BP和Elman神經網絡評價針灸治療頸椎病療效研究

韋曉燕，張洪來，魏航，2，林秦燁，譚火媛，郭麗純

（1.廣州中醫藥大學醫學信息工程學院，廣州　510006；2.華南理工大學軟件工程學院，廣州　510006）

BP和Elman神經網絡評價針灸治療頸椎病療效研究

韋曉燕1，張洪來1，魏航1，2，林秦燁1，譚火媛1，郭麗純1

（1.廣州中醫藥大學醫學信息工程學院，廣州510006；2.華南理工大學軟件工程學院，廣州510006）

0　引言

頸椎病是近些年來增長人數較快的一種疾病，嚴重危害人體的健康，國內外都對頸椎病做了很多的研究與探索［2-4］，國內也出現了評價針灸治療頸椎病療效的量表模式［5］。并且對PRO量表進行了相關適用性研究［6-7］。我們在此背景下采用了SF-36量表［8］，基于病人自主報告病情，以VAS疼痛量表［8］作為評分，來建立預測評價模型。由于頸椎病量表有很大的不確定性以及復雜性，需要綜合多種因子去衡量，且因子與結構的關系是非線性的，而人工神經網絡有大規模的并行處理以及信息存儲能力，可以實現這種處理非線性系統，其中神經網絡中主要包括前向神經網絡和反饋神經網絡。BP神經網絡是前向神經網絡的核心，由于BP神經網絡具有高度的非線性組合能力，處理問題較為廣泛，誤差逆向傳播，可以提高數據訓練以及測試的準確度，基于此曾做過頸椎病針灸療效的相關研究［9］。此外由于量表數據是動態變化的，而Elman神經網絡是反饋型的神經網絡，有很高的穩定性，聯想記憶功能，在復雜度和復雜性中有更高的準確度，具有良好的動態模擬作用，因此本文采用BP神經網絡和Elman神經網絡建立評價模型進行對比分析，為針灸治療頸椎病療效提供理論基礎。

1　神經網絡的基本原理

1.1BP神經網絡

BP神經網絡是由多層構成的的前向網絡，具備處理線性不可分問題，包括輸入層、隱含層和輸出層，如圖1。數據從輸入層經隱含層向后傳播，若輸出層未能夠得到期望輸出則誤差逆向傳播，通過隱層向輸入層返回修改權值直到誤差最小。其基本原理和算法參見文獻［10］。

圖1　BP神經網絡模型

其中輸入節點為xi，隱含層輸出節點為yj，出節點為ok，wjk，vij分別為隱含層到輸出層，輸入層到隱含層的連接權值。f為神經元的激活函數，網絡的期望輸出為dk，輸出誤差為e，網絡的各層輸出關系為：

輸入層：

1.2Elman神經網絡

基本的Elman神經網絡由輸入層、輸出層、隱含層、連接層組成。與BP網絡相比，在結構上多了一個連接層，連接層的輸出函數為線性函數，但是多了一個延遲單元，可以記憶過去的狀態，并在下一時刻與網絡的輸入一起作為隱含層輸入，使網絡具有很強的聯想記憶功能。其基本原理和算法參見文獻［11］。

圖2　Elman網絡的結構模型

其中，輸入層節點為ur，隱含層輸出節點為xn，承接層輸出節點為xc，輸出層節點為ym，w1，w2，w3分別為承接層到隱含層、輸入層到隱含層、隱含層到輸出層的連接權值，g（·）為輸出神經元的激活函數，f（·）為隱含層神經元的激活函數，網絡的期望輸出為dk，輸出誤差為e。

輸入層：yk=g［w3x（k）］

2　神經網絡預測模型的建立與實現

2.1數據的采集

本研究數據選自近年來在廣東省中醫院接受治療，納入符合納入標準的128例頸椎病患者。以SF-36量表主要療效指標，以視覺模擬評分（VAS）為次要療效指標。

2.2數據的預處理

（1）數據歸一化。為了消除數據量綱的影響，所有變量在數據集規范化為了在［0-1］區間內，即所有的變量都是使用以下轉換為圖3中公式來規范化，見表1：

表1　歸一化后的部分針灸數據

（2）因子分析。由于SF-36量表中條目較多，且條目之間具有較高的相關性，在KMO檢驗和Bartlett檢驗中，本例中KMO取值為0.773，標明可以進行因子分析，Barlett檢驗中sig=0.000，說明數據來自正態分布總體，適合作進一步分析。見表2。經主成分分析（Principal Components Analysis，PCA），已累計貢獻率大于一定百分比（如73.055%）的主成分數目為因子數目為8，且經過因子旋轉，因子得分計算，最終得到8個因子的數據表，如表3。

表2　KMO檢驗和Bartlett檢驗結果

表3　因子得分數據

2.3神經網絡模型

（1）BP神經網絡模型的建立

分析輸入輸出數據，建立多層BP神經網絡。其中輸入變量8個，輸出變量1個，在開始時放入比較少的神經元，逐步增加隱層節點的數目，直到達到比較合理的隱層節點數目為止。最后，神經網絡模型的各層節點數分別為：輸入層8個，分別對應前文分析出來的8個特征因子；隱含層的節點為7個；輸出層為1個，如圖3。

圖3　BP神經網絡結構圖

本次建模中，隱層采用S型正切函數tansig，輸出層采用S型對數函數logsig。通過對不同的lr和mc的取值進行了考察，確定本文神經網絡模型的參數為lr= 0.5，nc=0.9。誤差根據實際情況確定，本文神經網絡的誤差界值為0.01，能夠很好地滿足網絡的性能要求即在選代計算時誤差值E≤0.01時，則認為學習完成，停止計算，輸出結果訓練的誤差變化曲線如圖4所示，在經過60次訓練后，神經網絡的性能達到了要求。

（2）Elman神經網絡模型建立

實驗采用單隱層的Elman神經網絡，其中輸入層神經元的個數為8；輸出層神經元的個數為1。為了使網絡的診斷誤差最小，經過多次訓練檢驗，發現將隱含層神經元的個數設定為20，能夠很好地滿足網絡的性能要求，如圖5。

將119份的訓練樣本輸入到Elman神經網絡中，本文神經網絡的誤差界值為0.01。訓練的誤差變化曲線如圖6所示，在經過1000次訓練后，網絡的性能達到了要求。

圖4　訓練誤差圖

圖5　Elman神經網絡結構圖

圖6　Elman神經網絡訓練誤差圖

3　BP與Elman神經網絡的測試結果對比分析

采用9組測試樣本分別在訓練好的BP和Elman網絡預測。測試結果如表4所示。結果顯示BP神經網絡測驗的誤差為0.0088，Elman神經網絡測驗的誤差為0.1228。對比兩種神經網絡的訓練過程及檢測結果，可以得出BP神經網絡收斂速度相對較慢，而且有可能收斂于局部極小值；Elman神經網絡的參數調整方便，與BP神經網絡相比診斷誤差要大一些。因此，經過對比分析BP神經網絡構建針灸治療頸椎病療效評價模型預測結果更優。

4　結語

從實驗結果看出，使用BP神經網絡和Elman神經網絡都可以實現針灸治療頸椎病療效的預測?？梢缘贸鋈斯ど窠浘W絡在基于PRO量表下針灸治療頸椎病的療效下具有切實可行性。但就預測誤差與性能對比分析發現BP神經網絡預測優于Elman神經網絡預測。因此，利用BP神經網絡模型能根據患者自主評估填寫的PRO量表，來預測VAS疼痛評分通過對于針灸治療前后以此判斷針灸療效，從而可以幫助醫生針灸臨床治療提供參考。

表4　BP和Elman測試結果對比

［1］梁兆暉，朱曉平，符文彬.基于病人報告結局測量的針刺治療頸椎病療效評價及相關性分析.頸腰痛雜志.2010（08）：1229-1232.

［2］熊鍵，謝青，鮑勇等.頸椎病評定量表的研究進展［J］.Chinese Journal of Rehabilitation，2010，25（4）：296-297.

［3］針刺治療頸椎病頸痛患者生存質量分析［J］.針灸治療痛癥國際學術研討會論文匯編，2009.5.15：3-6.

［4］Witt CM，Jena S，Brinkhaus B，et.al.Aeupuneture for Patients with Chronie Neck Pain［J］.Pain，2006，125（1-2）：98-106.

［5］勞麗陶等.頸椎病針灸治療評價中的病人報告結局評價模式探討［J］.廣州：中醫藥導報.2010.8.28：2-3.

［6］張繼福，梁兆輝等.患者報告結局評價技術在針灸療效評價中的適用性研究［J］.廣州：廣州中醫藥大學學報.2012.3.20：1-3；

［7］張建源.頸椎病療效評價量表信度與效度考核［D］.廣州：廣州中醫藥大學學報.2011.4.1：3-52.

［8］梁兆輝，朱小平等.針刺治療慢性頸椎病頸痛療效評價［J］.新中醫.2008.10.5：1-2.

［9］王芳慧.基于人工神經網絡的PRO評價針灸治療頸椎病的療效研究［D］.廣州.廣州中醫藥大學，2014.：1-6.

［10］袁曾任.人工神經網絡及其應用［M］.北京：清華大學出版社，2010：78-125.

［11］陳明等.MATLAB神經網絡原理與實例精解［M］.北京.清華大學出版社，2013.3：296-301.

韋曉燕，女（1996-），安徽阜陽人，本科，學生，研究方向為數據分析、人工神經網絡

張洪來，男，山東人，醫學博士，研究員，副主任中醫師，研究方向為針灸治療頸椎病及針灸臨床資料數據挖掘

魏航，女，廣東人，在讀博士，講師，研究方向為數理統計、機器學習與計算機應用

林秦燁（1994-），男，廣東潮州人，在讀本科，研究方向為數據分析

譚火媛（1993-），女，廣東云浮人，在讀本科，研究方向為機器學習、數據挖掘

郭麗純（1993-），女，廣東揭陽人，在讀本科，研究方向為數據分析

PRO Scale；BP Neural Network；Elman Neural Network；Acupuncture Evaluation

Research on Effectiveness Assessment of Acupuncture for Cervical Spondylosis Based on BP and Elman Neural Network

WEI Xiao-yan1，ZHANG Hong-lai1，WEI Hang1，2，LIN Qin-ye1，TAN Huo-yuan1，GUO Li-chun1
（1.School of Medical Information Engineering，Guangzhou University of Chinese Medicine，Guangzhou 510006；2.School of Computer&Engineering，South China University of Technology，Guangzhou 510006）

國家級創新創業訓練項目（No.201510572017）、國家自然科學基金項目（No.81274003）、廣東省自然科學基金項目（No. 2015A030310312、2014A030309013）、廣東省中醫藥科學基金研究項目（No.B2014174）

1007-1423（2016）22-0003-05DOI：10.3969/j.issn.1007-1423.2016.22.001

2016-05-31

2016-07-28

基于PRO量表在針灸治療頸椎病的不確定性和復雜性，需要綜合多種因子去衡量，且因子與輸出的關系是非線性的，而人工神經網絡模型能夠解決非線性問題且適合于動態系統辨識，于是分別構建BP和Elman人工神經網絡，通過MATLAB軟件運算，分析比較得出BP模型比Elman模型精度高，在針灸評價模型中效果更好。為針灸治療頸椎病提供相關理論指導。

PRO量表；BP神經網絡；Elman神經網絡；針灸評價

Based on PRO scale in the acupuncture treatment of cervical spondylosis exists uncertainty and complexity，it is difficult to judge by a single factor，but a comprehensive variety of factors to measure，and the relationship between the factor and the output is non-linear，and the neural network model can approximate arbitrary nonlinear function and suitable for dynamic system identification feature，so constructs the evaluation model BP and Elman artificial neural network by MATLAB software operation，comparative examples drawn BP model is higher than the Elman model accuracy.