基于無線傳感網(wǎng)絡(luò)的FOA-BP遠(yuǎn)程疾病診斷研究

趙曉丹

(復(fù)旦大學(xué) 附屬上海市第五人民醫(yī)院，上海 200233)

0 引言

隨著經(jīng)濟(jì)水平和生活水平的提高以及人口老齡化的加速，提高醫(yī)療保健水平成為當(dāng)前研究的熱點(diǎn)問題。在“互聯(lián)網(wǎng)+”時(shí)代，遠(yuǎn)程疾病診斷研究顯得格外迫切，通過患者身體狀況的在線監(jiān)測(cè)，可以實(shí)現(xiàn)遠(yuǎn)程醫(yī)院的診斷和監(jiān)護(hù)，患者的自由沒有限制，生活也不受影響，患者在線監(jiān)測(cè)結(jié)果可以本地存儲(chǔ)，也可以通過網(wǎng)絡(luò)傳輸?shù)竭h(yuǎn)程醫(yī)療中心。遠(yuǎn)程疾病診斷監(jiān)控系統(tǒng)主要包括遠(yuǎn)程監(jiān)護(hù)中心、通信網(wǎng)絡(luò)系統(tǒng)和終端檢測(cè)設(shè)備，通過人體專用傳感器(終端檢測(cè)設(shè)備)采集人體生理信息和醫(yī)學(xué)信號(hào)，通過遠(yuǎn)程通訊網(wǎng)絡(luò)(通信網(wǎng)絡(luò)系統(tǒng))將采集獲取的信號(hào)傳送到遠(yuǎn)端的醫(yī)療監(jiān)護(hù)中心(遠(yuǎn)程監(jiān)護(hù)中心)，在遠(yuǎn)程監(jiān)護(hù)中心端專業(yè)的醫(yī)護(hù)人員對(duì)采集獲取的信號(hào)進(jìn)行處理并做出反應(yīng)，給出及時(shí)準(zhǔn)確的診斷信息[1]。

針對(duì)BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果易受初始連接權(quán)值cj、ωij和閾值ε、θj的影響和陷入局部極值的問題，提出一種FOA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的遠(yuǎn)程疾病診斷研究模型。在無線傳感網(wǎng)絡(luò)和ZigBee網(wǎng)絡(luò)的基礎(chǔ)上，通過FOA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)初始連接權(quán)值和閾值，實(shí)現(xiàn)BP神經(jīng)網(wǎng)絡(luò)初始連接權(quán)值和閾值的自適應(yīng)最優(yōu)選擇。

2 遠(yuǎn)程疾病診斷網(wǎng)絡(luò)結(jié)構(gòu)

遠(yuǎn)程疾病診斷網(wǎng)絡(luò)結(jié)構(gòu)圖如圖1所示[2]。

圖1 遠(yuǎn)程疾病診斷網(wǎng)絡(luò)結(jié)構(gòu)

首先，由傳感器節(jié)點(diǎn)和監(jiān)護(hù)相關(guān)設(shè)備構(gòu)成微型監(jiān)護(hù)網(wǎng)絡(luò)，主要作用是通過中央控制器控制采集人體生理信息和醫(yī)學(xué)信號(hào)；其次，通過Zigbee無線通信方式將采集獲取的信號(hào)傳送到遠(yuǎn)端的醫(yī)療監(jiān)護(hù)中心(遠(yuǎn)程監(jiān)護(hù)中心),如圖2所示。

最后，在遠(yuǎn)程監(jiān)護(hù)中心端專業(yè)的醫(yī)護(hù)人員對(duì)采集獲取的信號(hào)進(jìn)行處理并做出反應(yīng)，給出及時(shí)準(zhǔn)確的診斷信息。救護(hù)車中的醫(yī)護(hù)人員還可通過GPRS 實(shí)時(shí)傳送急救病人情況，使得醫(yī)院搶救室及時(shí)地做好各項(xiàng)準(zhǔn)備工作。由于醫(yī)療傳感器節(jié)點(diǎn)能夠根據(jù)實(shí)際需要進(jìn)行設(shè)置，因此該系統(tǒng)具有靈活性大、擴(kuò)展性強(qiáng)的優(yōu)點(diǎn)，此外接入因特網(wǎng)，能夠形成更大的醫(yī)療監(jiān)護(hù)網(wǎng)絡(luò)。

圖2 ZigBee無線網(wǎng)絡(luò)

3 FOA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法

3.1 果蠅優(yōu)化算法

果蠅優(yōu)化算法(Fruit Fly Optimization Algorithm，F(xiàn)OA)是受果蠅覓食行為啟發(fā)所提出的一種群智能算法，其算法流程如下[3]：

(1) FOA參數(shù)初始化：果蠅群體規(guī)模N、最大迭代次數(shù)T，果蠅群體初始位置X_begin和Y_begin；

(2) 計(jì)算果蠅個(gè)體的尋優(yōu)距離和隨機(jī)方向如式(1)、式(2)。

xi=X_begin+Value×rand()

(1)

yi=Y_begin+Value×rand()

(2)

式中，Value表示搜索距離；xi和yi表示果蠅個(gè)體的下一時(shí)刻位置的x坐標(biāo)和y坐標(biāo)。

(3) 計(jì)算果蠅個(gè)體距離原點(diǎn)之間的距離di，并計(jì)算果蠅個(gè)體的味道濃度si,如式(3)、式(4)。

(3)

(4)

(4) 味道濃度si代入式(5)味道濃度判定函數(shù)，計(jì)算當(dāng)前位置的果蠅個(gè)體的味道濃度如式(5)。

Smelli=Function(si)

(5)

(5) 找到果蠅群體中最佳味道濃度值Smellb和最佳位置(xb,yb)；

(6) 保留并記錄果蠅最佳位置(xb,yb)和最佳味道濃度Smellbest=Smellb，令X_begin=xb和Y_begin=yb，果蠅群體向該最佳位置尋優(yōu)；

(7) 重復(fù)式(2)-式(5)，判斷當(dāng)前味道濃度是否優(yōu)于前一迭代時(shí)刻的味道濃度；若滿足條件，則執(zhí)行式(6)。

3.2 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是由輸入層、隱含層和輸出層組成的多層前饋神經(jīng)網(wǎng)絡(luò)，3層典型BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)模型圖如圖3所示。

圖3中，輸入維數(shù)和輸出維數(shù)分別為m和1，隱含層數(shù)為p，則BP神經(jīng)網(wǎng)絡(luò)的映射數(shù)學(xué)表達(dá)式為[4-5],如式(6)。

圖3 BP網(wǎng)絡(luò)結(jié)構(gòu)圖

(6)

其中，f表示隱含層激勵(lì)函數(shù)；ε表示輸出層的閾值；cj、bj分別表示隱含層到輸出層的連接權(quán)值和隱含層節(jié)點(diǎn)的輸出。一般地，BP神經(jīng)網(wǎng)絡(luò)的轉(zhuǎn)移函數(shù)選擇Sigmoid函數(shù)，其公式如下[6-7],如式(7)、式(8)。

(7)

因此，BP神經(jīng)網(wǎng)絡(luò)的隱含層節(jié)點(diǎn)的輸出可表示為[8]：

(8)

其中，ωij表示輸入層到隱含層的連接權(quán)值；θj表示隱含層節(jié)點(diǎn)的閾值。

由于BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果易受初始連接權(quán)值cj、ωij和閾值ε、θj的影響，以及其容易陷入局部極值的問題，本文運(yùn)用FOA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)初始連接權(quán)值和閾值。

3.3 FOA_BP算法流程

基于FOA_BP的遠(yuǎn)程疾病診斷流程歸納如下：

Step1：初始化BP神經(jīng)網(wǎng)絡(luò)模型，確定網(wǎng)絡(luò)結(jié)構(gòu)。根據(jù)數(shù)據(jù)樣本確定BP神經(jīng)網(wǎng)絡(luò)的層數(shù)、傳遞函數(shù)和訓(xùn)練函數(shù)類型以及各層節(jié)點(diǎn)數(shù)；

Step2：編碼。FOA算法采用實(shí)數(shù)編碼，將連接權(quán)值cj、ωij和閾值ε、θj進(jìn)行整體編碼，算法的搜索空間維數(shù)為m，假如輸入層、隱含層和輸出層節(jié)點(diǎn)數(shù)分別為R、S1、S2，則編碼長度S可表示為式(9)。

S=RS+S1S2+S1+S2

(9)

Step3：FOA算法參數(shù)初始化。設(shè)定種群規(guī)模N、最大迭代次數(shù)T；

Step4：確定FOA算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的適應(yīng)度函數(shù)。為描述種群個(gè)體的優(yōu)劣程度，選擇均方誤差為適應(yīng)度函數(shù)，其如公式(10)所示，尋找果蠅個(gè)體和全局最優(yōu)果蠅的位置和最優(yōu)值，如式(10)。

(10)

Step5：更新果蠅的位置；

Step6：計(jì)算果蠅個(gè)體適應(yīng)度并更新果蠅的位置；

Step7：判定FOA算法終止條件，若滿足則輸出最優(yōu)解；反之，執(zhí)行Step4；

Step8：輸出全局最優(yōu)解，將最優(yōu)解對(duì)應(yīng)的連接權(quán)值cj、ωij和閾值ε、θj作為BP神經(jīng)網(wǎng)絡(luò)的初始連接權(quán)值和閾值，訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)并進(jìn)行疾病診斷。

4 實(shí)證研究

4.1 數(shù)據(jù)來源

為了驗(yàn)證本文算法的有效性，以威斯康幸大學(xué)醫(yī)學(xué)院的乳腺癌數(shù)據(jù)集為研究對(duì)象[9-10]，選擇200個(gè)病例，其中良性100例，惡性100例，每個(gè)病例數(shù)據(jù)包含8個(gè)特征值，將200個(gè)病例分為訓(xùn)練集和測(cè)試集，其中，訓(xùn)練集包括80個(gè)良性和80個(gè)惡性病例，測(cè)試集包括20個(gè)良性和20個(gè)惡性病例，病例類型采用整數(shù)編碼，良性編碼為0，惡性編碼為1。

4.2 結(jié)果分析

為了說明不同方法的疾病診斷結(jié)果的好壞，選擇準(zhǔn)確率(Accuracy Rate，AR)作為評(píng)價(jià)指標(biāo)，其公式為式(11)。

(11)

其中，A為總樣本數(shù)量；B為正確分類的樣本數(shù)量。

FOA算法參數(shù)設(shè)置如下：種群規(guī)模N=10，最大迭代次數(shù)T=100搜索區(qū)間[-1,1]。BP神經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)置如下[11]：輸入層節(jié)點(diǎn)數(shù)inputnum=8、隱含層節(jié)點(diǎn)數(shù)hiddennum=16和輸出層節(jié)點(diǎn)數(shù)outputnum=1，BP神經(jīng)網(wǎng)絡(luò)最大訓(xùn)練次數(shù)為1 000，隱含層和輸出層傳遞函數(shù)為logsig和purelin，訓(xùn)練函數(shù)為trainlm，學(xué)習(xí)速率為0.01，訓(xùn)練誤差目標(biāo)為0.001。FOA-BP的訓(xùn)練集和測(cè)試集預(yù)測(cè)結(jié)果如圖4所示。

(a) 訓(xùn)練集

(b) 測(cè)試集

圖4 FOA-BP預(yù)測(cè)結(jié)果

為了驗(yàn)證FOA-BP算法的優(yōu)越性，將FOA-BP與PSO-BP、GA-BP、DE-BP和BP相比，種群規(guī)模10，最大迭代次數(shù)100，搜索區(qū)間[-1,1]，PSO算法[12]學(xué)習(xí)因子c1=c2=2，GA算法[13]交叉概率0.7，變異概率0.1；DE算法[14]縮放因子0.5，交叉概率0.7，不同算法預(yù)測(cè)結(jié)果分別如圖5-圖8和表2所示。

由圖4-圖8和表2分類準(zhǔn)確率對(duì)比圖可知，F(xiàn)OA-BP在訓(xùn)練集和測(cè)試集上的分類準(zhǔn)確率分別為99.375%和100%，優(yōu)于PSO-BP、GA-BP、DE-BP和BP；BP的分類準(zhǔn)確率最低，分別為95%和87.5%。FOA-BP、PSO-BP、GA-BP和DE-BP診斷精度優(yōu)于BP，主要原因在于群智能算法FOA、PSO、GA和DE對(duì)BP模型的參數(shù)進(jìn)行了最優(yōu)化選擇，提高了BP模型的疾病診斷精度。收斂速度對(duì)比圖可知，如圖9所示。

與PSO、GA和DE算法相比較，F(xiàn)OA算法具有更快的收斂速度，效果較好。通過對(duì)比發(fā)現(xiàn)，本文算法FOA-BP可以有效提高疾病診斷的準(zhǔn)確率。

5 總結(jié)

針對(duì)BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果易受初始連接權(quán)值cj、ωij和閾值ε、θj的影響，以及其容易陷入局部極值的問題，提出一種FOA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的遠(yuǎn)程疾病診斷研究模型。在無線傳感網(wǎng)絡(luò)和ZigBee網(wǎng)絡(luò)的基礎(chǔ)上，通過FOA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)初始連接權(quán)值和閾值，實(shí)現(xiàn)BP神經(jīng)網(wǎng)絡(luò)初始連接權(quán)值和閾值的自適應(yīng)最優(yōu)選擇。與PSO、GA和DE算法相比較，研究結(jié)果表明，F(xiàn)OA-BP可以有效提高疾病診斷的準(zhǔn)確率，收斂速度快，具有較好的工程應(yīng)用前景和價(jià)值。

(a) 訓(xùn)練集

(b) 測(cè)試集

圖5 PSO-BP預(yù)測(cè)結(jié)果

(a) 訓(xùn)練集

(b) 測(cè)試集

圖6 GA-BP預(yù)測(cè)結(jié)果

(a) 訓(xùn)練集

(b) 測(cè)試集

圖7 DE-BP預(yù)測(cè)結(jié)果

(a) 訓(xùn)練集

(b) 測(cè)試集

圖8 BP預(yù)測(cè)結(jié)果

表2 疾病診斷結(jié)果對(duì)比

圖9 收斂速度對(duì)比圖