基于GABP算法的胎兒健康診斷模型的研究

馮玉婷+吳薇

摘 要：為了從海量孕檢數據中挖掘出有價值的信息，同時針對BP神經網絡收斂速度慢、預測精度低的問題，提出一種利用遺傳算法優化BP神經網絡的算法（GABP），對胎兒進行健康診斷并建立預測模型。首先利用遺傳算法的尋優技術簡化特征屬性；然后將簡化后的屬性作為BP神經網絡的輸入神經元，構建BP神經網絡模型，并進行學習訓練；最后利用Matlab對算法進行仿真。實驗結果表明，GABP算法能夠很好地提取孕檢數據中的重要信息，縮短BP預測時間，是一種可行的胎兒健康輔助預測模型。

關鍵詞：胎兒體征信息；孕檢數據；遺傳算法；BP神經網絡；數據挖掘

中圖分類號：TP301.6 文獻標識碼：A 文章編號：2095-1302（2018）02-00-03

0 引 言

隨著生活水平的不斷提高，人們對于母嬰健康的關注度與日俱增，與此同時，針對母嬰健康監護的研究有了迅猛發展。尤其隨著母嬰健康監護信息系統在各大醫院的投用，收集到的母嬰信息不僅包括B超影像、各項生理指標，還有孕婦年齡、身高、體重、既往病史等大量詳細的背景資料。但是苦于沒有強有力的工具，醫護工作者無法從海量孕檢數據中獲取未發掘的有用信息，并且不能依靠單一的數據或某一檢查項目來判斷胎兒的健康狀況，因此，如何從海量數據中挖掘出胎兒體征信息與母體信息之間的相互關系，成為國內外研究人員的研究熱點。

許多數據分析人員利用特征約簡方法和分類模型在醫學數據領域進行了深入研究，但是對胎兒體征信息的研究卻少之又少。……