基于BP神经网络肾炎诊断模型及主次元素分析.docVIP

基于BP神经网络肾炎诊断模型及主次元素分析 　　摘要摘要：诊断就诊人员是否患肾炎时，医生通常要化验人体内某些元素的含量，然后借助数学模型进行辅助诊断。提出一种新的判别模型――BP神经网络判别模型，根据Kolmogorov定理，采用三层网络作为状态分类器，可高效完成肾炎的辅助诊断。在样本实验中，其准确率达到100%，明显高于传统诊断模型Fisher判别法和Logistic判别法。为了确定影响患病的主次要元素，以减少化验指标，采用“逐步分析法”建立线性回归模型，得出主要元素为Cu、Ca、Mg、Na，次要元素为Zn、Fe、K。剔除次要元素后，3种方法的准确率分别为93.3%、90%、100%。 　　关键词关键词：BP神经网络；肾炎诊断；逐步分析法；主次元素 　　DOIDOI：10.11907/rjdk.1511125 　　中图分类号：TP319 　　文献标识码：A文章编号文章编号2016）002012603 　　0引言 　　传统的肾炎诊断模型有Fisher判别模型、Logistic判别模型、模糊模式识别法等。Fisher判别模型是运用距离判别和费希尔判别，通过对人体内各元素的含量分析来确定就诊人员是否患肾炎[12]；Logistic判别模型主要在流行病学中应用较多，比较常见的情形是探索某疾病的危险因素，根据危险因素预测该疾病发生概率[3]；模糊模式识别是在模式识别中引入模糊数学方法，用模糊技术来设计机器识别系统，可简化识别系统的结构，更广泛、深入地模拟人脑思维过程，从而对客观事物进行更为有效的分类与识别。 　　本文研究是通过化验人体内各元素含量的一些指标来协助医生进行肾炎诊断的数学建模问题。在已知健康人和肾炎患者各自体内微量元素的基础上，采用某医院化验的30名肾炎患者（编号1～30）、30名健康人（编号31～60）及30名待诊断者（编号61～90）体内的Zn、Cu、Fe、Ca、Mg、K、Na 7种微量元素的含量作为基础研究数据。对于就诊人员，要快速、合理、准确地诊断其是否患有肾炎，必须有一种或几种简单可靠的方法来分析化验出的各元素含量是否符合健康指标，同时筛选出影响患病的主次元素。在做检查时可以相对减少一些元素的化验，以节省时间、提高检查者的满意度与医院效益。 　　1BP神经网络诊断模型 　　输入层、隐含层、输出层设计如图1所示。首先选取40组样本数据，作为网络的输入和目标样本，其中有患肾炎和不患肾炎状态的各20组数据，分别对应类别1和0。然后设计网络结构，根据Kolmogorov定理[4]，采用一个N*2N+1*M的三层网络作为状态分类器，其中N=7表示输入特征向量的分量数，M=2表示输出状态类别的总数。 　　三层BP模型建立如下[57]： 　　（1）初始化：给每个连接权值Wij、Vjt。阈值θj与γt赋值区间（-1，1）内的随机值。 　　（2）随机选取一组输入样本Pk和目标样本Tk，其中： 　　Pk=（ak1，ak2，.....akn）（1）Tk=（sk1，sk2，......skn）（2） 　　（3）用输入样本Pk、连接权Vjt和阈值θj计算隐含层各单元的输入sj，再用sj通过传递函数计算隐含层各单元的输出bj。 　　bj=f（sj），j=1，2，..p（3） 　　（4）利用隐含层的输出bj、连接权Vjt和阈值γt，计算输出层各单元的输出Lt，然后通过传递函数计算输出层各单元的响应Ct。 　　Lt=∑pj=1Vjtbj-γt，t=1，2...q（4）Ct=f（Lt），t=1，2...q（5） 　　（5）利用网络目标向量Tk、网络的实际输出Ct，计算输出层的各单元一般化误差dkt。 　　Tk=（yk1，yk2......ykq）（6）dkt=（ykt-Ct）Ct（1-Ct）（7） 　　（6）利用连接权Vjt、输出层的一般化误差dt和隐含层的输出bj计算隐含层各单元的一般化误差ekj。 　　ekj=（∑qt=1dtVjt）bj（1-bj）（8） 　　（7）利用输出层的一般化误差dkt和隐含层各单元的输出bj来修正连接权Vjt和阈值γt。 　　Vjt（N+1）=Vjt（N）+dktbj（9）γt（N+1）=γt（N）+dkt（10）t=1，2...q，j=1，2...q01 　　（8）利用隐含层各单元的一般化误差ekj、输入层各单元的输入Pk来修正连接权Wij和阈值θj。 　　Wij （N + 1） = Wij （N） + β ekj aki （11）Qj （N + 1） = Qj （N） + β ekj （12）i = 1，2...n，j = 1，2...q0β1 　　综上所述，得到BP神经网络判别模型[13]为： 　　Ost = f（∑Vjt f（∑2