基于神經網絡的阿爾茲海默癥預測模型研究

劉運，丁文婷，盧丹，方可

【摘要】阿爾茲海默癥已成為全球范圍內亟待解決的醫學問題和社會問題，神經網絡模型將阿爾茲海默癥疾病進展預測問題轉化為非線性問題，為復雜的阿爾茲海默癥疾病進展預測提供了新思路。本文以神經網絡的基本理論為基礎，運用PCA技術對數據進行特征選擇和特征提取，再使用BP神經網絡和RBF神經網絡建立預測模型，對預測效果進行對比分析。

【關鍵詞】BP神經網絡;RBF神經網絡;數據預測;特征提取

【中圖分類號】R749.1 【文獻標識碼】A 【DOI】10.12332/j.issn.2095-6525.2020.13.256

1研究背景

阿爾茲海默癥，即為人熟知的老年癡呆癥，也是全球老年人群最常見的癡呆形式之一，是一種慢性神經退行性疾病。據《世界阿爾茨海默病報告》顯示，隨著人類預期壽命的增加，全球每3秒就約有一人患阿爾茲海默癥，預計到2050年全球阿爾茲海默癥患者人群將以每20年遞增一倍的速度增長至1.52億，成為全球范圍內亟待解決的醫學問題和社會問題。如今網絡和數據庫技術的迅速發展，數據預測方法及應用研究已經越來越為人們所重視。目前，對于數據的預測方法有很多。由于神經網絡能夠對大量復雜的非線性數據進行分析，可以完成極為復雜的趨勢分析，特別適用于構造數據預測模型，使得基于神經網絡的預測方法具有比其他預測方法更多的優點。

人工神經網絡是一種應用類似于大腦神經突觸連接的結構進行信息處理的數學模型，它的構筑理念是受到生物（人或其他動物）神經網絡功能的運作啟發而產生的。人工神經網絡是并行分布式系統，采用了與傳統人工智能和信息處理技術完全不同的機理，克服了傳統的基于邏輯符號的人工智能在處理直覺、非結構化信息方面的缺陷，具有自適應、自組織和實時學習的特點，同時具有自學習功能、聯想存儲功能及高速尋找優化解的能力，其自學習功能對于預測有特別重要的意義，預期未來的人工神經網絡計算機將為人類提供各方面的預測，應用前途遠大。

2神經網絡的基本原理

2.1神經網絡

人工神經網絡（artificial neural network，ANN），簡稱神經網絡（neural network，NN），是一種模仿生物神經網絡的結構和功能的數學模型或計算模型，是人工智能對生物學中的神經系統結構進行的模擬。神經網絡是由大量的節點（或稱“神經元”）和之間相互的連接構成。人工神經元包括輸入層、加權和、閾值函數（激活函數）和輸出層。在學習或訓練過程中改變突觸權重值，以適應周圍環境的要求。通常，它的學習訓練方式可分為兩種，一種是有監督或稱有導師的學習，利用給定的樣本標準進行分類或模仿，如：BP、RBF在預測、分類中的應用，PNN在分類中的應用等;另一種是無監督學習或稱無導師學習，這時只規定學習方式或某些規則，具體的學習內容隨系統所處環境而異，如：競爭神經網絡、SOFM在分類、聚類中的應用等。

2.2 兩種常見神經網絡理論基礎

BP（反向傳播）神經網絡的結構為多層前饋網絡，其前、后層之間各神經元實現全聯接，同一層的神經元之間無連接。激活函數通常采用S形函數，如logsig，tansig函數;輸出層激活函數多采用purelin函數。理論上，具有一個隱含層的BP網絡可以以任意精度逼近任意非線性函數。BP網絡的學習算法是典型的有導師學習算法：將樣本輸入神經網絡，得到網絡的實際輸出，若輸出值與期望輸出之間的誤差不滿足精度要求，則從輸出層反向傳播該誤差，從而調整權值及閾值，使得網絡的輸出和期望輸出間的誤差逐漸減小，直至滿足精度要求。BP網絡學習過程即為信號前向傳播和誤差反向傳播。

RBF網絡的基本思想為是用RBF作為隱單元的“基”構成隱含層空間，這樣就可以將輸入矢量直接映射到隱空間，而不需要通過權連接。當RBF的中心點確定以后，這種映射關系也就確定了。而隱含層空間到輸出空間的映射是線性的，即網絡的輸出是隱單元輸出的線性加權和，此處的權即為網絡可調參數。其中，隱含層的作用是把向量從低維度的p映射到高維度的h，這樣低維度線性不可分的情況到高維度就可以變得線性可分了，主要就是核函數的思想。這樣，網絡由輸入到輸出的映射是非線性的，而網絡輸出對可調參數而言卻又是線性的。網絡的權就可由線性方程組直接解出，從而大大加快學習速度并避免局部極小問題。

3 神經網絡模型預測分析

首先，基于PCA技術完成數據特征提取，PCA（Principal Component Analysis），即主成分分析方法，是一種使用最廣泛的數據降維算法。在實際情況中我們的數據會存在特征過多或者特征累贅的問題，所以用PCA算法來解決這種問題是很有必要的。PCA的主要思想是將n維特征映射到k維上，這k維是全新的正交特征也被稱為主成分，是在原有n維特征的基礎上重新構造出來的k維特征，而不是簡單地從n維特征中取出其余n-k維特征。

其次，在進行訓練之前，需要先初始化網絡結構，其次給出權值和閾值的初始化值。從3000*751數據中獲取五分之三的數據當作訓練數據，設置網絡參數，確定最大迭代次數、學習率及學習目標，再進行網絡訓練。該網絡有1個隱含層，神經元個數為100個。Algorithms部分展示了該網絡所使用的訓練算法，該網絡采用Levenberg-Marquardt算法進行訓練，采用均方誤差算法計算誤差，保存為mex格式;Progress部分展示了該網絡允許的迭代次數最大為2000，實際迭代2000次，訓練時長為14分20秒;該網絡的最大誤差為0.239，目標誤查為0.001，實際誤差為0.0613;Gradient一欄表示該網絡的最大梯度為1.99，閾值梯度為1.00e-07，實際梯度為0.00196;由Mu一欄可得該網絡使用Levenberg-Marquardt算法中的阻尼因子最小值為0.001，閾值為1.00e+10，實際值為1.00e-06，Mu值越大意味著算法收斂效果越好。具體訓練狀況圖如下：

由上圖可知迭代次數達到200次達到最佳結果，目標誤差為0.001，實際誤差為0.0754109，RBF神經網絡與BP神經網絡相比誤差偏大。

4 總結

本研究將數據分為訓練數據、測試數據和驗證數據三類;然后選取樣本輸入輸出數據進行PCA特征提取，在網絡訓練之前初始化網絡結構，隨后進行網絡訓練，創建BP神經網絡和RBF神經網絡;進行數據的預測，生成測試數據后，對數據再進行輸出反歸一化;最后對預測結果進行分析和性能評價。基于BP神經網絡的數據預測具有更低的誤差，實際輸出與預測值有更好的擬合度，能夠較為精準的預測。這些結果說明了對于數據預測來說，神經網絡的使用還是很有必要的，在生活中具有較大實用價值。

參考文獻：

[1]彭彬彬，閆獻國，杜娟.基于BP和RBF神經網絡的表面質量預測研究[J].表面技術，2020，49（10）.

[2]王曉穎.改進BP神經網絡模型的地基變形預測[J].測繪與空間地理信息，2017，40（03）：215-217.

[3]隋明輝.基于BP人工神經網絡的混凝土強度預測模型[J].建材與裝飾，2016（13）： 137-138.

[4]荀海潞.基于改進的BP神經網絡在自相關過程控制中的應用[D].長安大學，2016： 258-263.

項目信息：

2018年安徽省大學生創新創業訓練項目“基于基因數據與人工神經網絡智能優化算法的人類疾病預測研究”（編號AH201810380012）

作者簡介：

劉運（1981-），男，漢族，安徽合肥人，軟件工程碩士，副教授，研究方向：智能計算與模式識別、高等工程教育教學研究。