基于rbf神經(jīng)網(wǎng)絡(luò)的中醫(yī)證候診斷模型的優(yōu)化研究

綜合征是中醫(yī)臨床診斷與治療的重要因素，是中醫(yī)療效評(píng)價(jià)的依據(jù)之一。多年來(lái)對(duì)證的研究思路和方法主要集中在實(shí)驗(yàn)研究、臨床觀察、文獻(xiàn)整理和專家經(jīng)驗(yàn)上。盡管上述方法很重要,但由于對(duì)“證”這種群體集合現(xiàn)象缺乏全面把握,還僅僅停留在經(jīng)驗(yàn)積累層面,其理論結(jié)果常有時(shí)引起質(zhì)疑,而臨床流行病學(xué)和計(jì)算智能的發(fā)展為中醫(yī)“證”的研究提供了重要的方法和希望。人工神經(jīng)網(wǎng)絡(luò)(ArtificialNeuralNetworks,ANN)作為計(jì)算智能的一部分,日益受到包括中醫(yī)學(xué)者在內(nèi)的多學(xué)科學(xué)者的關(guān)注。當(dāng)前人工神經(jīng)網(wǎng)絡(luò)中前饋神經(jīng)網(wǎng)絡(luò),尤其是BP(Back-PropagationNetwork)網(wǎng)絡(luò)在實(shí)際應(yīng)用中是最為廣泛的一類。但大部分基于反向傳播的前饋神經(jīng)網(wǎng)都有兩個(gè)共同的缺點(diǎn),即網(wǎng)絡(luò)收斂速度慢,易于陷入局部極小。RBF神經(jīng)網(wǎng)絡(luò)避免了反向傳播那樣繁瑣、冗長(zhǎng)的計(jì)算,且在逼近能力、分類能力等方面都優(yōu)于BP網(wǎng)絡(luò)。RBF神經(jīng)網(wǎng)絡(luò)是三層網(wǎng)絡(luò),即輸入層、徑向基層(也稱隱層)和線性層。RBF神經(jīng)網(wǎng)絡(luò)具有可以逼近任意非線性映射的能力,且算法簡(jiǎn)單、實(shí)用,因而成為人們研究的熱點(diǎn)。近年來(lái),RBF網(wǎng)絡(luò)在信號(hào)處理、系統(tǒng)建模、過(guò)程控制和故障診斷等領(lǐng)域得到了成功的應(yīng)用?；诰垲惙治龅腞BF神經(jīng)網(wǎng)絡(luò)能夠克服以往RBF網(wǎng)絡(luò)存在的學(xué)習(xí)訓(xùn)練的難題,即高維數(shù)據(jù)問(wèn)題。因此,基于聚類分析的RBF神經(jīng)網(wǎng)絡(luò)可用于大數(shù)據(jù)、多樣本、無(wú)明確函數(shù)關(guān)系的復(fù)雜問(wèn)題。本文首先介紹了徑向基神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),其次建立了基于聚類分析的RBF神經(jīng)網(wǎng)絡(luò)模型,最后通過(guò)模型檢驗(yàn)驗(yàn)證了基于聚類分析的RBF神經(jīng)網(wǎng)絡(luò)用于中醫(yī)證候診斷的有效性和實(shí)用性。1rbf神經(jīng)網(wǎng)絡(luò)RBF神經(jīng)網(wǎng)絡(luò)有三層組成,即輸入層、隱層和輸出層,其結(jié)構(gòu)如圖1所示。輸入層節(jié)點(diǎn)只傳遞輸入信號(hào)到隱層,隱層單元的作用相當(dāng)于對(duì)輸入模式進(jìn)行一次變換,將低維(或高維)的模式輸入數(shù)據(jù)變換到高維(或低維)空間內(nèi),以利于輸出層進(jìn)行分類識(shí)別。設(shè)輸入層節(jié)點(diǎn)、隱層節(jié)點(diǎn)和輸出層節(jié)點(diǎn)數(shù)分別為N,L,M,隱層單元為高斯函數(shù)即ri(x)=exp(?∥x?ci∥22a2i)1≤i≤Lri(x)=exp(-∥x-ci∥22ai2)1≤i≤L其中,x=(x1,x2…xN),Ci=(ci1,ci2…ciN)是隱層第i個(gè)單元的變換中心矢量,ai是對(duì)應(yīng)第i個(gè)中心矢量的形狀參數(shù),它決定了該基函數(shù)圍繞中心點(diǎn)的寬度?！瑇-ci‖表示x和ci之間的距離,x越靠近c(diǎn)i,xi(x)的值越大,ri(x)的值在0到1之間。徑向基神經(jīng)網(wǎng)絡(luò)的輸出層節(jié)點(diǎn)為線性處理單元,其中第i個(gè)單元對(duì)應(yīng)的輸出為:yj=∑i=1Lwjiri(x)+bj1≤j≤Mj為輸出層的節(jié)點(diǎn)數(shù)yj=∑i=1Lwjiri(x)+bj1≤j≤Μj為輸出層的節(jié)點(diǎn)數(shù)在RBF神經(jīng)網(wǎng)絡(luò)中,隱層RBF中心的數(shù)量和寬度直接影響著網(wǎng)絡(luò)的逼近能力,而且要求RBF中心應(yīng)能覆蓋整個(gè)輸入空間,但如果RBF中心的數(shù)量過(guò)多,將使網(wǎng)絡(luò)的計(jì)算量顯著增加,而且還會(huì)導(dǎo)致網(wǎng)絡(luò)的泛化能力降低。因此,建立RBF網(wǎng)絡(luò)模型的關(guān)鍵在于選擇合適的RBF中心。2基于聚類分析的徑向神經(jīng)網(wǎng)絡(luò)模型2.1聚類分析算法聚類分析是依據(jù)樣本間關(guān)聯(lián)的量度標(biāo)準(zhǔn)將其自動(dòng)分成幾個(gè)群組,且使同一群組內(nèi)的樣本相似,而屬于不同群組的樣本相異的一種方法。一個(gè)聚類分析系統(tǒng)的輸入是一組樣本和一個(gè)度量?jī)蓚€(gè)樣本間相關(guān)聯(lián)的度量標(biāo)準(zhǔn)。聚類分析的輸出是數(shù)據(jù)集的幾個(gè)類,這些類構(gòu)成一個(gè)分區(qū)或幾個(gè)分區(qū),聚類分析是無(wú)指導(dǎo)學(xué)習(xí)且分析的對(duì)象是數(shù)據(jù)而非變量。聚類分析大致分為三個(gè)類型,即層次聚類(SPSS11.0軟件稱為系統(tǒng)聚類)、分區(qū)聚類(SPSS11.0軟件稱為K-means聚類)、增量聚類(incremental-cluster)。大多數(shù)聚類算法多采用層次聚類分析和分區(qū)聚類分析。本文采用的聚類算法是分區(qū)聚類分析方法,分區(qū)聚類通常利用對(duì)一個(gè)局部定義(樣本子集定義)或全局定義(整個(gè)樣本集定義)的準(zhǔn)則函數(shù)(CriterionFunction)(即度量標(biāo)準(zhǔn))進(jìn)行優(yōu)化生成類。常用的全局準(zhǔn)則函數(shù),如歐氏平方誤差度量標(biāo)準(zhǔn)則。常用的局部準(zhǔn)則函數(shù),如互近鄰距離(MutualNeighborDistance,MND)。分區(qū)聚類最常用的是K-平均分區(qū)聚類。2.2基于分區(qū)聚類的降階模型本文RBF網(wǎng)絡(luò)的建模過(guò)程分為兩個(gè)階段。即第一階段利用分區(qū)聚類確定隱層各節(jié)點(diǎn)的高斯函數(shù)的中心矢量Ci和ai。第二階段利用最小二乘原則,求出輸出層的權(quán)值Wik。2.2.1類內(nèi)誤差及收斂分區(qū)聚類方法基于方差標(biāo)準(zhǔn)的方法,其總的目標(biāo)是根據(jù)固定的類數(shù)生成一個(gè)總體方差最小的分區(qū)。其目標(biāo)函數(shù)為:E2k=∑k=1Ke2k(1)e2k=∑i=1nk(xik?Xk)2(2)Xk=(1/n)∑i=1nkxik(3)Ek2=∑k=1Κek2(1)ek2=∑i=1nk(xik-Xk)2(2)Xk=(1/n)∑i=1nkxik(3)其中,e2kk2為類內(nèi)誤差,Xk為均值向量,n表示n維空間上的n個(gè)樣本集,K表示分類數(shù){C1,C2…Ck},k=1,2…K。nk表示每個(gè)類Ck包含的樣本數(shù)。xik屬于類Ck的第i個(gè)樣本。通常情況下,當(dāng)樣本從一個(gè)類分配到另一類時(shí),如果總體誤差不減小,則滿足收斂標(biāo)準(zhǔn)?；静襟E:(1)選擇一個(gè)設(shè)定為K類的初始分區(qū),計(jì)算重心。(2)把樣本分配給與其重心距離最近的類形成新分區(qū)。(3)用類的重心來(lái)計(jì)算新類的中心距離。(4)重復(fù)步驟(2)和(3)直到滿足收斂標(biāo)準(zhǔn)則中止。2.2.2輸出層節(jié)點(diǎn)數(shù)x為表達(dá)twj1jmj為輸出層節(jié)點(diǎn)數(shù)yj1ix選取合適的表達(dá)RBF網(wǎng)絡(luò)模型的后件表達(dá)式為:yj=∑i=1Lwjiri(x)+bj=∑i=0Lwjiri(x)=R(x)TWji1≤j≤Mj為輸出層節(jié)點(diǎn)數(shù)yj=∑i=1Lwjiri(x)+bj=∑i=0Lwjiri(x)=R(x)ΤWji1≤j≤Μj為輸出層節(jié)點(diǎn)數(shù)其中,wj0=b0,r0(x)=1,Wji=(wj0,wj1…wjM)T,R(x)=(r0(x),r1(x)…rM)T3基于聚類分析的rbf神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法本文將300份具有明確證候分型、癥狀的2型糖尿病文獻(xiàn)資料參照國(guó)家標(biāo)準(zhǔn)《中醫(yī)證候診療術(shù)語(yǔ)證候部分》規(guī)范證候名,并對(duì)癥狀(包括體征)進(jìn)行賦值量化,有者為1,無(wú)者為0。然后將數(shù)據(jù)輸入SPSS11.0軟件進(jìn)行數(shù)據(jù)管理,建立相關(guān)數(shù)據(jù)庫(kù),運(yùn)用SPSS11.0軟件功能進(jìn)行數(shù)據(jù)調(diào)整和統(tǒng)計(jì)分析,根據(jù)頻次大小,結(jié)合主成分分析,通過(guò)對(duì)KMO值、特征根大小及主成分的累積貢獻(xiàn)率的大小綜合判斷,最后選取了41個(gè)癥狀,同時(shí)選取了常見(jiàn)的6類證候。6類證候分別為:氣陰兩虛證、陰虛證、氣虛證、陰陽(yáng)兩虛證、血瘀證、燥熱證。從263個(gè)樣本中隨即分配200個(gè)樣本為學(xué)習(xí)訓(xùn)練樣本,另63個(gè)樣本作為檢驗(yàn)樣本。首先,讓200個(gè)樣本進(jìn)行反復(fù)聚類和調(diào)整(由于6類證候間有些相互重疊,如氣陰兩虛證與陰虛證、陰陽(yáng)兩虛證、燥熱證都有陰虛方面的重疊),最后得到6個(gè)聚類中心值為:把聚類中心值作為徑向基層的第i個(gè)單元的變換中心矢量Ci,Ci與輸入矢量同維。把每一類中與中心點(diǎn)相距最遠(yuǎn)的自變量到中心點(diǎn)的距離值作為第i個(gè)中心矢量的形狀參數(shù)ai,ai=[3.1253.032.5343.8462.52.0]。其次,利用最小二乘算法求出輸出層的權(quán)值Wji。最后,建立一個(gè)輸入層節(jié)點(diǎn)數(shù)為41,隱層節(jié)點(diǎn)為6,輸出層節(jié)點(diǎn)為6的RBF神經(jīng)網(wǎng)絡(luò)模型。本文又建立一個(gè)BP網(wǎng)絡(luò)(略),讓BP網(wǎng)絡(luò)也學(xué)習(xí)訓(xùn)練這200個(gè)相同的樣本。用63個(gè)測(cè)試樣本對(duì)兩個(gè)網(wǎng)絡(luò)進(jìn)行檢驗(yàn),檢驗(yàn)的結(jié)果是基于聚類分析的徑向基神經(jīng)網(wǎng)絡(luò)的證候診斷準(zhǔn)確率為94.4%,BP網(wǎng)絡(luò)的證候診斷準(zhǔn)確率為61.1%,前者遠(yuǎn)高于后者。而且基于聚類分析的RBF神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)速度比BP網(wǎng)絡(luò)的學(xué)習(xí)速度快103～104倍。把氣陰兩虛證、陰虛證、氣虛證三者的聚類中心值做一個(gè)交叉回歸圖,圖中顯示氣陰兩虛證=0.11+0.39*陰虛證+0.3*氣虛證(圖略)。因此,基于聚類分析的RBF神經(jīng)網(wǎng)絡(luò)優(yōu)化了中醫(yī)證候診斷模型,解決了以往BP網(wǎng)絡(luò)所遇到的難題:即高維數(shù)據(jù)的計(jì)算量大和泛化能力低,拓寬了RBF神經(jīng)網(wǎng)絡(luò)的應(yīng)用。同時(shí),證明了氣陰兩虛證≠陰虛證+氣虛證,氣陰兩虛證與陰虛證、氣虛證是二元線性關(guān)系。4基于聚類分析的rbf神經(jīng)網(wǎng)絡(luò)的中醫(yī)診斷有效性驗(yàn)證中醫(yī)證候和癥狀之間沒(méi)有明確的函數(shù)關(guān)系,只有通過(guò)大量的文獻(xiàn)資料、臨床流調(diào)資料進(jìn)行數(shù)據(jù)挖掘,客觀如實(shí)地尋找中醫(yī)證候和癥狀之間的內(nèi)在關(guān)系,是中醫(yī)證候研究的一種新思維、新方法。近年來(lái),多學(xué)科交叉尤其AN