基于BP神经网络的糖尿病视网膜病变预警方法技术

基于BP神经网络的糖尿病视网膜病变预警方法，基于BP神经网络理论，建立一个新的糖尿病发病预警模型，它可以通过识别疾病的关键标志物的指标值来预警糖尿病的发病情况。本研究通过多次调节BP神经网络的函数与神经元参数，得到了训练效果最优、试验误差最低的网络模型，获取该网络状态下的权重矩阵，对各个医疗指标在传递过程中的权重数据做分层聚类分析，选取权重较高且聚类距离最近的分子模块作为疾病预警的关键标志物，既研究个体体征指标在疾病预警时的独立重要性，也关注了他们之间诱导疾病发生的协调相关性，在糖尿病并发症的研究中具有独特的优势。究中具有独特的优势。究中具有独特的优势。

【技术实现步骤摘要】
基于BP神经网络的糖尿病视网膜病变预警方法


[0001]本专利技术涉及生物医学领域，具体说的是基于BP神经网络的糖尿病视网膜病变预警方法。

技术介绍

[0002]截止到目前，糖尿病发展成为继心血管疾病、恶性肿瘤疾病之后的第三大慢性疾病，其中，糖尿病是一种临床上异质性的葡萄糖不耐受综合征，主要是由于自身免疫介导的选择性胰岛β细胞损伤导致的胰岛素缺乏和糖代谢紊乱为特征的代谢性疾病。人体内的血糖含量长期过高会给健康带来严重的风险，某些糖尿病患者会出现某种形式的视网膜病，这类并发症被称为糖尿病视网膜病变。而当前国内外针对糖尿病并发症的发病机制和预警研究相比1型糖尿病与2型糖尿病较为鲜见。既往针对糖尿病并发症的风险预警的研究通常依赖于大量的生化指标或基因序列的检测，而这需要较为繁琐的检测与诊断流程。，糖尿病视网膜病变作为糖尿病的微血管并发症，会导致视网膜进行性损害，也是当前全球主要致盲原因。但目前关于糖尿病视网膜病变的患病风险预警方面的研究还较少，因检测复杂及数据不准确，也没有一个很好的预测方法，实现糖尿病视网膜病变预警。

技术实现思路

[0003]为解决上述技术问题，本专利技术提供一种基于BP神经网络的糖尿病视网膜病变预警方法，基于BP神经网络理论，建立一个新的糖尿病发病预警模型，它可以通过识别疾病的关键标志物的指标值来预警糖尿病的发病情况。
[0004]为实现上述技术目的，所采用的技术方案是：基于BP神经网络的糖尿病视网膜病变预警方法，包括以下步骤：步骤1、建立改进的BP神经网络模型步骤1.1、以糖尿病患者的m个指标作为输入样本，以l个指标作为输出值，建立包括输入层、隐含层和输出层的基础BP神经网络，m个指标对应n个数据集样本，n个数据集样本按75％：25％的比例划分为训练集与测试集；步骤1.2、利用训练集对基础BP神经网络进行训练，训练时通过节点传递函数、训练函数、网络学习函数以及性能分析函数对基础BP神经网络进行反馈调节，得到训练后的BP神经网络；步骤1.3、利用测试集在输出层的训练值和测试集在输出层的实际值，检验步骤1.2得到的训练后的BP神经网络预测误差率G，当训练后的BP神经网络误差率G小于0.05时，此训练后的BP神经网络即为改进的BP神经网络模型，反之，重复步骤1.2；步骤2、基于关键标志物的疾病预警步骤2.1、根据改进的BP神经网络模型，记录每个指标在隐含层传递的权重占比W
ij
，选取权重占比排序前5％的指标作为高权重指标；步骤2.2、对高权重指标做分层聚类分析，将高权重指标从所有指标中提取出来，
作为关键标志物；步骤2.3、构造预警指数EWI其中表示关键标志物中的每一个指标在n个数据集样本中的均值，SN
t
表示关键标志物的标准化分数的样本倾斜度，ρ
in
为关键标志物内部成员的相关系数，ρ
out
表示位于关键标志物内部的成员与其外部成员之间的相关性；步骤2.4、将预警指数EWI与设定的预警指数进行实时比较，若低于或高于设定的预警指数，发出预警信号。
[0005]训练后的BP神经网络预测误差率G的计算方法是训练后的BP神经网络预测误差率G的计算方法是训练后的BP神经网络预测误差率G的计算方法是其中，GE
p
表示第p个测试集在所有输出层节点的预测误差，p＝1，2，
…
，m，GE表示m个测试集在所有输出层节点下的预测误差，D
k
(y
p
)为测试集在输出层第k个节点的实际值，O
k
(y
p
)为测试集在输出层第k个节点的训练值，y
p
表示测试集的样本数据。
[0006]以S型函数
‘
tansig
’
与
‘
logsig
’
作为节点传递函数，以动量反传的梯度下降算法
‘
trainlm
’
作为训练函数，以带动量项的函数
‘
learngdm
’
作为网络学习函数，以均方差MSE作为性能分析函数。
[0007]关键标志物中的每一个指标在n个数据集样本中的均值的计算方法为关键标志物中的每一个指标在n个数据集样本中的均值的计算方法为其中，x
tj
表示关键标志物中第t个指标在第j个样本中的值，j＝1，...，n，n为数据集样本个数。
[0008]关键标志物的标准化分数的样本倾斜度计算方法是其中，y
tj
为关键标志物的指标数据x
tj
进行标准化后的数据。
[0009]关键标志物内部成员的相关系数ρ
in
和位于关键标志物内部的成员与其外部成员之间的相关性ρ
out
的计算方法为的计算方法为其中，x
tj
表示关键标志物中第i个指标在第j个样本中的值，x
aj
表示关键标志物中第a个指标在第j个样本中的值，z
bj
表示非关键标志物中的第b个指标在第j个样本中的值，a≠t，j＝1，...，n，n表示数据集样本个数，M和N分别表示关键标志物与非关键标志物的指标集合。
[0010]本专利技术有益效果是：本专利技术重点提出了一种基于BP神经网络的糖尿病视网膜病变预警方法，该算法中用到的BP神经网络处理复杂关系的能力很突出，在网络各层节点的传递过程中，网络权重扮演着很重要的角色。如何获得、分析并合理应用的各层单元之间的权重矩阵，也是本文的一个研究特色。本研究通过多次调节BP神经网络的函数与神经元参数，得到了训练效果最优、试验误差最低的网络模型，获取该网络状态下的权重矩阵，对各个医疗指标在传递过程中的权重数据做分层聚类分析，选取权重较高且聚类距离最近的分子模块作为疾病预警的关键标志物，既研究个体体征指标在疾病预警时的独立重要性，也关注了他们之间诱导疾病发生的协调相关性，在糖尿病并发症的研究中具有独特的优势。
附图说明
[0011]图1为本专利技术基于BP神经网络的预测值与实际值对比图；图2为本专利技术基于BP神经网络的空腹血糖的相对预测误差率图；图3为糖尿病视网膜病变的指标重要度识别三维曲面图；图4为诱导糖尿病视网膜病变的关键标志物的探测排列图；图5为关键标志物的内部相关性示意图；图6为关键标志物与非关键标志物指标之间的相关性示意图；图7为基于关键标志物对糖尿病视网膜病变的预警示意图。
具体实施方式
[0012]本专利技术基于BP神经网络理论，建立一个新的糖尿病发病预警模型，它可以通过识别疾病的关键标志物的指标值来预警糖尿病的发病情况。该方法优于其他的方法，它可以探测出影响糖尿病视网膜病变患病的关键标志物，在临床中我们只需要对关键标志物进行检测，并利用算法计算该关键标志物的风险预警值，进一步完善糖尿病并发症中的关键预警因素的识别，为疾病的科学诊断和治疗提供更多参考和依据。研究过程中使用来自于“国家人口健康科学数据中心数据仓储PHD本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于BP神经网络的糖尿病视网膜病变预警方法，其特征在于，包括以下步骤：步骤1、建立改进的BP神经网络模型步骤1.1、以糖尿病患者的m个指标作为输入样本，以l个指标作为输出值，建立包括输入层、隐含层和输出层的基础BP神经网络，m个指标对应n个数据集样本，n个数据集样本按75％：25％的比例划分为训练集与测试集；步骤1.2、利用训练集对基础BP神经网络进行训练，训练时通过节点传递函数、训练函数、网络学习函数以及性能分析函数对基础BP神经网络进行反馈调节，得到训练后的BP神经网络；步骤1.3、利用测试集在输出层的训练值和测试集在输出层的实际值，检验步骤1.2得到的训练后的BP神经网络预测误差率G，当训练后的BP神经网络误差率G小于0.05时，此训练后的BP神经网络即为改进的BP神经网络模型，反之，重复步骤1.2；步骤2、基于关键标志物的疾病预警步骤2.1、根据改进的BP神经网络模型，记录每个指标在隐含层传递的权重占比W
ij
，选取权重占比排序前5％的指标作为高权重指标；步骤2.2、对高权重指标做分层聚类分析，将高权重指标从所有指标中提取出来，作为关键标志物；步骤2.3、构造预警指数EWI其中表示关键标志物中的每一个指标在n个数据集样本中的均值，SN
t
表示关键标志物的标准化分数的样本倾斜度，ρ
in
为关键标志物内部成员的相关系数，ρ
out
表示位于关键标志物内部的成员与其外部成员之间的相关性；步骤2.4、将预警指数EWI与设定的预警指数进行实时比较，若低于或高于设定的预警指数，发出预警信号。2.如权利要求1所述的基于BP神经网络的糖尿病视网膜病变预警方法，其特征在于：训练后的BP神经网络预测误差率G的计算方法是练后的BP神经网络预测误差率G的计算方法是练后的BP神经网络预测误差率G的计算方法是其中，GE
p
表示第p个测试集在所有输出层节点的预测误差，p＝1，2，
…
,m，GE表示m个测试集在所有输出层节点下的预测误差，D
k
(y
p
)为测试集在输出层第k个节点的实...

【专利技术属性】
技术研发人员：李培峦，李沛谕，闫金铃，仝利红，陈曦，
申请(专利权)人：河南科技大学，
类型：发明
国别省市：