本文關(guān)鍵詞：利用人工神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)原發(fā)性高血壓的研究，由筆耕文化傳播整理發(fā)布。

【摘要】： 前言 原發(fā)性高血壓(essential hypertension, EH)是常見的心血管疾病之一,近年來,隨著我國(guó)經(jīng)濟(jì)發(fā)展,生活節(jié)奏明顯增快,產(chǎn)生了一系列的不健康的生活方式,導(dǎo)致我國(guó)心腦血管疾病死亡率、發(fā)病率和患病率持續(xù)上升。高血壓既是一種獨(dú)立的疾病,又是引發(fā)心腦血管疾病的重要危險(xiǎn)因素,發(fā)生高血壓危象及高血壓腦病等嚴(yán)重并發(fā)癥時(shí)可危及生命。因此,高血壓的防治工作不容忽視。 國(guó)內(nèi)外研究表明,高血壓是一種多因子疾病,致病因素多,各因素間關(guān)系復(fù)雜,是高血壓研究的重要特點(diǎn)。目前疾病預(yù)測(cè)的方法以傳統(tǒng)的Logistic回歸(Logistic regression, LR)為主,Logistic回歸模型要求變量滿足獨(dú)立性且不能處理變量之間的共線性問題。因此,應(yīng)用Logistic回歸模型進(jìn)行預(yù)測(cè)高血壓這樣的復(fù)雜疾病具有一定的局限性。人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Networks,ANNs),簡(jiǎn)稱為神經(jīng)網(wǎng)絡(luò)(NNs),是模擬生物神經(jīng)網(wǎng)絡(luò)進(jìn)行信息處理的一種數(shù)學(xué)模型。神經(jīng)網(wǎng)絡(luò)具有強(qiáng)大的解決共線性效應(yīng)和變量間的交互作用的能力,善于處理非線性的、模糊的、含有噪聲的數(shù)據(jù)情況。目前,人工神經(jīng)網(wǎng)絡(luò)在醫(yī)學(xué)上的應(yīng)用還遠(yuǎn)沒有傳統(tǒng)的Logistic回歸那么廣泛。 本研究所選擇的現(xiàn)場(chǎng)是遼寧省彰武縣農(nóng)村,經(jīng)調(diào)查該人群高血壓標(biāo)化患病率高達(dá)35%，全國(guó)罕見。本研究利用這些調(diào)查數(shù)據(jù)建立BP人工神經(jīng)網(wǎng)絡(luò)(backpropagation ANNs)預(yù)測(cè)模型,并與Logistic回歸模型進(jìn)行比較,利用受試者工作特征曲線(receiver operator characteristic curve, ROC曲線)評(píng)價(jià)人工神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)性能。以探討和評(píng)價(jià)ANNs用于疾病預(yù)測(cè)的效果和特點(diǎn),為高血壓等復(fù)雜疾病的預(yù)測(cè)探索新的方法,同時(shí)對(duì)農(nóng)村高血壓病的防治也有一定的參考價(jià)值。 研究對(duì)象與方法 一、研究對(duì)象的選擇 本研究利用之前在遼寧省彰武縣農(nóng)村進(jìn)行的EH流行病學(xué)調(diào)查的資料進(jìn)行統(tǒng)計(jì)、預(yù)測(cè)分析。該調(diào)查采用整群多級(jí)隨機(jī)抽樣的方法總計(jì)調(diào)查5208人,最后30歲以上常住人群共計(jì)4126名調(diào)查對(duì)象被納入本次研究,其中女1942人,男2184人。 二、調(diào)查內(nèi)容和檢測(cè)指標(biāo) 在現(xiàn)場(chǎng)以問詢和測(cè)量的方式填寫調(diào)查表,調(diào)查內(nèi)容主要包括：一般特征,吸煙史,飲酒史等；測(cè)量血壓、體重、身高等 現(xiàn)場(chǎng)每人采血5ml(隔夜空腹),經(jīng)離心后分離血清,分裝冰凍保存用于血清指標(biāo)檢測(cè)。 三、診斷標(biāo)準(zhǔn)和測(cè)量方法： 高血壓診斷是根據(jù)1999年WHO／ISH公布的高血壓診斷標(biāo)準(zhǔn)：收縮壓≥140mmHg和／或舒張壓≥90 mmHg或既往確診的原發(fā)性高血壓者。血壓測(cè)量及其他血清生化檢測(cè)指標(biāo)由專業(yè)醫(yī)護(hù)人員在標(biāo)準(zhǔn)條件下進(jìn)行測(cè)量。 膽固醇、甘油三酯、HDL、LDL、血清鈉、血清鉀、血清鐵、血清鈣等指標(biāo)的水平采用日本第一化學(xué)提供的7150型全自動(dòng)生化分析儀,用比色法進(jìn)行分析。血糖水平采用美國(guó)強(qiáng)生公司生產(chǎn)的穩(wěn)捷基礎(chǔ)型血糖分析儀,用滴血法進(jìn)行分析。 四、神經(jīng)網(wǎng)絡(luò)模型的建立 ANNs模型采用含有一個(gè)隱含層的三層BP神經(jīng)網(wǎng)絡(luò)模型。模型輸入層的神經(jīng)元為單因素分析中P0.05的與高血壓相關(guān)的因素,輸出層有1個(gè)神經(jīng)元(即按照診斷標(biāo)準(zhǔn)判斷研究對(duì)象是否患高血壓),隱含層的神經(jīng)元個(gè)數(shù)通過實(shí)驗(yàn)根據(jù)均方誤差擇優(yōu)確定。隱含層的激活函數(shù)為tansig,輸出層的激活函數(shù)為logsig。 本研究將4126例資料按照性別、年齡進(jìn)行均衡后按3：1的比例隨機(jī)分為訓(xùn)練總集(3096例)和測(cè)試集(1030例)兩部分,分別用于模型的建立和測(cè)試。為了防止ANNs過渡擬合,在ANNs模型的訓(xùn)練過程中,又將訓(xùn)練總集(3096例)按3：1的比例隨機(jī)分為訓(xùn)練集(2334例)和檢驗(yàn)集(762例),利用檢驗(yàn)集時(shí)時(shí)地檢查訓(xùn)練效果。 五、資料統(tǒng)計(jì)分析方法 用Matlab7.1軟件編程建立ANNs預(yù)測(cè)模型。用spss13.0統(tǒng)計(jì)軟件建立二分類非條件Logistic回歸的高血壓預(yù)測(cè)模型和繪制模型預(yù)測(cè)識(shí)別的ROC曲線。預(yù)測(cè)概率的判別標(biāo)準(zhǔn)為0.5,即p≥0.5時(shí)預(yù)測(cè)結(jié)果為患高血壓,否則為不患高血壓。統(tǒng)計(jì)學(xué)顯著性水平規(guī)定為α=0.05。 結(jié)果 一、非條件單因素Logistic回歸模型進(jìn)行高血壓預(yù)測(cè) 對(duì)調(diào)查數(shù)據(jù)進(jìn)行高血壓的單因素分析,篩選出p0.05的因素作為預(yù)測(cè)模型的輸入變量,共22個(gè)因素與高血壓有關(guān)。 二、非條件多因素Logistic回歸模型進(jìn)行高血壓預(yù)測(cè) (一)建立非條件多因素Logistic回歸模型 對(duì)訓(xùn)練總集的3096例樣本進(jìn)行非條件多因素Logistic回歸分析,將單因素篩選出的指標(biāo)作為自變量(身高、體重已轉(zhuǎn)化為BMI故未進(jìn)入模型),以研究對(duì)象是否患高血壓為因變量建立多因素Logistic回歸模型。模型采用最大似然估計(jì)前進(jìn)法進(jìn)行逐步回歸分析,入選變量的標(biāo)準(zhǔn)是p0.05,剔除變量的標(biāo)準(zhǔn)是p0.10。經(jīng)逐步回歸后,共有9個(gè)因素進(jìn)入模型,模型改善情況檢驗(yàn)(x2=4.335)和整個(gè)模型檢驗(yàn)(x2=1439.457)。整個(gè)訓(xùn)練總集的分類一致率為78.42%,特異度為80.45%,靈敏度為76.62%, (二)利用非條件多因素Logistic回歸模型預(yù)測(cè) 用上述Logistic回歸模型預(yù)測(cè)測(cè)試集(1030例)研究對(duì)象是否患高血壓。經(jīng)模型預(yù)測(cè),測(cè)試集一致率為77.48%,特異度為80%,靈敏度為74.85%。三、BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行預(yù)測(cè) (一)建立BP神經(jīng)網(wǎng)絡(luò)模型 建立一個(gè)三層的BPANNs模型,以單因素篩選出的全部22個(gè)因素作為輸入變量,其隱含層設(shè)為22個(gè)神經(jīng)元,輸出層1個(gè)神經(jīng)元(即是否患EH)。目標(biāo)誤差取0.01,學(xué)習(xí)速率取0.1,最大訓(xùn)練周期2000。經(jīng)過17步訓(xùn)練,此時(shí)訓(xùn)練中均方誤差MSE為0.126262,梯度Gradient為137.276／le-010,網(wǎng)絡(luò)的訓(xùn)練由于檢驗(yàn)集均方誤差達(dá)到極小值而結(jié)束。測(cè)試訓(xùn)練好的BPANNs模型的擬合效果,訓(xùn)練集的分類一致率為81.06%,檢驗(yàn)集的分類一致率為77.95%,整個(gè)訓(xùn)練總集的分類一致率為80.30%,特異度為84.48%,靈敏度為76.16%。 (二)利用BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行預(yù)測(cè) 用上述BPANNs模型預(yù)測(cè)測(cè)試集(1030例)研究對(duì)象是否患高血壓,測(cè)試結(jié)果見表5。其測(cè)試集分類一致率為78.83%,特異度為81.57%,靈敏度為76.42%。 四、BP神經(jīng)網(wǎng)絡(luò)模型與Logistic回歸模型高血壓預(yù)測(cè)比較 (一)預(yù)測(cè)結(jié)果的比較 神經(jīng)網(wǎng)絡(luò)模型的分類一致率、靈敏度、特異度均高于Logistic回歸模型。 (二)ROC曲線面積比較 利用SSPS13.0繪出多因素Logistic回歸模型和BPANNs模型的ROC曲線,多因素Logistic回歸模型的ROC曲線下面積為0.782,95%可信區(qū)間為[0.768,0.797],BPANNs模型的ROC曲線下面積為0.800,95%可信區(qū)間為[0.786,0.814]。 討論 高血壓的病因復(fù)雜,影響高血壓患病的危險(xiǎn)因素是多方面的,一些危險(xiǎn)因素之間可能存在交互作用、多重共線性,這些復(fù)雜的關(guān)系影響預(yù)測(cè)模型的擬合,嚴(yán)重干擾了高血壓的預(yù)測(cè)和病因研究工作。因此本研究利用遼寧省彰武縣農(nóng)村人群的調(diào)查資料建立高血壓的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型,并與傳統(tǒng)方法的Logistic回歸模型相比較,以探討神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)高血壓發(fā)病的能力。 神經(jīng)網(wǎng)絡(luò)模型建立過程中各函數(shù)、參數(shù)的設(shè)置并沒有統(tǒng)一的標(biāo)準(zhǔn),需要針對(duì)具體問題具體分析。本研究建立的模型是以誤差反向后傳學(xué)習(xí)算法而得名的BP神經(jīng)網(wǎng)絡(luò),它是醫(yī)學(xué)領(lǐng)域應(yīng)用最廣泛的一種神經(jīng)網(wǎng)絡(luò),集中體現(xiàn)了神經(jīng)網(wǎng)絡(luò)中最精華的部分。因?yàn)閷?duì)于任何在閉區(qū)間內(nèi)的一個(gè)連續(xù)函數(shù)都可以用單隱含層的BP神經(jīng)網(wǎng)絡(luò)逼近,所以本研究采用了含有一個(gè)隱含層的三層BP神經(jīng)網(wǎng)絡(luò)�？紤]到輸入層神經(jīng)元個(gè)數(shù)過多對(duì)樣本量的要求較高,所以只選擇了與高血壓密切相關(guān)的因素作為輸入變量,即單因素分析中p0.05的因素。對(duì)于輸入變量中的多分類變量(如民族)采取設(shè)置啞變量的處理方法,以方便模型更好的利用數(shù)據(jù)信息。隱含層的神經(jīng)元個(gè)數(shù)和訓(xùn)練函數(shù)是根據(jù)試驗(yàn)來確定的,試驗(yàn)顯示,相對(duì)于其他取值,神經(jīng)元個(gè)數(shù)為22訓(xùn)練函數(shù)為trainlm時(shí)均方誤差既小又穩(wěn)定,網(wǎng)絡(luò)的初始權(quán)值取(0～1)區(qū)間的隨機(jī)數(shù),由于初始值不同建立ANNs模型也不同,所以經(jīng)多次試驗(yàn)選出最優(yōu)的模型。為了避免過度擬合,本研究利用檢驗(yàn)集在訓(xùn)練過程中隨時(shí)監(jiān)督訓(xùn)練。 在本研究中,神經(jīng)網(wǎng)絡(luò)模型的分類一致率、靈敏度、特異度均高于Logistic回歸模型,Logistic回歸模型的分類一致率為77.48%,神經(jīng)網(wǎng)絡(luò)模型為78.83%。可以看出神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)能力略優(yōu)于Logistic回歸模型。本研究利用ROC曲線來評(píng)價(jià)兩種模型的預(yù)測(cè)效果,Logistic回歸模型和ANNs模型的AUC分別為0.782,0.800,同樣提示,對(duì)于高血壓這樣的致病因素多而且各因素間關(guān)系復(fù)雜的疾病,神經(jīng)網(wǎng)絡(luò)模型的擬合效果略好一些。 神經(jīng)網(wǎng)絡(luò)尚存在一些問題有待解決。首先,神經(jīng)網(wǎng)絡(luò)的建立隨著參數(shù)、函數(shù)、初始值等的設(shè)置而變化,這些設(shè)置的正確性缺乏理論依據(jù),只能依靠經(jīng)驗(yàn)和試驗(yàn)來確定；其次,神經(jīng)網(wǎng)絡(luò)不能像Logistic回歸模型那樣有一個(gè)公認(rèn)的模型輸入變量的準(zhǔn)入和剔出原則；再次,各因素對(duì)因變量作用的醫(yī)學(xué)解釋尚不明確,以及其假設(shè)檢驗(yàn)方法和可信區(qū)間等問題仍有待進(jìn)一步研究。 結(jié)論 試驗(yàn)表明對(duì)于高血壓這樣的復(fù)雜疾病,神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的預(yù)測(cè)能力略優(yōu)于Logistic回歸模型。因此可以作為L(zhǎng)ogistic回歸模型的必要補(bǔ)充,神經(jīng)網(wǎng)絡(luò)在復(fù)雜疾病的預(yù)測(cè)方面具有廣闊應(yīng)用前景。
【關(guān)鍵詞】：神經(jīng)網(wǎng)絡(luò) 高血壓預(yù)測(cè) Logistic回歸
【學(xué)位授予單位】：中國(guó)醫(yī)科大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2010
【分類號(hào)】：R544.1
【目錄】：

• 一、摘要4-16
• 中文論著摘要4-9
• 英文論著摘要9-16
• 二、英文縮略語16-17
• 三、論文17-30
• 前言17-18
• 研究對(duì)象與方法18-21
• 結(jié)果21-27
• 討論27-29
• 結(jié)論29-30
• 四、本研究創(chuàng)新性的自我評(píng)價(jià)30-31
• 五、參考文獻(xiàn)31-33
• 六、附錄33-48
• 綜述33-47
• 致謝47-48
• 個(gè)人簡(jiǎn)介48

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 陳建新;西廣成;王偉;趙慧輝;陳靜;;數(shù)據(jù)挖掘分類算法在冠心病臨床應(yīng)用的比較[J];北京生物醫(yī)學(xué)工程;2008年03期

2 趙一鳴;分類與回歸樹——一種適用于臨床研究的統(tǒng)計(jì)分析方法[J];北京大學(xué)學(xué)報(bào)(醫(yī)學(xué)版);2001年06期

3 馬海英;;基于神經(jīng)網(wǎng)絡(luò)及Logistic回歸的混合信用卡評(píng)分模型[J];華東理工大學(xué)學(xué)報(bào)(社會(huì)科學(xué)版);2008年02期

4 龐蓓蕾;劉力松;;高血壓病患者飲食結(jié)構(gòu)的調(diào)查分析[J];護(hù)理學(xué)雜志;2006年21期

5 熊友珍;王旋;;高血壓的危險(xiǎn)因素及研究進(jìn)展[J];湖南環(huán)境生物職業(yè)技術(shù)學(xué)院學(xué)報(bào);2008年01期

6 傅傳喜;馬文軍;梁建華;王大虎;王聲ng;;高血壓危險(xiǎn)因素logistic回歸與分類樹分析[J];疾病控制雜志;2006年03期

7 許雷;費(fèi)新軍;曹源;姚志揚(yáng);莊家毅;;連云港市城區(qū)居民高血壓患病現(xiàn)狀及危險(xiǎn)因素分析[J];疾病控制雜志;2006年06期

8 薛海峰;閆宏;王騁;尹慧;;膳食營(yíng)養(yǎng)素?cái)z入量與高血壓關(guān)系研究[J];齊齊哈爾醫(yī)學(xué)院學(xué)報(bào);2007年06期

9 楊艷軍;曾俊濤;;�？诘貐^(qū)高校教師高血壓患病率與相關(guān)因素調(diào)查[J];中國(guó)熱帶醫(yī)學(xué);2008年09期

10 邸茹杰,華琦;青少年原發(fā)性高血壓臨床特點(diǎn)分析與運(yùn)動(dòng)干預(yù)[J];中國(guó)臨床康復(fù);2003年15期

  本文關(guān)鍵詞：利用人工神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)原發(fā)性高血壓的研究，，由筆耕文化傳播整理發(fā)布。

本文編號(hào)：277805