基于遺傳算法和神經(jīng)網(wǎng)絡(luò)的矮小兒童智能診斷研究

張京軍，王 健，邵偉東，高瑞貞

(1. 河北工程大學 信息與電氣工程學院，河北 邯鄲 056038；2. 石家莊展望未來科技有限公司，河北 石家莊 050081)

矮小是危害人們身心健康的主要外在表現(xiàn)之一，它不僅僅是患者的個人問題，又是不得不面對的社會問題。而通過先進的信息技術(shù)將具有該領(lǐng)域醫(yī)療專家水平的計算機輔助診斷系統(tǒng)應用到醫(yī)療機構(gòu)，一方面可以大大提高診斷效率與準確率，另一方面也有利于患者的及時就診。從20世紀70年代末開始至80年代中期，我國先后出現(xiàn)一批醫(yī)學診斷專家系統(tǒng)軟件[1]，早期的有上海計算所的中醫(yī)婦科診斷系統(tǒng)、吉林大學和白求恩醫(yī)科大學合作的婦科專家系統(tǒng)等。近期的有上海中西醫(yī)結(jié)合醫(yī)院與頤圣計算機公司聯(lián)合開發(fā)具有咨詢和輔助診斷性質(zhì)的計算機輔助診療系統(tǒng)等。當前的人工智能技術(shù)發(fā)展已經(jīng)較為成熟，尤其是神經(jīng)網(wǎng)絡(luò)技術(shù)在諸多工程領(lǐng)域的應用日趨廣泛，而利用遺傳算法來優(yōu)化神經(jīng)網(wǎng)絡(luò)并應用到醫(yī)學輔助診斷領(lǐng)域的研究尚處于初級階段。鑒于此，本文利用遺傳算法來優(yōu)化矮小兒童智能診斷的神經(jīng)網(wǎng)絡(luò)模型。

1 臨床數(shù)據(jù)預處理

1.1 矮小癥病例樣本數(shù)據(jù)規(guī)范化

本文采取石家莊展望未來科技長期跟蹤監(jiān)測研究數(shù)據(jù)(所有檢查結(jié)果均來自于國內(nèi)各地正規(guī)醫(yī)院)，對影響兒童身高發(fā)育的病因進行分析訓練和仿真。根據(jù)資料分析以及專家經(jīng)驗確定影響兒童身高發(fā)育的主要因素[2]和檢查項目,并將之列為神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)：患兒性別，實際年齡，體重，現(xiàn)身高，CHN骨齡，BMI(Body Mass Index身體質(zhì)量指數(shù))評價，父身高，母身高，生長激素水平(GH)，血清總?cè)饧谞钕僭彼?TT3)，血清總甲狀腺素(TT4)，促甲狀腺激素(TSH)，促黃體生成素(LH)，胰島素樣生長因子1(IGF-1)，胰島素樣生長因子結(jié)合蛋白3(IGFBP-3)，微量元素，腦CT。其中患兒性別、微量元素、腦CT都是非數(shù)值形式，不能直接被BP網(wǎng)絡(luò)識別，必須對其進行數(shù)值化。分別用1，0代表性別屬性中的男和女，微量元素的不缺乏和缺乏，腦CT影像檢查結(jié)果的正常和異常。

診斷結(jié)果為8種常見的矮小病因類型，并將其作為神經(jīng)網(wǎng)絡(luò)的期望輸出模式：遺傳性矮小(0 0 0)，體質(zhì)性青春期發(fā)育遲緩(0 0 1)，原發(fā)性GHD(0 1 0)，甲狀腺功能障礙(0 1 1)，營養(yǎng)性矮小(1 0 0)，繼發(fā)性GHD(1 0 1)，性早熟(1 1 0)，其他疾病(1 1 1)。

1.2 實驗數(shù)據(jù)歸一化

對于樣本數(shù)據(jù)屬性的差異問題運用數(shù)據(jù)歸一化方法對神經(jīng)網(wǎng)絡(luò)輸入數(shù)據(jù)進行預處理，使數(shù)據(jù)分布在[-1，1]的區(qū)間上，以便于神經(jīng)網(wǎng)絡(luò)的快速收斂從而得出正確的診斷結(jié)果[3]。

Pn=2*(P-minp)/(maxp-minp)-1

(1)

Tn=2*(T-mint)/(maxt-mint)-1

(2)

這里，P和T分別為樣本中待處理的輸入數(shù)據(jù)和原始的目標數(shù)據(jù)，Pn和Tn為經(jīng)過歸一化處理后的輸入數(shù)據(jù)和目標數(shù)據(jù)。矮小兒童病例數(shù)據(jù)歸一化后的結(jié)果如下表1所示：

2 矮小兒童智能診斷模型

矮小兒童智能診斷的數(shù)學模型是基于BP算法[4]的數(shù)學模型。BP網(wǎng)絡(luò)的學習是信息的正向傳遞和誤差的反向傳播，通過不斷修正權(quán)值來使目標輸出與期望輸出更加接近。

三層感知器中，輸入向量為x=(x1,x2,…,xn)T，其中x0=-1是為隱層神經(jīng)元引入閾值而設(shè)置的；隱層的輸入向量為y=(y1,y2,…,ym)T，其中y0=-1是為輸出層神經(jīng)元引入閾值而設(shè)置的；輸出層輸出向量為o=(o1,o2,…,ol)T；期望輸出向量為d=(d1,d2,…,dl)T。輸入層到隱層之間的權(quán)值矩陣用v=(v1,v2,…,vm)T表示；隱層到輸出層之間的權(quán)值矩陣用w=(w1,w2,…,wi)T表示。

表1 病例樣本歸一化數(shù)據(jù)表

對于輸出層，有

ok=f(knet)

(3)

對于隱層，有

yj=f(jnet)

(4)

當網(wǎng)絡(luò)輸出與期望不等時，存在輸出誤差E，定義如下：

(5)

將式(3)擴展至隱層與輸入層，有

(6)

(7)

相應得出的三層感知器的BP學習算法權(quán)值調(diào)整計算公式為

Δwjk=ηδk0yj=η(dk-ok)ok(1-ok)yj

(8)

(9)

3 實例分析與仿真實驗

3.1 BP網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計

對于基于BP神經(jīng)網(wǎng)絡(luò)的矮小兒童智能診斷模型而言，神經(jīng)網(wǎng)絡(luò)的輸入信息為影響兒童矮小的屬性特征，總共有17個屬性；神經(jīng)網(wǎng)絡(luò)的輸出信息為最終診斷后的兒童矮小癥的病因類型(如上文1.1所述)?？紤]到基于BP祌經(jīng)網(wǎng)絡(luò)的矮小兒童智能診斷模型的輸入變量和輸出變量的規(guī)模較小，因此在這里選用一層隱含層即可滿足網(wǎng)絡(luò)的性能要求。通過試算法比較不同的隱層神經(jīng)元數(shù)下網(wǎng)絡(luò)的訓練情況，最終設(shè)定隱含層數(shù)目為10。至此得到網(wǎng)絡(luò)的拓撲結(jié)構(gòu)為17 - 10 - 8，如圖1所示。

3.2 模型重要參數(shù)的設(shè)置

在MATLAB的神經(jīng)網(wǎng)絡(luò)工具箱中，提供了多種不同的訓練函數(shù)，在本網(wǎng)絡(luò)中選擇trainlm對網(wǎng)絡(luò)進行訓練，該函數(shù)的學習算法為Levenberg-Marquardt優(yōu)化算法，其優(yōu)點在于收斂速度很快，能夠很好的達到預期的效率。選取purelin為神經(jīng)元上的傳遞函數(shù)，誤差界值設(shè)置為0.01。為了平衡速率與精度之間的關(guān)系，將學習率初步設(shè)置為0.1。

3.3 遺傳算法對系統(tǒng)的優(yōu)化設(shè)計

遺傳算法[5]對系統(tǒng)的具體優(yōu)化設(shè)計單元中，具體步驟如下：

(1) 初步確定BP神經(jīng)網(wǎng)絡(luò)連接的取值范圍；

(2) 對網(wǎng)絡(luò)連接的取值進行二進制編碼；

(3) 以目標函數(shù)最大值作為遺傳算法的適應度函數(shù)，即：

(10)

(4) 采用BP神經(jīng)網(wǎng)絡(luò)算法對所有權(quán)值組分別進行訓練，如果該N組權(quán)值至少有一組滿足精度的要求，那么尋優(yōu)算法結(jié)束，不然就轉(zhuǎn)入步驟(4)繼續(xù)學習。

(5) 在訓練好的N組較好的權(quán)值中隨機選擇N組新的權(quán)值，與原來N組權(quán)值組合在一起，構(gòu)成一個完整的基因群體，這樣就共得到2N組權(quán)值。

(6) 將這2N組權(quán)值進行遺傳操作(復制、雜交、變異)。

(7) 對經(jīng)過遺傳操作后獲得的新2N組權(quán)值進行排序，并從中選出N組較好的權(quán)值，跳轉(zhuǎn)到步驟(3)。

遺傳算法的優(yōu)化[6]，首先需要設(shè)置一些具體的算法參數(shù)如：種群規(guī)模、迭代次數(shù)、交叉率、變異率等；其次要對每一個具體算子的內(nèi)部參數(shù)進行相關(guān)設(shè)計和確定。采用實驗數(shù)據(jù)與BP網(wǎng)絡(luò)相同，30例樣本數(shù)據(jù)的前20例用于訓練，10例用于檢測。根據(jù)網(wǎng)絡(luò)模型的拓撲結(jié)構(gòu)得到權(quán)值共有17×10+10×8=250個，閾值10+8=18個，遺傳算法染色體編碼長度[7]為250+18=268。確定好染色體編碼長度后，對種群進行初始化，GA的編碼程序可以實現(xiàn)初始化操作[8]，最后將遺傳算法優(yōu)化后的權(quán)值閾值傳遞給BP網(wǎng)絡(luò)。

3.4 矮小兒童智能診斷的MATLAB仿真

將實驗數(shù)據(jù)用于單純BP算法，網(wǎng)絡(luò)的訓練結(jié)果如圖2所示。由實驗仿真圖可以看到，網(wǎng)絡(luò)在訓練到80次時達到期望的誤差界值，但是仿真曲線顯示在網(wǎng)絡(luò)訓練到大約82次時發(fā)生了振蕩，這對實驗結(jié)果的準確率產(chǎn)生一定影響。

然后將相同的網(wǎng)絡(luò)規(guī)模和拓撲結(jié)構(gòu)運用到遺傳算法的優(yōu)化中，遺傳算法優(yōu)化BP網(wǎng)絡(luò)的進化曲線如圖3所示，優(yōu)化算法的訓練次數(shù)為50次，得出BP網(wǎng)絡(luò)的平均收斂次數(shù)為85。遺傳算法優(yōu)化BP網(wǎng)絡(luò)的訓練曲線如圖4所示，與傳統(tǒng)BP網(wǎng)絡(luò)相比，收斂明顯加快，也沒有發(fā)生訓練振蕩。

4 結(jié)論

(1)用遺傳算法優(yōu)化的BP網(wǎng)絡(luò)和單純的BP網(wǎng)絡(luò)相比，無論是在收斂速度還是在訓練的穩(wěn)定性方面都表現(xiàn)出優(yōu)勢。

(2)將遺傳算法與BP神經(jīng)網(wǎng)絡(luò)的結(jié)合充分發(fā)揮了遺傳算法的全局搜索能力優(yōu)勢和BP神經(jīng)網(wǎng)絡(luò)的非線性映射能力和泛化能力的優(yōu)勢，提高了網(wǎng)絡(luò)的性能，得到理想的實驗效果，有效適用于對矮小兒童的智能診斷。

參考文獻：

[1] 魏海坤. 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計的理論與方法[M]. 北京：國防工業(yè)出版社, 2005.

[2] 祁建勤, 凌 星, 李亞玲, 等. 矮小兒童發(fā)病因素臨床分析[J]. 中國兒童保健雜志, 2006，14(1)：94-95.

[3] 王 華，胡學鋼.醫(yī)學數(shù)據(jù)挖掘中的數(shù)據(jù)預處理與Apriori算法改進[J]. 計算機系統(tǒng)與應用，2009，9(1)：94-97.

[4] P KAELO, M M ALI. Integrated crossover rules in real coded genetic algorithms[J]. European Journal of Operational Research, 2007, 7(6)：60-76.

[5] ZHEN GUOTU，YONG LU. A robust stochastic genetic algorithm for global numerical optimization[J]. IEEE Transactions on Evolutionary Computation, 2004, 8(5): 456-470.

[6] 王 南，張京軍，高瑞貞. 基于改進遺傳算法多體模型的汽車懸架參數(shù)優(yōu)化[J].遼寧工程技術(shù)大學學報, 2007, 26(3)：435-437.

[7] 張京軍，呂 品，高瑞貞，等. 單純同倫算法的改進遺傳算法 [J].遼寧工程技術(shù)大學學報, 2013，32(7):987-991.

[8] 熊 凌.基于遺傳算法的BP網(wǎng)絡(luò)全局收斂的混合智能學習算法[J].武漢科技大學學報, 2000，23(2):45-47.