1、采用人工神经网络和遗传算法预测和诊断血栓栓塞性中风1采用人工神经网络和遗传算法预测和诊断血栓栓塞性中风摘要利用假设数据对五十例脑卒中患者的后向传播神经网络算法进行了验证。对于数据集分为训练集和测试集，验证数据集是从测试数据中随机选取。将数据集分为训练集和测试集，验证数据集从测试数据中随机选择。四零二（42）的数据集被用于训练集，而八个数据集被用于测试。四个数据被选择从测试集和用于验证。编写 MATLAB 程序进行训练，测试和验证的神经网络。三种不同结构的 5、10 和 20 在网络隐层神经元进行了测试，避免过拟合和误差后，神经网络有 10 个隐层神经元被选为最好的建筑。当 100 和 1000
2、 次迭代后，分别得到了 5 和 10 个隐层神经元的收敛性。10 个隐层神经元的体系结构在 50 次迭代后的训练误差收敛到 0。采用遗传算法对输入参数进行优化后，对神经网络进行了训练和测试。总体预测精度对血栓栓子提供了 90%。关键词:血栓栓塞、人工神经网络、结构、遗传算法、训练、校验、测试和反向传播算法1.介绍大脑是身体控制的中心。他控制思想、记忆、讲话和行动。他控制着许多器官的运行。当大脑是健康的，他可以高效自动运作。然而，当发生紊乱，后果是毁灭性的。其中一种普通的脑部疾病是中风，也叫脑部侵袭（一种临床急症）。中风是一种危及生命的事件，大脑中的一部分没有得到足够的氧气。在欧洲和美国，中风是
3、总的医疗费用（即不包括社会照顾和间接费用）的重要组成部分。中风的特点是血液循环在大脑的某个区域突然流失，从而导致相应的神经功能丧失。采用人工神经网络和遗传算法预测和诊断血栓栓塞性中风2有不同类型的中风即脑发作，脑栓塞，血栓中风，缺血性脑卒中，脑血管异常（CVA）。医疗人员治疗中风的挑战是尽快治疗病人，以避免永久性组织损伤或死亡。中风是导致死亡的主要原因，近一半的死亡发生在医院外。中风是导致死亡的第三大原因，仅次于心脏病和癌症。大多数的恢复过程中发生在中风后的最初几个月。根据国家卫生研究所，中风的风险越大，恢复过程越慢。血栓栓塞性中风是由脂肪在动脉携带血液到大脑之前已经堆积。这会减慢血液流动，并
4、会导致血栓形成，形成在狭窄或阻塞氧气和营养物质在大脑中的流动。它也是由身体的另一部分形成的一个血凝块形成的，它打破了松散的，穿过血流，并阻断动脉携带氧气和营养物质到大脑。当血凝块在身体流动，即称为栓子。中风的症状通常是突然出现的。突然中风发病的区别于其他疾病如偏头痛或脑肿瘤。治疗可减少中风的潜在破坏性影响，但要得到它们，一个必须认识到的警告症状和什么增加了脑发作的概率的危险因素。脑疾病的症状和危险因素有很大的不同，这取决于具体的问题。在某些情况下，损坏是永久性的。在其他情况下，如手术，药物或物理治疗的治疗可以纠正的问题或改善症状的来源。神经网络是许多可以用来预测医疗数据的一个数据挖掘分析工具。
5、神经网络提供了一种很一般的接近问题的方法。当网络的输出是连续的，它进行预测，当输出具有离散值，然后它做分类。一个简单的重排的神经元和网络变得善于检测集群。随着计算机在医院，一个巨大的数据量可以收集。特别是人工神经网络（人工神经网络）技术在医学领域的应用，可能会导致降低死亡率，成本，时间，医疗错误和需要的人的专业知识。2.文献综述计算机辅助决策支持在医学上至少有助于提高护理的一致性。它有罕见的潜在条件，由于没有临床专家预计可以拥有所有疾病的特殊表现的百科知识，即使在一个专业领域。sarita 出版社10研究了模糊专家系统设计为前列腺癌采用人工神经网络和遗传算法预测和诊断血栓栓塞性中风3的诊断。他
6、们开发了一个基于规则的模糊专家系统（FES），利用实验数据并模拟专家医生的行为。系统采用 MATLAB 6.5 开发援助。结果表明，FES 给的诊断数据与来自布拉维尔出版社 11 和 克朗出版社12的 4614 例患者的数据相近。亚当等 13 提出了遗传算法和神经网络的计算机化乳腺癌诊断。凯鲁丁奥玛尔提出了用遗传算法计算了神经网络结构的每一层的最佳初始体重的方法。在挖掘的过程中，采用反向传播的多层感知器。可用的数据集对乳腺癌进行了研究，并进行了预处理的清洁数据，为采矿进程做准备。他们发现，医疗数据在保持原始值上是最好的，因为它给了高精度比例而改变数据. 大师出版社。15研究了决策支持系统使用神
7、经网络对心脏疾病的诊断。他们建议在心脏病的诊断和训练，使用反向传播算法的监督网络。该系统被训练了 78 名患者的记录。他们的结论是不精确的输入，以检索所需的输出或最接近所需的输出的数据的成功率是 100%。Thakur 出版社16提出使用神经网络局部缺血中风的早期诊断，是师出版社15的进一步提高。他们提供了 280 个样本，其中 10 个样本是脑缺血脑卒中的危险因素与症状的结合。训练误差的限制是保持在 1 e-8。通过数据集进行验证和测试网络。三分之二个数据用于验证和三分之一个数据用于测试。对此，MATLAB 程序的开发模型和训练神经网络实现精度 99.99%。Kavitha 出版社17通过结
8、合遗传算法与神经网络检测心脏疾病是大师出版社15的进一步提升。他们提出了进化神经网络的建模和设计，用于心脏病的检测。数据集包含 270 个病人的记录，每个病人的状态被定义为 13 个参数。150 个病人的记录用于训练数据集和其余 120 个用于测试数据集。他们设想将来开发一个专家系统，用于心脏病的检测。关于这个提出的系统，他们希望，心脏病检测诊断系统的设计将变得容易，成本效益，可靠和高效。Karegowda出版社8 对糖尿病的预测最近的一项研究提出的遗传算法优化神经网络的连接权值的皮马印第安人糖尿病医疗诊断中的应用。检查共 768 例。该数据集按60-40 比例分为训练和测试。他们的结论是，混
9、合 GA-BPN 表明 BPN 分类精度大幅度提高。显著的特点被 DT（决策树）和 ga-cfs（基于相关性的特征选择）选择，进一步增强 GA-BPN 分类精度。采用人工神经网络和遗传算法预测和诊断血栓栓塞性中风43.数学模型和建构3.1 方程式二元 S 型传递函数作为网络中的每个节点的激活函数是这样定义的：3.1S 型传递函数和限制网络中的所有节点的输出是 0 和 1 之间。输入的 XJ 乘以各自的权重的总和是这样定义的：3.2WKJ是 jth 神经元输入到 kth 输出层神经元的权值，X J 是 jth 输入到神经元。计算的误差函数：3.3其中 d j = jth 输出神经元的实际数据yj
10、 = jth 输出神经元的计算数据m = 神经元编号n = 训练步骤反向传播算法为训练人工神经网络和更新权重的计算如下：3.4其中 w kij = 从 K 层单元 I 到 K+1 单元 j 连接的权重 = 学习率（常量） Kj = 信号误差采用人工神经网络和遗传算法预测和诊断血栓栓塞性中风5Ii = 输入向量的网络f(s)= 网络的 S 型传递函数的导数s = 所有权重的总和3.2 被提议的患者数据根据医学教材中提取的信息，制定一个有中风症状的 50 例患者的一个假设的数据。为了在本质上无错，数据标准化。表 3.1 下面显示的各种输入参数的预测中风病。表 3.1：中风预测的输入参数代码 输入列
11、名称X1 高血压患者X2 糖尿病X3 心肌梗死X4 心力衰竭X5 心房颤动X6 吸烟X7 血胆固醇X8 左手臂和腿部瘫痪X9 右手臂和腿部瘫痪X10 讲话含糊不清X11 眼花X12 持续头痛X13 呕吐X14 失忆X15 吞咽困难X16 视力障碍X17 瞬态复视X18 眩晕采用人工神经网络和遗传算法预测和诊断血栓栓塞性中风6X19 麻痹X20 头昏眼花在表 3.2 中给出的各种类型的中风病及其分类，从输入的神经网络产生的结果在表 3.2 如下：表 3.2 脑卒中疾病分类及其等级代码 输出D1 短暂性脑缺血发作D2 左偏瘫D3 右偏瘫D4 言语障碍症D5 局部麻痹D6 左边视力缺失D7 失语症D
12、8 右边半身麻木D9 吞咽困难D10 四肢麻痹3.3 神经网络结构与遗传算法框架神经网络的结构是多层前馈网络体系结构，具有 20 个输入节点，10 个隐藏节点，和 10 个输出节点。输入节点的数目是由最后确定的数据确定的；通过试验和误差确定隐藏节点的数目；输出节点的数目被表示为一个范围示出的疾病分类。训练一个神经网络，包括修改网络的权重和偏见，以尽量减少成本函数。成本函数是一个错误的术语，它测量了网络的预测的接近程度，在训练集的例子中的类标签。神经网络体系结构如图 3.1 所示，遗传算法框架如图 3.2所示：采用人工神经网络和遗传算法预测和诊断血栓栓塞性中风7图 3.1 脑卒中预测的最佳神经网
13、络结构 图 3.2 标准遗传算法4. 结果与讨论4.1 结果在这项研究工作中，提供了五十样本的不同症状的中风患者训练和测试网络。神经网络的 MATLAB 编写的程序语言是用来确定最佳的试验结果。不同的神经网络体系结构也进行了测试。运行程序后获得的结果如下所示： 采用人工神经网络和遗传算法预测和诊断血栓栓塞性中风8图 4.1 训练误差与 5 个隐层神经元隐层神经元的迭代采用人工神经网络和遗传算法预测和诊断血栓栓塞性中风9图 4.2 训练误差与迭代使用 10采用人工神经网络和遗传算法预测和诊断血栓栓塞性中风10图 4.3 训练误差与迭代 20 个隐层神经元的迭代图 4.4 最佳结构的数据集错误4.
14、2 讨论训练神经网络可以设置最佳的权重，对每个单位的投入。目标是使用训练集来产生网络的输出，其输出与预测的预测值接近所需的输出量. 训练集是用于调整网络权值的输入数据集的一部分。测试集是输入数据集的一部分，用于测试神经网络将在新的数据上执行情况。测试集是在网络经过训练后使用的，以测试在未来的网络应用中将发生什么错误。此集合是不使用在训练过程中，因此可以被认为是由用户输入的神经网络应用程序的新的数据。此集合是不在训练过程中使用，因此可以被认为是由用户输入的神经网络应用程序的新的数据。为了获得最佳的神经网络结构，避免过拟合问题，三个不同的体系结构与5，10 和 20 个隐藏的神经元网络进行了测试。
15、过拟合发生在网络简单所有的训采用人工神经网络和遗传算法预测和诊断血栓栓塞性中风11练样本，因此，在选择测试数据时，要防止它的泛化，使之产生正确的输出。假如用于网络的隐层神经元数量过多就会出现这种情况。图 4.1 描述了使用 5个隐层神经元迭代的训练误差图。在 100 次迭代后，训练误差从 23 稳步下降，直到接近 0（即常数） 。图 4.2表示 10 个隐层神经元的训练误差与迭代。训练误差在 50 次迭代后收敛到 0。图 4.3 表示 20 个隐层神经元在迭代过程中的训练误差。训练误差随着迭代次数的增加而减少，但在 1000 次迭代后不能达到收敛。这是由于过度拟合，在网络架构中使用太多的神经元
16、的结果。如果隐层神经元的数目少的话是相反的结果。在这种情况下，神经网络将不会给出准确的结果。当五个隐层神经元在架构中的情况下发生。当使用了 10 个隐层神经元，50 次迭代后得到准确的结果并达到快速收敛，而不像其他两种情况下收敛延迟并且结果不准确。因此，带有 10 个隐层神经元的神经网络架构对于中风预测数据集是最好的架构。通过测试集网络进行了测试，其结果是已知的但没有提供给网络，可以看到训练是如何进行的。将数据集分为训练集和测试集，验证数据集从测试数据中随机选择。42%的数据集用于训练产生 84%的数据集，8%的数据集用于测试产生 16 的假设数据集。4%的数据从测试集中选择并用于验证。图4.
17、4 显示了训练集、验证集和最佳网络等各种数据集的错误。经过超过 400 次迭代的反复训练，达到最佳网络水平。测试数据集表明，基于人工神经网络的预测中风病的诊断精度达到了更高的一致性。这种人工神经网络在预测一般中风病中表现出良好的性能。图 4.5 表示在各种中风疾病的分类及百分比的基础上，用于中风预测的假设数据的数量。分析表明，分别有 2%的受访者有吞咽困难和四肢麻痹的症状；4%有右半身麻木症状；6%患有单肢瘫；分别有 8%的患者患有偏瘫和失语症。10%的患者有吞咽困难的症状，分别有 14%的患者患有短暂性脑缺血发作和右侧偏瘫症状。32%的受访者有右半身偏瘫的症状。采用人工神经网络和遗传算法预测
18、和诊断血栓栓塞性中风12图 4.5：各种中风症状及其分布比例5.结论应用神经网络算法对脑卒中患者症状的假设数据进行了验证。MATLAB 计算机编程语言已经在模拟假设数据。同时也证明了遗传算法和反向传播算法在选择神经网络的输入特征时，通过选取输入变量的组合，可以提高神经网络的性能。含有 10 个隐层神经元的神经网络结构已被选为最佳结构，以避免过度拟合和不准确。神经网络用于疾病的早期预测，因此，在医学上可以用于血栓栓塞中风的诊断和预测。人工网络模型已被用于系统开发，患者在进行更彻底的检查之前。神经网络永远不会取代专家，但他们帮助专家筛查病患并对专家的诊断进行双重检查。总之，当神经网络进行了训练和测
19、试后，优化输入参数，使用遗传算法，整体预测准确率为 90%。参考文献1. Fiez, J.A. “Lesion Segmentation and Manual Warping to a Reference Brain: Intra- and Inter observer Reliability”, Human Brain Mapping 2000, Vol. 9, pp. 192211. 2. Sudlow, C.L.M. “Comparable Studies of the Incidence of Stroke and Its Pathological Types-Results from
20、 an International Collaboration”, Stroke 1997, Vol. 28(3), pp. 491499. 采用人工神经网络和遗传算法预测和诊断血栓栓塞性中风133. Evers, M. “Economic Evaluation in Stroke Research”, J Cerebrovascular Dis 2000, Vol.11, pp. 82-91. 4. Stein, J. “Stroke and the family: a new guide”, Harvard University Press, 2004. 5. Shanthi, D., S
21、ahoo, G. and Saravanan, N. (2008) “Input Feature Selection using Hybrid Neuro-Genetic Approach in the Diagnosis of Stroke”, International Journal of Computer Science and Network Security, ISSN: 1738-7906, Vol.8, No.12, pp.99- 107. 6. Mohr, J. P. (2001), “Stroke Analysis”, 4th Edition, Oxford Press,
22、New York. 7. Haykin, S. (1999), “Neural Networks - A Comprehensive Foundation”, 2nd Ed. Prentice Hall. 8. Karegowda, A.G., Manjunath, A.S. and Jayaram, M.A. “Application of Genetic Algorithm Optimized Neural Network Connection Weights for Medical Diagnosis of Pima Indians Diabetes”, International Jo
23、urnal on Soft Computing, Vol.2, No.2, May 2011. 9. Ahmed, F.E. “Artificial Neural Networks for Diagnosis and Survival Prediction in Colon Cancer”, Mol Cancer 2005, Vol. 4, pp. 24-29. 10. Saritas, I., Allahverdi, N. and Sert, I.U. (2003) “A Fuzzy Expert System Design for Diagnosis of Prostate Cancer”
24、, International Conference on Computer Systems and Technologies. 11. Brawer, M. K. and Kirby, R.“Prostate Specific Antigen”, Second Edition, Health Press, pp. 92, 1999. 12. Seker, H., Odetayo, M., Petrovic, D. and Naguib, R.N.G., “A Fuzzy Logic Based Method for Prognostic Decision Making in Breast a
25、nd Prostate Cancers“, IEEE Trans. On Information Technology in Biomedicine, 2003. 13. Adam, A. and Omar, K. (2006), “Computerized Breast Cancer Diagnosis with Genetic Algorithms and Neural Network”, IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol 14, No 6, pg. 686-691. 14. Khairu
26、ddin Omar., Pengawalan Pemberat unutk Perambat Balik Menggunakan Algoritma Genetik: Hasil Ujikaji, Laporan Teknikal Perkembangan Penyelidikan PhD Thesis, Universiti Putra Malaysia, 2000. 15. Guru, N., Dahiya, A. and Rajpal, N. (2007), “Decision Support System for Heart Diseases Diagnosis Using Neura
27、l Network”, Delhi Business Review, Vol.8, No.1. 16. Thakur, A., Bhanot, S. and Mishra, S.N. (2009), “Early Diagnosis of Ischemia Stroke using Neural Network”, Proceedings of the International Conference on Man-Machine Systems, Batu Ferringhi, Penang, Malaysia. 17. Kavitha, K.S., Ramakrishnan, K.V. and Singh, M.K. “Modelling and Design of Evolutionary Neural Network for Heart Disease Detection”, IJCSI International Journal of Computer Science Issues, Vol. 7, Issue 5, September 2010. 采用人工神经网络和遗传算法预测和诊断血栓栓塞性中风14
