基于MLP神經網絡算法的中醫肥胖體質分類模型研究

謝永康 丁夢清 徐嘯 黃燕 王珍 佘侃侃

摘 要：目的：基于MLP神經網絡算法，構建超重和肥胖人群的中醫肥胖體質分類模型，以輔助中醫肥胖干預及診療。方法：從2016—2018年江蘇某省級綜合性醫院體質調理門診數據庫中，篩選出2 911個樣本數據作為數據集，利用MLP神經網絡算法建立中醫肥胖體質分類模型，并驗證模型的準確率。結果：根據超重肥胖人群的體檢指標，對肥胖的類型進行中醫體質分類，建立的中醫肥胖體質分類模型，分類準確率達到90%以上。結論：MLP神經網絡算法建立的中醫肥胖體質分類模型，可為肥胖癥的中醫藥防治提供輔助診斷和治療。

關鍵詞：肥胖;中醫體質分類;MLP神經網絡算法

0? ? 引言

肥胖是由環境、遺傳等多種因素引起的脂肪堆積過多或分布異常的慢性代謝疾病，是糖尿病、高血壓等多種疾病的危險因素[1]。中醫藥在調節人體體質、平衡代謝方面具有獨特的優勢，在肥胖的防治中起到了重要作用。中醫認為，肥胖與人的體質類型具有一定的相關性。在臨床實踐中，可以運用BMI指數判定人是否肥胖，再結合中醫體質分類學說來辨識肥胖患者體質類型，并采用相應的中醫干預方案來防治肥胖。虞曉含等[2]對21 948例中醫體質與健康狀況調查數據進行統計與分析，發現BMI指數與中醫體質類型之間存在關聯性，不同BMI指數人群的中醫體質類型分布特點不同，氣虛質、痰濕質與超重肥胖的相關性較高。岳子敬等[3]針對不同中醫體質的超重肥胖人群，給予相應的中醫調體方案，發現中醫方案在減重、改善肥胖人群體質方面具有良好的干預效果。中醫體質分類理論在輔助肥胖診斷和治療的應用中取得了一些成果，然而對于肥胖人群如何劃分中醫體質類型，醫師通常依靠個人經驗進行判斷，缺乏全面和客觀的判定手段[4]。應用MLP神經網絡算法建立中醫肥胖體質分類模型，輸入超重肥胖人群的相關指標可以判定其中醫體質類型，為中醫方法輔助治療肥胖癥提供了新思路和新方法。

1? ? 數據集來源與分類標準

數據集來源于2016—2018年江蘇某省級綜合性醫院體質調理門診數據庫。根據《中醫內科學》[5]教材的肥胖分型方法，將超重肥胖人群的中醫體質類型分為胃熱滯脾、痰濕內盛、脾虛濕盛、脾腎陽虛4種類型。超重?肥胖的分類是根據衛生部《中國成人超重和肥胖癥預防控制指南》[6]推薦的標準，以體質量指數（Body Mass Index，BMI）<18.5為體重過輕，18.5≤BMI<24為體重正常，24≤BMI<28為超重，BMI≥28為肥胖，其中BMI=體重（kg）/身高2（m2）。

2? ? MLP神經網絡模型研究

多層感知器模型（MultiLayer Perceptron，MLP）是人工神經網絡模型中的一種，能夠描述一組輸入變量到輸出變量之間復雜的映射。肥胖的指標體系BMI指數、舌苔厚膩等變量之間存在著復雜的非線性關系，并且輸出的結果是多分類的變量，采用傳統的決策樹算法或者單層感知器算法均無法解決此類問題[7]。MLP模型引入了隱含層來擬合輸入數據和輸出數據間的復雜關系，適用于解決這種非線性可分數據的多分類問題。

2.1? ? MLP模型的構建過程

MLP模型通常是由一個輸入層，一個或多個隱含層，一個輸出層組成。MLP模型構建的完整流程可分為前向傳播和反向傳播過程。前向傳播通過網絡結構和前一次迭代的權值與閾值，計算出神經元的輸出。反向傳播用于參數的訓練，是從輸出層向前計算出各權值和閾值對總誤差的影響，然后調整權值和閾值，并使誤差達到最小的過程[8]。

在前向傳播中，設輸入層的特征向量為xij，輸入層到輸出層的權重和閾值分別用wij和θij表示，隱含層節點的輸出值aj（公式1），f表示激活函數，一般使用Sigmoid函數（公式2）表示：

在反向傳播學習中，tk是神經網絡訓練的期望的輸出信號，yk是神經網絡實際的輸出信號。神經網絡學習的目的就是使yk和tk之間的誤差降低到給定的精度，常用的誤差函數E是均方差函數，它可以表示為：

2.2? MLP模型的參數設計

MLP神經神經網絡模型是由多層神經元節點互聯而成的復雜網絡。每個神經元都通過與其他神經元相互連接來傳遞訓練過程中的信息，不同的參數設計產生不同的拓撲結構，也決定了信息在網絡中的傳遞方式，從而對網絡的訓練過程和結果產生決定性的影響[9]。文中MLP模型的參數設計是指隱含層個數的設計與各層神經元數目的確定。

（1）隱含層個數的設計。

在理論上，只有一個隱含層的神經網絡只要包含足夠多的神經元就可以逼近任意連續函數。隱含層個數的增加一方面可能引起網絡計算時間的增加，另一方面也容易產生過擬合問題，從而影響預測的表現[10]。因此，Kaastra等[11]建議在應用神經網絡建模時，網絡隱藏層數最好為1層或至多為? ? ? 2層。在后面建立中醫肥胖分類模型的實驗中，使用的是只包含一個隱含層的MLP神經網絡模型。

（2）輸入層、輸出層、隱含層神經元數目的設計。

在MLP模型中，輸入神經元和輸出神經元的個數按照一般慣例進行設置，即輸入層神經元數目為輸入變量的個數，輸出層神經元的個數為輸出變量的個數。而對于隱含層節點個數，目前學術界還沒有統一的看法。在建立中醫肥胖分類模型的實驗中是采用試驗的方法來確定隱含層節點個數的，即節點值從1開始逐個增加，當增加到MLP神經網絡模型的精確度不能再提升時，此時的節點值即為隱含層節點個數。

2.3 中醫肥胖分類模型建模流程

在中醫肥胖分類模型建模中，首先需要對讀入的數據集進行清洗和歸一化處理，預處理完成后，還需要將數據集劃分為訓練集和測試集。將訓練集導入，確定MLP模型各層節點的個數，利用上文的相關公式對模型進行計算和訓練，當滿足條件之后，就將模型輸出。最后，輸入測試集數據，驗證模型的準確率。中醫肥胖分類模型建模的流程如圖1所示。

3? ? 中醫肥胖分類模型建立

3.1 數據讀入與預處理

將數據集導入Microsoft Office Excel 2016軟件中，剔除無效數據以及信息記錄不全者，并根據BMI公式篩選出超重與肥胖人群的樣本，得到2 911例有效樣本的數據集。最后根據離差標準化公式（其中max為樣本數據的最大值，min為樣本數據的最小值）對數據進行歸一化處理。預處理后，樣本數據情況如表1所示。

3.2? 中醫肥胖分類模型建立

對預處理后的數據集進行隨機抽樣，將其中60%作為訓練集，其中40%作為測試集。讀入訓練集數據，將BMI指數、肌易浮腫等14個指標作為輸入變量，分類類別作為輸出變量。按照上文的方法進行MLP神經網絡各層節點的參數設計。輸入變量有14個，因此輸入層神經元個數為14個;輸出變量個數為4個，故輸出層神經元個數為4個;隱含層神經元節點的個數按照試驗的方式確定，個數為6個。該網絡的神經結構如圖2所示。然后按照上文的方法對中醫肥胖分類模型進行計算和訓練，最后輸出訓練好的分類模型。

4? ? 模型驗證與結果分析

4.1? 分類模型的準確率

訓練完成后，將測試集數據輸入至MLP神經網絡模型，分別計算訓練集和測試集的預測正確的樣本占總樣本的比例，得到模型預測的準確率。結果顯示訓練集的準確率為92.04%，測試集的準確率為90.12%。

4.2? 結果分析

MLP肥胖分類模型分類結果如表3顯示，在2 911例超重肥胖人群樣本中，中醫體質類型為痰濕內盛型、胃熱滯脾型的樣本最多。

MLP中醫肥胖分類模型的變量重要性如表4所示。結果顯示，肌易浮腫、胃部腹脹、BMI指數、舌苔厚膩是對分類結果影響最大的4項指標。醫生可重點考慮這幾項指標，在一定程度上輔助臨床決策，優化診斷和治療肥胖癥。

5? ? 結語

在國內臨床實踐中，往往以傳統中醫學的望聞問切方法對超重肥胖人群進行中醫體質的判定，受個人主觀因素影響很大，不具有普遍性。文中研究了MLP建模方法與流程，并將其應用于肥胖的中醫體質分類，建立了中醫肥胖分類模型。從訓練集和測試集的準確率來看，中醫肥胖分類模型的精確度達到了90%以上，具有較強的實用意義，為中醫防治肥胖癥提供了一條新的路徑。對變量進行重要性分析，得出肌易浮腫、胃部腹脹、BMI指數、舌苔厚膩等指標重要性最高。在臨床實踐中，應該對具有相關異常指標的超重和肥胖人群進行重點預防及篩查，及早對其進行生活方式和藥物的干預，糾正其偏頗體質，提高中醫臨床療效。

[參考文獻]

[1]王志遠.中醫對肥胖的認識及其防治優勢[J].光明中醫，2012（9）：1728-1730.

[2]虞曉含，朱燕波，王琦，等.體重指數與中醫體質類型的對應分析[J].中醫雜志，2015（2）：105-107.

[3]岳子敬，楊宜婷，林曉亮，等.對超重/肥胖人群采用中式體質量管理方案早期干預效果的臨床觀察[J].中華中醫藥雜志，2016（9）：3838-3842.

[4]羅輝.中醫體質學體病相關臨床研究的系統評價和方法學研究[D].北京：北京中醫藥大學，2019.

[5]張伯禮，崔博瑜.中醫內科學[M].北京：人民衛生出版社，2012.

[6]中華人民共和國衛生部疾病控制司.中國成人超重和肥胖癥預防控制指南[M].北京：人民衛生出版社，2006.

[7]周飛燕，金林鵬，董軍.卷積神經網絡研究綜述[J].計算機學報，2017（6）：1229-1251.

[8]黃立威，江碧濤，呂守業，等.基于深度學習的推薦系統研究綜述[J].計算機學報，2018（7）：1619-1647.

[9]丁暉.基于神經網絡模型的人民幣匯率預測研究[D].長沙：湖南大學，2008.

[10]林楊.基于深度學習的刀具磨損狀態監測技術的研究[D].合肥：中國科學技術大學，2017.

[11]KAASTRA I，BOYD M.Designing a neural network for forecasting financial and economic time series[J].Neurocomputing，1996（3）：66-68.

（編輯 何 琳）