基于BP神经网络和支持向量机的荨麻疹证候分类探讨

从知网、万方、维普等数据库中收集临床中医治疗荨麻疹有效的案例资料,基于BP神经网络和支持向量机模型探讨构建荨麻疹证候分类模型,并比较分析两种证候分类模型的精确度。结果显示,BP神经网络证候分类模型测试的准确率为83.13%,支持向量机证候分类模型测试准确率为92.3%,支持向量机证候分类模型的精确度高于BP神经网络证候分类模型。提示利用BP神经网络与支持向量机分类器进行荨麻疹证候分类均可取得较好的结果。但因本研究尚处在理论模型探讨阶段,故其准确度仍需更大的样本量及智能优化算法等以进一步提高。     

基于支持向量机和人工神经网络的心血管疾病中医证候分类识别研究

目的探讨心血管疾病的中医证候分类识别方法,为中医证候的规范化研究提供一定的方法和依据。方法利用统一的中医问诊采集量表,采集临床心血管疾病的病例;然后根据信息的有、无分别赋值为1、0,建立心血管疾病的中医临床信息数据库。基于支持向量机(径向基函数与多项式函数2种算法)和人工神经网络(ACON与OCON 2种结构的网络)对心血管疾病的中医临床信息和证候类别之间的关系进行分析,建立模型,观察其证候预测的准确性。结果经过比较,对于心气虚、心阳虚、心阴虚、痰浊、气滞、血瘀等心血管疾病常见中医证型,OCON网络的识别准确率最高,均在60%以上,其中心气虚和心阳虚证分别高达92.4%、82.9%。结论支持向量机和人工神经网络能为心血管疾病的临床中医证候识别提供一定的客观依据,其中OCON结构网络具有较高的识别准确率。     

基于共轭梯度算法的BP神经网络在高血压证候诊断中的应用

目的:将基于共轭梯度算法的BP神经网络方法应用于高血压证候诊断。方法:对传统BP算法存在的不足进行改进,采用成比例的共轭梯度算法,建立高血压中医证候诊断模型,并运用检测样本对模型的性能进行评价。结果:总体识别率达89.5%。结论:基于共轭梯度算法的高血压中医证候诊断模型具有较好的诊断、预测能力。     

基于机器学习的胃食管反流病中医智能辨证模型的应用

目的建立基于机器学习的胃食管反流病(GERD)中医智能辨证模型。方法基于统一的中医证候量表,收集胃食管反流病符合肝胃郁热证、中虚气逆证临床病例共98个样本,2组证候各49个样本,并按照类别之间1∶1比例,全部数据的70%作为训练集,30%作为测试集。根据信息的"有、无"分别赋值"1、0",建立胃食管反流病中医临床信息数据库。应用支持向量机(SVM)、神经网络(NNs)和自动编码器(Autoencoder)分别构建GERD智能辨证模型,比较证候预测的准确性。结果 98例GERD患者中,2组证候的体重指数(BMI)比较,差异有统计学意义(P0.05)。而在幽门螺杆菌感染(Hp感染)情况、匹兹堡睡眠质量指数中差异无统计学意义(P0.05)。在相同训练、测试样本数据下,支持向量机、神经网络和自动编码器+神经网络这三种算法对胃食管反流病两种证候的识别准确率分别为78.3%和79.2%和79.2%。结论 NNs及Autoencoder降维基础上的NNs模型具有很好的诊断、预测能力,机器学习技术应用于GERD辨证模型的构建具有方法学上的可行性。     

遗传算法优化BP神经网络的老年痴呆症智能诊断

为了提高BP神经网络对疾病诊断的效率和预测准确率,提出一种遗传算法优化BP神经网络的老年痴呆症智能诊断模型,并以医院电子病历数据挖掘为例,对老年痴呆症诊断建立预测模型。该方法首先利用遗传算法的搜索寻优技术进行特征约简,然后将约简后的特征作为BP神经网络的输入变量,训练和构建BP神经网络模型。仿真实验在Matlab软件平台上进行,结果表明：与单BP神经网络相比,遗传算法优化BP神经网络能够降低模型训练时间、提高预测精度,是一种切实可行的老年痴呆症辅助诊断方法。     

基于三种时间序列模型对广州市肾综合征出血热发病率的预测比较研究

目的利用GM(1,1)、ARIMA和BP神经网络模型探索肾综合征出血热(hemorrhagic fever with renal syndrome, HFRS)预测预警的最优模型,为广州市的HFRS防控预测预警提供科学建议。方法系统收集广州市2006-2019年HFRS发病数据,采用GM(1,1)、ARIMA和BP神经网络模型以及混合模型对2006-2016年发病率进行拟合建立HFRS预测已经模型,并对2017-2019年发病率进行预测,通过平均相对误差选取最佳预测预警模型。结果 2006-2019年广州市共报告HFRS病例2 453例,年均发病率1.373/10万,2013年发病率最高,为1.794/10万,2019年发病率最低,为0.954/10万。1-4月共报告1 106例病例,占病例总数的45.08%。ARMIA(0,1,1)(0,1,1)_(12)模型预测的平均相对误差最小为27.75%,GM(1,1)、BP神经网络、BP-GM和BP-ARIMA模型预测的平均相对误差分别为33.280%、27.750%、29.670%、46.210%和46.600%。结论基于月度数据进行建模的ARIMA模型识别异常值的能力更好,且预测的平均相对误差率最小。     

基于BP神经网络模型的临床瓷粉配色方法

目的:探讨基于BP神经网络预测瓷粉配方的配色网络模型的可行性。方法:按照不同质量配比的混合松风Halo瓷粉制作32个瓷片样本,随机分为两组:训练组和测试组。用Matlab软件构建BP神经网络模型,用训练组瓷片训练并优化网络,形成颜色L*a*b*参数与瓷粉配方质量配比之间的非线性映射关系。用测试组试样检验构建的神经网络的精度。结果:测试组预测出的混合瓷粉质量配比与真实质量配比之间的准确率为80%(配比绝对误差±0.05)。按照测试组的预测和真实瓷粉质量配比制作的瓷片之间的平均色差为1.68(远小于临床可容忍阈值2.7)。结论:基于BP神经网络模型的瓷粉配色方法,直接给出了瓷粉配方,缩减了操作程序,减小色差,为当前口腔临床修复技术提供了一种新的比色途径。     

人工神经网络模型用于分析气候因素对白纹伊蚊密度影响的初步探讨

目的 建立人工神经网络预测模型,分析气候因素对白纹伊蚊密度的影响.方法 利用Matlab 7.0软件中的神经网络模块,用广州市1995～2001年各月的平均气压、平均气温、平均相对湿度、平均绝对湿度、平均蒸发量、平均降雨量、日照时间、平均风速等气候数据与白纹伊蚊等级数据建立误差反向传播网络预测模型,并对模型进行验证.结果 神经网络经25次学习和训练,误差从0.305539下降至2.93751×10-14,通过建立的基于气候因素的神经网络模型对白纹伊蚊密度进行预测,其预测符合率为80%.结论 基于气候因素的人工神经网络方法用于预测登革热媒介白纹伊蚊密度是可行的.     

基于反向传播神经网络算法的瑞芬太尼药代模型构建

目的针对短效静脉麻醉药物瑞芬太尼在药物代谢过程中存在强时变性、复杂非线性等特点,本研究期以利用人工神经网络算法建立瑞芬太尼血药浓度预测模型。方法本研究利用人工神经网络算法,建立基于反向传播(BP)网络的瑞芬太尼药代血药浓度预测模型,并与非线性混合效应建模(NONMEM)方法预测效果进行比较。结果 BP神经网络预测结果的相对误差、平均相对误差均优于NONMEM算法。结论通过选取适当的时药数据,利用反向传播网络算法构建的预测瑞芬太尼血药浓度模型,准确度高,实现便捷,可适用于瑞芬太尼等短效静脉麻醉药物的群体药代药效学研究和分析。     

非小细胞肺癌术后Ⅲ、Ⅳ期患者的中医证候分布规律初探

目的 探讨非小细胞肺癌(NSCLC)根治术后发展到Ⅲ、Ⅳ期患者中医证候的分布规律.方法 采用流行病学调查方法进行临床观察,根据预先设计的观察表和临床证候诊断标准,按纳入标准严格选择病例,以先辨单证,再辨复证的方法进行辨证分型.结果 共收集到117例非小细胞肺癌(NSCLC)根治术后Ⅲ、Ⅳ期患者,不同中医证候之间差异有统计学意义(P<0.01),单证中气虚证占总病例数的67.52%,其次分别为血瘀证占47.86%,痰湿证占35.90%;复证中,气虚血瘀证占41.88%、气虚痰湿证占19.66%;3个或以上的单证相兼以气虚痰湿血瘀证(占23.77%)、气虚血瘀气滞证(占17.95%)常见.结论 非小细胞肺癌(NSCLC)根治术后发展到Ⅲ、Ⅳ期证候分布复杂,单证少,复证多,且多虚实互见,最常见的虚证为气虚证、阴虚证,在虚证的基础上容易合并血瘀证、痰湿或痰热证、气滞证等兼夹证,总以气虚、血瘀、痰湿相兼多见.     

应用智能医疗诊断系统诊断高血压的研究

目的：利用人工神经网络和专家系统相结合的方法，建立高血压诊断的智能医疗诊断系统模型。方法：提取100例高血压病例的特征，建立原发性高血压和继发性高血压的神经网络诊断模型；利用原发性高血压的分级和危险程度分层的规则建立专家系统模型。另选取100例怀疑高血压的病例对智能诊断系统进行检验。结果：该模型具有较好的诊断性能，取得初步诊断结果。结论：基于人工神经网络和专家系统的智能医疗诊断方法用于高血压的诊断具有较高的准确性。     

径向基人工神经网络在宫颈细胞图像识别中的应用

目的：探讨径向基（RBF）人工神经网络在宫颈细胞图像识别中的应用。方法：提取宫颈细胞和细胞核的15个形态学特征参数及12个色度学特征参数，对700个宫颈细胞按正常、低度鳞状上皮内病变（LSIL）、高度鳞状上皮内病变（HSIL）、宫颈癌进行分类识别。利用软件STATISTICA7．0建立网络模型并训练，用VC＋＋．NET语言调用网络。结果：RBF网络对训练集的拟合度为97．3％，对测试集的分类准确率为95．4％。在测试集中，正常细胞的识别率为96％，LSIL细胞识别率为94％，HSIL细胞识别率为100％，癌细胞识别率为88％。RBF网络输入参数的敏感度排序与细胞病理学特征基本一致。结论：RBF人工神经网络可以很好的对宫颈细胞特别是HSIL细胞进行分类识别。     

基于BP神经网络的左右手击键动作的意识任务识别

目的研究基于神经网络的左右手运动的意识任务识别方法,探讨神经网络在脑机接口中的作用。方法在特征提取的基础上,设计3层BP神经网络。选用对数Sigmoid函数,实现输入到输出的非线性映射;采用梯度最速下降算法训练神经网络。结果应用BP神经网络和线性分类器分别对测试样本进行意识任务识别。以脑电信号两个频段的功率谱以及击键前-100￣-50ms和-50￣0ms均值组成特征向量。应用线性分类器,对测试样本的识别正确率为71%,采用本文设计的BP神经网络,识别正确率为84%。结论BP神经网络是意识任务识别的有效方法,在基于脑电信号的脑机接口中有良好的应用前景。     

小样本量大肠癌数据对BP神经网络准确度的影响探讨

采用二进制编码对数据进行量化,建立基于BP神经网络的大肠癌证型分类模型并分析其优势,探索8个证型的样本量对BP神经网络准确度的影响,通过删减较少样本的大肠癌证型得出样本量与准确度的量化关系。     

流行性脑脊髓膜炎与气象因素关系的BP神经网络模型研究

目的：探讨流行性脑脊髓膜炎（流脑）发病率与气象因素的关系，建立流脑发病率的BP神经网络预测模型，评价模型效果。方法：利用SPSS10．0统计软件进行气象因素与流脑发病率的相关分析。利用Maflab6.5软件构建流脑发病率的BP人工神经网络预测模型。结果：相关分析结果显示流脑的发病率与平均气压、平均降水量呈负相关，与平均蒸发量呈正相关。BP神经网络模型的拟舍结果显示，流脑发病率回代值的MER=1．73％、R^2=0．9900，模型拟合效果较好；模型的预测精度为5．88。结论：平均气压、平均蒸发量、平均降水量对流脑发病率影响较大。BP神经网络模型对流脑发病率具有较高的拟合和预测能力。     

LVQ人工神经网络在伤寒、副伤寒发生强度判别与预测中的应用

目的:探讨学习矢量量化(LVQ)人工神经网络在伤寒、副伤寒发生强度判别与预测中的应用.方法:以前一年的平均气压、平均气温、平均降水量和平均蒸发量4个气象指标的标准化后的变量及伤寒、副伤寒发病率平方根反正弦变换值为研究自变量,将1979-2000年辽宁省某市伤寒、副伤寒发病率按大小分为高、中、低3种情况进行判别与预测研究.利用软件MATLAB 6.5的人工神经网络工具箱分别进行LVQ人工神经网络的构建、训练与模拟,分别考察LVQ人工神经网络在模型拟合及前瞻性和回顾性预测方面的能力,并且与传统Bayes判别分析进行比较.结果:LVQ人工神经网络能够从另一个角度对数据进行分类判别与预测,利用1980-1995年数据拟合准确率为100%,预测1996-2000年发病强度准确度为3/5;利用1982-2000年数据拟合准确率为100%,预测1 980-1981年发病强度准确度为1/2,均略高于传统Bayes判别分析.随机选择1 6年数据的拟合准确率为93.8%,预测另外5年发病强度准确度为4/5,与传统Bayes判别分析相当.结论:LVQ人工神经网络能够与传统Bayes判别分析相媲美,在发病率预测方面具有广阔应用前景.     

脉象特征人工神经网络分类器

以人工神经网络为手段，以提取脉象信息为目的，由临床采样数据形成了网络训练输入特征向量库，不以单一脉本身为分类对象，而考虑它是否是某些可识别特征的组合，建立了浮沉、弦滑、迟数等一组脉象特征网络。证实了人工神经网络用于具有模糊性的脉象特征的识别和分类是可行的，带智能处理的特色。其分辨准确率可达９０％。     

深度学习技术在乳腺癌诊断中的应用

目的构建深度学习卷积神经网络模型,提高乳腺癌诊断的智能化和信息化水平。方法通过对真实临床中公开的乳腺癌数据集进行统计分析,运用人工智能领域的卷积神经网络模型,为医疗人员诊断恶性乳腺癌患者提供可靠的理论基础。根据建立的神经网络模型,选取当前流行的乳腺癌数据集进行建模分析,得到相应的诊断结果。结果实验结果显示,大数据驱动下的乳腺癌诊断模型能够准确有效预测恶性乳腺癌患者。该文提出的卷积神经网络模型与传统的支持向量机模型相比,在准确率、特异性、敏感性和曲线下面积方面相比分别提高2.7%、2.9%、2.8%和3.0%。结论深度学习领域的卷积神经网络方法,在乳腺癌诊断方面具有良好的前景,可减少医疗人员的病情诊断负担,为人工智能视角下的乳腺癌诊断技术指明新方向。     

人工神经网络在肾小球滤过率估算中的应用

目的 建立一个适用于中国慢性肾脏病人群的肾小球滤过率估算模型,基于人体体征及血清肌酐来估算肾小球滤过率.方法 采用人工神经网络方法中的广义回归神经网络(generalized regression neural network,GRNN)方法,基于562例训练样本集建立模型,在独立的269例验证样本集中验证模型性能,与...