基于GABP算法胎儿健康诊断模型研究.docVIP

基于GABP算法胎儿健康诊断模型研究 　　摘 要：为了从海量孕检数据中挖掘出有价值的信息，同时针对BP神经网络收敛速度慢、预测精度低的问题，提出一种利用遗传算法优化BP神经网络的算法（GABP），对胎儿进行健康诊断并建立预测模型。首先利用遗传算法的寻优技术简化特征属性；然后将简化后的属性作为BP神经网络的输入神经元，构建BP神经网络模型，并进行学习训练；最后利用Matlab对算法进行仿真。实验结果表明，GABP算法能够很好地提取孕检数据中的重要信息，缩短BP预测时间，是一种可行的胎儿健康辅助预测模型。 　　关键词：胎儿体征信息；孕检数据；遗传算法；BP神经网络；数据挖掘 　　中图分类号：TP301.6 文献标识码：A 文章编号：2095-1302（2018）02-00-03 　　0 引 言 　　随着生活水平的不断提高，人们对于母婴健康的关注度与日俱增，与此同时，针对母婴健康监护的研究有了迅猛发展。尤其随着母婴健康监护信息系统在各大医院的投用，收集到的母婴信息不仅包括B超影像、各项生理指标，还有孕妇年龄、身高、体重、既往病史等大量详细的背景资料。但是苦于没有强有力的工具，医护工作者无法从海量孕检数据中获取未发掘的有用信息，并且不能依靠单一的数据或某一检查项目来判断胎儿的健康状况，因此，如何从海量数据中挖掘出胎儿体征信息与母体信息之间的相互关系，成为国内外研究人员的研究热点。 　　许多数据分析人员利用特征约简方法和分类模型在医学数据领域进行了深入研究，但是对胎儿体征信息的研究却少之又少。本文从胎儿健康情况判断的角度出发，采用遗传算法结合BP神经网络构建胎儿健康诊断检测模型。利用遗传算法的寻优特点对孕妇体检数据进行属性约简，消除不必要和特征不明显的属性，简化BP网络结构，使其具有较快的收敛速度和较强的学习能力。在Matlab仿真软件中实现该算法，并获取云数据库中实际收集的孕检数据，对胎儿检测进行建模和预测分析。 　　1 BP神经网络 　　BP（Back Propagation，BP）神经网络是遵循误差δ逆传播的多层前馈神经网络，通过误差逆传播不断调整BP网络的权值和阈值[1]，主要由输入信息的正向传输和δ的反向传输两个过程组成。两个过程不断重复，以减小网络实际输出与期望输出之间的差值，使输出层的输出值与期望输出值尽可能一致。BP神经网络结构如图1 所示。 　　BP神经网络学习算法的基本步骤如下： 　　（1）权值初始化。根据系统属性的要求，初步确定神经网络结构，依次确定输入层、隐含层、输出层的神经元数，初始化各层权值和阈值[2]。 　　（2）依次输入P个学习样本。设当前输入为第p个样本。 　　（3）依次计算各层的输出。根据神经网络结构，依次计算隐含层和输出层的实际输出Oj，Ok[3]。 　　（4）计算输出层和隐含层的反向传输误差，并且记录下第p个输入样本的隐含层和输出层的实际输出Oj（p），Ok（p）[4]。具?w公式为： 　　其中δk，δj 代表隐含层和输出层的反传误差。 　　记录已经完成学习的样本个数。若pP（学习样本总数），则跳转到（2）继续计算；若当前学习样本p=P（样本总数），则跳转到（6）继续计算。 　　（5）权值、阈值修正。根据网络各层的权值修正公式调整权值和阈值。具体公式如下： 　　其中η为学习步长。 　　（6）依据新的权值再计算Oj（p），Ok（p）和式（7）。若每个输入样本和相对应的输出神经元都满足dk（p）-Ok（p）|ε的条件，或者达到或超过最大学习次数，则终止学习；否则跳转到（2）继续进行新一轮学习。 　　2 遗传算法优化BP神经网络 　　遗传算法（Genetic Algorithms，GA）是一种基于生物遗传和进化（适者生存、优胜劣汰）的选择机制[5]。GA的工作原理是模仿生物进化中染色体随机发生复制、交叉和变异的现象，生成一群更适应环境的新个体。按照这个过程不断迭代优化，最终只剩下一群最适应该环境的优胜个体，从而得到问题的最适应解[6]。GABP算法流程如图2所示。 　　遗传算法的主要运算过程如下： 　　（1）编码。遗传算法不能直接处理特征属性的参数，处理之前需要先对属性参数进行重新编码，使算法能够识别。 　　（2）初始种群的生成。随机产生N个数据，每个个体为一条数据，N个个体构成了初始种群，设置最大训练次数为T。 　　（3）适应度值评价检测。以适应度函数的值表示个体对环境的适应性，该值越大，说明个体的适应度越高，被保留下来的可能性越大。 　　（4）选择交叉变异。遵循适应度函数，随机选择个体进行交叉变异操作，进而选择优良个体[7]。 　　（5）终止条件判断。若实际训练次数t=T，则以训练过程中出现的最大适应度值的个体作为最终解输出，同时终止学习[8]。