反向传播神经网络用于牛黄解毒片的质量评价研究

目的：研究中成药牛黄解毒片的质量评价方法。方法：应用反向传播神经网络（ＢＰ神经网络）模型。结果：该分类结果与其它经典方法一致,识别准确率为１００％。结论：该方法具有较强的容错能力和较快的识别速度,简单易行,便于大规模的数据处理,也可用其它中成药的质量评价。     

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。     

基于误差反向传播算法神经网络模型的网络式以问题为基础学习效果评价方法的研究

目的研究误差反向传播算法（ error back propagation algorithm,BP）神经网络模型在网络式以问题为基础学习（ WPBL）效果评价中的适用性。方法基于调查问卷收集的资料,利用测试样本构建BP神经网络模型,并通过所构建的模型对训练样本进行检测。结果构建模型时测试样本的网络输出分数与综合评分之间的平均误差小于规定误差（E=0.000031592〈0.0001）。对训练样本进行检测显示,网络输出分数与实际综合评分之间的误差极小。结论 BP神经网络模型能够准确、快速地对WPBL效果进行评价。     

复合对向—反向传播人工神经网络模型及其应用

组合Ｋｏｈｏｎｅｎ竞争学习和反向传播学习的优点，本文首次提出了复合对向－反向传播人工神经网络模型，该模型较好地体现了生物神经网络系统信息处理时的自适应，自组织，分布式存贮及并行处理等特点。     

复合对向—反向传播人工神经网络模型及其应用

组合Ｋｏｈｏｎｅｎ竞争学习和反向传播学习的优点,本文首次提出了复合对向－反向传播人工神经网络模型,该模型较好地体现了生物神经网络系统信息处理时的自适应,自组织,分布式存贮及并行处理等特点。     

基于改进BP神经网络模型的肺结核发病率预测

目的建立用于肺结核发病率预测的人工神经网络模型,预测肺结核疫情发生发展趋势,为肺结核的预防和控制提供理论依据。方法选取肺结核2000～2014年发病率数据,采用改进的误差反向传播（BP）神经网络算法建立预测模型。其中以2000～2013年的发病率数据作为训练样本,以2014 年的发病率数据来检验模型的有效性。并对2015～2019 年肺结核的发病率进行预测。结果采用单隐层神经网络模型,输入层节点数为3,隐含层节点数为7,输出层节点数为1。建立的肺结核发病率预测模型在仿真预测样本处的平均相对误差为0.7597%,在检验样本处的相对误差为0.2649%。经预测,2015～2019 年肺结核的发病率分别为69.33/10 万、71.16/10万、64.49/10 万、62.41/10 万和72.78/10 万。结论采用改进的BP神经网络算法建立的肺结核发病预测模型具有较高的预测精度及较低的预测相对误差,为肺结核疫情预测提供一种新的预测模型。     

临床医学中的神经网络技术

在临床上有许多疾病情况不能用单一的参数来进行判断 ,而是需要对多个临床病理表现 (症状、体征 )和检测指标进行综合分析后才能得出结论。因此 ,人们将人工神经网络 (ANN )这项新的分析工具引入了临床疾病的诊断与疗效预测。这项技术能够分析错综复杂的非线性数据集 ,由此而受到了临床医师的特别关注。本文主要介绍ANN技术的理论背景 ,同时探讨当代和将来这一技术在临床诊疗中可能的应用前景。1　人工神经网络的发展历史所有的人工神经网络都是一种神经元计算机模拟系统。人的大脑是由神经元网络体系构成的 ,感觉神经元通过感受器接受周…     

反向传播网络与径向基网络函数逼近的仿真比较

目的对反向传播网络与径向基网络的函数逼近进行仿真比较。方法依据反向传播算法与径向基算法,对某一特定函数进行仿真逼近。结果仿真实验表明：两者都有很好的逼近能力,径向基网络的逼近性更好。结论反向传播网络在函数逼近方面差的原因是激励函数的全局性、隐层结点数目的不确定性。     

基于反向传播神经网络的前列腺癌诊断系统的诊断价值

目的 探讨基于反向传播（BP）神经网络的前列腺癌诊断系统的诊断价值。方法 收集2008年1月至2011年9月四川大学华西医院收治的941例经直肠超声检查并行穿刺活检的前列腺疾病患者的临床病理资料,在MATLAB软件中采用年龄、经直肠超声检查指标和前列腺特异性抗原（prostate specific antigen, PSA）构建基于BP神经网络的前列腺癌诊断系统,以穿刺活检结果为“金标准”,分析该诊断系统对前列腺癌的诊断价值。结果 941例前列腺疾病患者中,前列腺癌358例（38.04%）,非前列腺癌583例（61.96%）。BP神经网络对前列腺癌预测的灵敏度、特异度、准确性、阳性预测值、阴性预测值分别为78.57%、92.94%、87.23%、88.00%、86.81%。结论 基于BP神经网络的年龄、经直肠超声检查联合血清PSA对前列腺癌的诊断价值高,可作为临床辅助诊断前列腺癌的重要手段。     

Prostate Cancer Risk Prediction and Online Calculation Based on Machine Learning Algorithm

ObjectiveTo build a prostate cancer (PCa) risk prediction model based on common clinical indicators to provide a theoretical basis for the diagnosis and treatment of PCa and to evaluate the value of artificial intelligence (Al) technology under healthcare data platforms.MethodsAfter preprocessing of the data from Population Health Data Archive, smuothly clipped absolute deviation (SCAD) was used to select features. Random forest (RF), support vector machine (SVM), back propagation neural network (BP), and convolutional neural network (CNN) were used to predict the risk of PCa, among which BP and CNN were used on the enhanced data by SMOTE. The performances of models were compared using area under the curve (AUC) of the receiving operating characteristic curve. After the optimal model was selected, we used the Shiny to develop an online calculator for PCa risk prediction based on predictive indicators.ResultsInorganic phosphorus, triglycerides, and calcium were closely related to PCa in addition to the volume of fragmented tissue and free prostate-specific antigen (PSA). Among the four models, RF had the best performance in predicting PCa (accuracy: 96.80%; AUC: 0.975, 95% CI: 0.964-0.986). Followed by BP (accuracy: 85.36%; AUC: 0.892, 95% CI: 0.849-0.934) and SVM (accuracy: 82.67%; AUC: 0.824, 95% CI: 0.805-0.844). CNN performed worse (accuracy: 72.37%; AUC: 0.724, 95% CI: 0.670-0.779). An online platform for PCa risk prediction was developed based on the RF model and the predictive indicators.ConclusionsThis study revealed the application value of traditional machine learning and deep learning models in disease risk prediction under healthcare data platform, proposed new ideas for PCa risk prediction in patients suspected for PCa and had undergone core needle biopsy. Besides, the online calculation may enhance the practicability of Al prediction technology and facilitate medical diagnosis.     

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。     

基于BP神经网络的老年男性保健人群缺血性心脑血管病预测模型研究

目的建立基于BP神经网络的老年男性保健人群缺血性心脑血管病(ischemic cardiovascular disease,ICVD)的发病预测模型。方法以某保健医院所有老年男性保健对象2003年5月的体检资料为基线数据,剔除基线前已患有ICVD者。收集历年住院资料、问卷调查资料、电话回访资料,观察截止到2010年10月的ICVD发病及死亡情况。按照4∶1的比例将基线人群划分为训练组和测试组,利用MATLAB 7.0软件的神经网络工具箱构建训练组的BP神经网络模型,用测试组加以验证,并与传统的COX比例风险回归模型进行比较。结果 BP人工神经网络模型的判别能力、群体水平的预测能力方面优于COX比例风险回归模型。结论利用BP神经网络进行疾病预测,能获得更好的预测效果,并且对资料的类型、分布不作任何要求,是一种较好的疾病预测方法。     

人工神经网络辅助紫外光谱测定苯和甲苯的含量

目的：探讨应用紫外分光光度法同时测定混合体系中苯和甲苯的可行性。方珐：根据反向传输(BP)算法，应用三层人工神经网络(ANN)原理，对紫外光谱严重重叠的苯和甲苯的混和体系进行测定。结果：苯和甲苯的回收率分别为98．7％、99．4％，测定结果的相对标准偏差分别为2．0％、2．8％。结论：ANN辅助紫外光谱法具有训练速度快、测定周期短、预测结果准确度高等优点。     

基于伪阻抗学习的神经网络状态估计方法

针对反向传播算法收敛速度慢，且常收敛于局部极小值的缺陷，讨论了伪阻抗学习算法；并利用神经网络的学习能力和非线性特性，讨论了非线性动态系统的状态估计方法。     

基于人工神经网络模型的医院感染危险度预测

目的：应用人工神经网络系统，建立基于人工神经网络的住院患者医院感染危险度的预测模型。方法：采用SAS／EnterpriseMiner软件把医院信息系统27352例住院患者的临床信息经过数据清理和标准编码后，应用人工神经网络技术建立预测医院感染的人工神经网络模型。结果得到人工神经网络模型结构为{16-6-1}-BP型。模型的预测正确率为0．9891，ROC曲线下面积AUC为0．986。结论：{16-6-1}-BP人工神经网络模型可对医院感染危险度进行监控和预测，为医院感染的诊断和控制提供辅助信息。     

小儿常见发热出疹性疾病智能诊断模型研究

目的 探索实用于社区医生和家庭成员使用的小儿常见发热出疹性疾病智能诊断方法.方法 收集2005年1月至2010年11月第三军医大学西南医院儿科及感染科248例小儿发热出疹性疾病住院患者的临床资料,其中男性133例,女性115例,平均年龄4.56岁.病种包括麻疹、幼儿急疹、水痘、手足口病、猩红热、风疹和药疹等.整理并描述...     

Backpropagation Artificial Neural Network Detects Changes in Electro-Encephalogram Power Spectra of Syncopic Patients

This paper presents an effective application of backpropagation artificial neural network (ANN) in differentiating electroencephalogram (EEG) power spectra of syncopic and normal subjects. Digitized 8-channel EEG data were recorded with standard electrodes placement and amplifier settings from five confirmed syncopic and five normal subjects. The preprocessed EEG signals were fragmented in two-second artifact free epochs for calculation and analysis of changes due to syncope. The results revealed significant increase in percentage δ and α (p<0.5 or better) with significant reduction in percentage θ activity (p<0.05). The backpropagation ANN used for classification contains 60 nodes in input layer, weighted from power spectrum data from 0 to 30 Hz, 18 nodes in hidden layer and an output node. The ANN was found effective in differentiating the EEG power spectra from syncopic EEG power spectra and the normal EEG power spectra with an accuracy of 88.87% (85.75% for syncopic and 92% for normal). Certificate of Originality—This is to certify that the article submitted for publication in ‘Journal of Medical Systems’ has not been publ-ished, nor is being considered for publication, elsewhere. (Rakesh Kumar Sinha)     

利用人工神经网络技术预测癫痫患儿服用卡马西平后体内药物浓度

目的利用人工神经网络技术预测癫痫患儿服用卡马西平后体内药物浓度。方法收集216例癫痫患儿服用卡马西平后血药浓度监测结果及监测当日身高、体量、肝肾功能等18项相关指标,根据神经网络和遗传算法的基本原理,建立卡马西平浓度预测模型,并用该浓度预测模型进行样本预测分析。结果样本（54个病例）的预测结果表明,与实际测定浓度相比,误差小于10%的有31个浓度,误差在10%-15%之间的有11个浓度,误差在15%-20%之间的有6个浓度,误差大于20%的有6个浓度。人工神经网络预测的血药浓度和实际测定浓度之间的相关系数为0.9156。结论利用人工神经网络技术预测癫痫患儿服用卡马西平后血药浓度比较可行,有待将其广泛应用于治疗个体化给药设计的研究。     

基于CLSTM的步态分类方法

步态分类在人体运动能量消耗评估等应用中具有重要意义,提高分类精度和降低对统计特征的依赖是步态分类的研究热点。采用传统的步态分类方法提取的步态特征用于细分化步态时不能得到较好的效果。考虑到步态的连续性和不同轴之间信号的相关性,本文提出了基于CLSTM的步态分类方法：采用卷积神经网络（CNN）操作,通过计算多轴步态数据提取步态特征;基于长短期记忆（LSTM）构建步态时间序列模型,学习步态特征图时间维度上的长期依赖性。基于USC-HAD数据集的实验结果表明,用此方法提取了步态序列特征,很好地利用了步态时间序列特点,提升了11种步态的分类精度。