[1020 196 157 225 1200]?; a20=[1260 243 96.9143 1330]?; b1=[910 188 127 216 1300]?; b2=[1160177 136 268 1220]?; b3=[1370287 101 321 1420]?; b4=[947 159 170 111 1310]?; b5=[911 116 66.2216 1140]?; b6=[1320278 80.1305 1250]?; b7=[804 147 150 177 987]?; b8=[930 227 66.4245 962]?; b9=[903