基于BP神經(jīng)網(wǎng)絡(luò)的疾病癥狀預(yù)測(cè)模型

張雅+宋耀蓮+章凡

摘要：疾病癥狀上報(bào)數(shù)量反映了當(dāng)?shù)鼐用窠】禒顩r，準(zhǔn)確預(yù)測(cè)疾病上報(bào)的總條數(shù)對(duì)于預(yù)防傳染病的發(fā)生至關(guān)重要。目前，疾病癥狀的上報(bào)、誤報(bào)、重報(bào)問(wèn)題突出，為了得到準(zhǔn)確的患病人數(shù)，通過(guò)對(duì)某地區(qū)疾病癥狀上報(bào)數(shù)據(jù)的訓(xùn)練與預(yù)測(cè)，建立疾病癥狀上報(bào)總數(shù)的BP網(wǎng)絡(luò)預(yù)測(cè)模型。研究結(jié)果表明，基于BP神經(jīng)網(wǎng)絡(luò)的疾病癥狀上報(bào)預(yù)測(cè)模型具有較高的精度和實(shí)用性。

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò)；預(yù)測(cè)模型；疾病癥狀總數(shù)

DOIDOI：10.11907/rjdk.172053

中圖分類號(hào)：TP306 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1672-7800（2017）012-0001-03

Abstract：Disease symptoms reported Numbers reflect the health of local residents， accurately predict the numbers is very important to prevent the happening of the infectious diseases.However，the real number of cases is not accurate for the extensive error reporting and re-reporting phenomenon.To get the exact number of cases， in this paper， the BP network prediction model of disease symptom reporting was established by the training and prediction of disease reporting data in one area. Finally，theory analyses and simulation results illustrate that the prediction model of disease symptoms based on BP neural network has higher precision and practicability.

Key Words：The BP neural network；prediction model；report symptoms of illness

0 引言

近年來(lái)，隨著全球傳染病的爆發(fā)流行，以疾病診斷為基礎(chǔ)的常規(guī)監(jiān)測(cè)已難以滿足公共衛(wèi)生監(jiān)測(cè)預(yù)警需求。為了實(shí)現(xiàn)對(duì)疾病癥狀的預(yù)警，蔣艷峰等[1]將外界天氣因子作為疾病發(fā)生的研究對(duì)象，利用回歸模型和決策樹(shù)建立預(yù)測(cè)模型。本文主要從每月上報(bào)的疾病癥狀總數(shù)出發(fā)，建立基于BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型。唐陽(yáng)山[2]，謝浩等[3]將BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型用于交通預(yù)測(cè)，得到了很好效果。熊昌獅[4]將BP神經(jīng)網(wǎng)絡(luò)用于預(yù)測(cè)尾砂充填對(duì)地下水鋅含量的影響，精度達(dá)到80%以上。張景陽(yáng)[5]將多元線性回歸方法與BP神經(jīng)網(wǎng)絡(luò)比較，體現(xiàn)BP網(wǎng)絡(luò)預(yù)測(cè)的優(yōu)越性。李佟[6]將馬爾可夫鏈與BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型比較，最后得出BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型更好。由此表明，BP神經(jīng)網(wǎng)絡(luò)作為預(yù)測(cè)模型是可行的，但將其用于疾病癥狀上報(bào)數(shù)量方面的預(yù)測(cè)并不多見(jiàn)。

本文創(chuàng)新點(diǎn)在于將BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型用于對(duì)疾病癥狀數(shù)量的預(yù)測(cè)，通過(guò)準(zhǔn)確預(yù)測(cè)疾病癥狀數(shù)量，不僅能及時(shí)反映當(dāng)?shù)鼐用竦慕】禒顩r，讓疾控中心提前做好預(yù)防預(yù)警工作。

1 數(shù)據(jù)預(yù)處理

本文研究對(duì)象是每月癥狀上報(bào)總條數(shù)預(yù)測(cè)，主要研究其它癥狀的上報(bào)數(shù)量對(duì)總數(shù)的影響。一條病人癥狀記錄一般包括幾個(gè)癥狀，比如發(fā)熱、頭痛、咳嗽等，對(duì)于總條數(shù)而言是一條記錄。本文研究的所有數(shù)據(jù)都是通過(guò)邊境癥狀監(jiān)測(cè)預(yù)警系統(tǒng)提取的，數(shù)據(jù)源真實(shí)可靠。該預(yù)警系統(tǒng)主要收集了我國(guó)某地區(qū)所有醫(yī)療機(jī)構(gòu)實(shí)時(shí)上報(bào)的癥狀數(shù)據(jù)。

由于輸入數(shù)據(jù)的單位有差異，某些范圍相當(dāng)大，致使神經(jīng)網(wǎng)絡(luò)的收斂速度慢、訓(xùn)練時(shí)間久。因此用式（1）對(duì)數(shù)據(jù)進(jìn)行歸一化處理[7]，使樣本數(shù)據(jù)落在[0，1]范圍之內(nèi)。

2 BP預(yù)測(cè)模型

2.1 BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法原理

BP神經(jīng)網(wǎng)絡(luò)算法作為有監(jiān)督的學(xué)習(xí)過(guò)程，由已知的輸入、輸出樣本數(shù)據(jù)反復(fù)更換網(wǎng)絡(luò)連接的權(quán)值及閾值，從而讓網(wǎng)絡(luò)的輸出更加逼近期望輸出。就整個(gè)神經(jīng)網(wǎng)絡(luò)而言，一次學(xué)習(xí)過(guò)程由輸入數(shù)據(jù)的正向傳播和誤差的反向傳播兩個(gè)子過(guò)程完成。經(jīng)典的BP網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

2.2 算法建立

本文利用BP網(wǎng)絡(luò)算法三層結(jié)構(gòu)構(gòu)建每個(gè)癥狀條數(shù)到總癥狀條數(shù)的非線性預(yù)測(cè)模型。模型輸入是5種癥狀月記錄條數(shù)，輸出為月總癥狀條數(shù)。中間層神經(jīng)元的傳遞函數(shù)為S型正切函數(shù)，因網(wǎng)絡(luò)輸入向量取值范圍為[0，1]，因而輸出層神經(jīng)元的傳遞函數(shù)可以設(shè)定為S型對(duì)數(shù)函數(shù)。本文選用網(wǎng)絡(luò)內(nèi)置訓(xùn)練函數(shù)traingdx，其學(xué)習(xí)速率是自適應(yīng)的。

經(jīng)多次測(cè)試，當(dāng)隱層神經(jīng)元個(gè)數(shù)為10時(shí)預(yù)測(cè)精度最高。同時(shí)取2016年1～11月數(shù)據(jù)為學(xué)習(xí)訓(xùn)練樣本，2016年12月數(shù)據(jù)為預(yù)測(cè)樣本。

3 實(shí)驗(yàn)結(jié)果及分析

4 結(jié)語(yǔ)

本文基于BP神經(jīng)網(wǎng)絡(luò)建立了一種根據(jù)每種癥狀的月上報(bào)總數(shù)預(yù)測(cè)當(dāng)月患病總?cè)藬?shù)的預(yù)警模型，并通過(guò)實(shí)驗(yàn)證實(shí)了BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型在預(yù)測(cè)疾病癥狀月上報(bào)總數(shù)上切實(shí)可行。建立該預(yù)測(cè)模型對(duì)于我國(guó)某省邊境地區(qū)傳染病的預(yù)防具有重要意義，可為當(dāng)?shù)匕l(fā)病情況預(yù)測(cè)提供重要依據(jù)。

參考文獻(xiàn)：

[1] 蔣艷峰.上呼吸道感染的氣象誘因及預(yù)測(cè)方法研究[D].蘭州：蘭州大學(xué)，2015.

[2] 唐陽(yáng)山，葛麗娜，黃子龍，等.基于BP神經(jīng)網(wǎng)絡(luò)的交通事故預(yù)測(cè)方法研究[J].遼寧工業(yè)大學(xué)學(xué)報(bào)，2016，36（1）：27-30.

[3] 謝浩.基于BP神經(jīng)網(wǎng)絡(luò)及其優(yōu)化算法的汽車車速預(yù)測(cè)[D].重慶：重慶大學(xué)，2014.

[4] 熊昌獅，陳云嫩，吳樂(lè)文，等.人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)尾砂充填對(duì)地下水中鋅含量的影響[J].安徽農(nóng)業(yè)科學(xué)，2015，43（35）：115-117.

[5] 張景陽(yáng)，潘光友.多元線性回歸與BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型對(duì)比與應(yīng)用研究[J].昆明理工大學(xué)學(xué)報(bào)，2013，38（6）：61-65.

[6] 李佟，李軍.基于BP神經(jīng)網(wǎng)絡(luò)與馬爾可夫鏈的污水處理廠脫氮效果模擬預(yù)測(cè)[J].環(huán)境科學(xué)學(xué)報(bào)，2016，36（2）：576-581.

[7] 安愛(ài)民，祁麗春，丑永新，等.基于BP神經(jīng)網(wǎng)絡(luò)的溶解氧濃度軟測(cè)量方法研究[J].計(jì)算機(jī)與應(yīng)用化學(xué)，2016，33（1）：117-121.

（責(zé)任編輯：孫 娟）