基于BP神經(jīng)網(wǎng)絡(luò)的高血壓中醫(yī)證候與危險(xiǎn)分層關(guān)系研究*

覃裕旺，張愛珍，岳桂華，朱志華，溫宗良△

(1.廣西中醫(yī)藥大學(xué)，南寧 530001;2.廣西中醫(yī)藥大學(xué)瑞康附屬醫(yī)院，南寧 530011)

原發(fā)性高血壓病是一種嚴(yán)重危害人類身體健康的常見的心血管疾病，又是腦卒中、冠心病等其他心腦血管病的重要危險(xiǎn)因素，成為全球范圍內(nèi)的重大公共衛(wèi)生問題。中醫(yī)治療高血壓多辨證論治，高血壓的中醫(yī)證候與西醫(yī)的危險(xiǎn)分層是同一病人不同的臨床資料描述。有人研究表明，中醫(yī)證型的不同可能反映出高血壓病分級和分層的的高低，為確定治療方案提供研究[1]。人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network，ANN)是一種試圖模擬人的神經(jīng)系統(tǒng)而建立起來的非線性動(dòng)力系統(tǒng)，具有自動(dòng)學(xué)習(xí)和識別變量間關(guān)系的能力，容錯(cuò)性較強(qiáng)，對資料類型限制性較小，最善于處理模糊的、非線性的、含有噪聲的數(shù)據(jù)。無論被研究的資料是連續(xù)型還是離散型，采用神經(jīng)網(wǎng)絡(luò)方法不須經(jīng)繁瑣的變量特征分析即可直接使用。因此，筆者根據(jù)154例高血壓患者臨床流調(diào)資料建立基于共軛梯度算法的BP神經(jīng)網(wǎng)絡(luò)模型研究高血壓中醫(yī)證候與危險(xiǎn)分層的關(guān)系，現(xiàn)報(bào)告如下。

1 資料與方法

1.1 臨床資料

本研究采用2008年9月～2011年9月廣西中醫(yī)藥大學(xué)附屬瑞康醫(yī)院住院和門診高血壓患者，其中男66例，女88例;年齡最小34歲，最大79歲，平均年齡(60.44±9.84)歲;病程最短半年，最長 40年;收縮壓最低 130mmHg，最高 200mmHg，平均(149.61 ±31.94)mmHg，舒張壓最低 70mmHg，最高140mmHg，平均(85.09 ± 18.81)mmHg，伴腦梗塞 4例，高血脂14例，冠心病5例。

1.2 納入標(biāo)準(zhǔn)

高血壓病診斷及危險(xiǎn)分層標(biāo)準(zhǔn)采用《中國高血壓防治指南(2005 年修訂版)》[2]，低危、中危、高危和極高危樣本例數(shù)分別為 4、80、34、36。

對中醫(yī)臨床信息的癥狀、體征、舌脈、證候名稱參照《中醫(yī)臨床診療術(shù)語證候部分》[3]、《常見癥狀中醫(yī)鑒別診斷學(xué)》文獻(xiàn)整理結(jié)果及專家經(jīng)驗(yàn)，制定臨床觀察表。共觀察常見的21個(gè)癥狀及舌苔、舌體和脈象，每個(gè)癥狀按無、輕、中、重分別記為 0、2、4、6分，舌苔、舌體及脈象按不同情況分別量化賦值。

1.3 排除標(biāo)準(zhǔn)

繼發(fā)性高血壓患者;合并嚴(yán)重心、腦、腎嚴(yán)重器質(zhì)性病變者;調(diào)查不配合者。

2 研究方法

2.1 樣本的處理原則

從上述病例中抽取臨床癥狀和證型診斷構(gòu)成樣本集合，作為神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)和測試樣本。其中隨機(jī)選取120例作為網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練數(shù)據(jù)，剩余的34例作為測試數(shù)據(jù)，用來評價(jià)神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)效果。

2.2 數(shù)據(jù)預(yù)處理及病例分組

首先對所有數(shù)據(jù)進(jìn)行歸一化處理，使處理后的輸入輸出信息均在(0，1)區(qū)間，這可避免出現(xiàn)“奇異輸入樣本”。在神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程中，癥狀、分型向量作為神經(jīng)網(wǎng)絡(luò)的輸入向量，危險(xiǎn)分層對應(yīng)網(wǎng)絡(luò)的輸出向量。

2.3 建立高血壓中醫(yī)證候與危險(xiǎn)分層關(guān)系的BP神經(jīng)網(wǎng)絡(luò)模型

本設(shè)計(jì)采用三層網(wǎng)絡(luò)，即輸入層、隱層、輸出層。輸入層:6個(gè)證型所包括的中醫(yī)全部癥狀和舌脈24個(gè)節(jié)點(diǎn)，分別對應(yīng)通過主成分分析所選取的24個(gè)主要成分。隱層:隱層節(jié)點(diǎn)數(shù)的確定沒有一定的規(guī)則。隱層節(jié)點(diǎn)數(shù)太少會使網(wǎng)絡(luò)從樣本中獲取信息的能力變差，不足以概括和體現(xiàn)樣本的規(guī)律，影響網(wǎng)絡(luò)學(xué)習(xí)的精確度并使網(wǎng)絡(luò)學(xué)習(xí)出現(xiàn)局部極小;隱層節(jié)點(diǎn)數(shù)太多又易使網(wǎng)絡(luò)訓(xùn)練發(fā)生過擬合，對網(wǎng)絡(luò)的概括推理能力產(chǎn)生不利影響，導(dǎo)致網(wǎng)絡(luò)學(xué)習(xí)時(shí)間過長、容錯(cuò)性變差、泛化能力下降。本文采取“逐步試驗(yàn)法”來獲取最佳隱含層節(jié)點(diǎn)數(shù)。即首先確定一個(gè)比較小的隱含層節(jié)點(diǎn)數(shù)進(jìn)行訓(xùn)練，如果經(jīng)過多次訓(xùn)練后，網(wǎng)絡(luò)尚未收斂或誤差較大，則逐步增加隱含層節(jié)點(diǎn)數(shù)，重新訓(xùn)練，如此反復(fù)試驗(yàn)，直到再增加下去網(wǎng)絡(luò)誤差減少不明顯而收斂速度減慢則考慮停止增加。本文最終確定的隱層節(jié)點(diǎn)數(shù)為7個(gè)。輸出層:4個(gè)節(jié)點(diǎn)。輸出節(jié)點(diǎn)用來表示4種危險(xiǎn)分層，表示方法是一個(gè)輸出節(jié)點(diǎn)對應(yīng)一種危險(xiǎn)分層。將4類樣本(對應(yīng)4種危險(xiǎn)分層)的期望輸出值分別定為(1，0，0，0)、(0，1，0，0)、(0，0，1，0)和 (0，0，0，1)。

傳遞函數(shù)分別為“tansig”、“purelin”，訓(xùn)練函數(shù)采用“trainscg”(成比例的共軛梯度算法)，權(quán)值和閾值的學(xué)習(xí)函數(shù)為 learngdm，網(wǎng)絡(luò)的性能函數(shù)為“MSE”，學(xué)習(xí)速率在 0.01 ～0.1 范圍選取，網(wǎng)絡(luò)期望誤差為 10－7。

2.4 網(wǎng)絡(luò)訓(xùn)練及軟件實(shí)現(xiàn)

神經(jīng)網(wǎng)絡(luò)編程使用Matlab 7.0實(shí)現(xiàn)。系統(tǒng)根據(jù)設(shè)定的參數(shù)和初值，利用訓(xùn)練數(shù)據(jù)對網(wǎng)絡(luò)進(jìn)行訓(xùn)練。系統(tǒng)誤差達(dá)到要求時(shí)表明BP神經(jīng)網(wǎng)絡(luò)模型學(xué)習(xí)成功，保存網(wǎng)絡(luò)。

3 結(jié)果

表1、2顯示，經(jīng)網(wǎng)絡(luò)計(jì)算得出輸出向量值，如與期望輸出一致則為正確診斷。輸入34例測試數(shù)據(jù)進(jìn)行檢測，結(jié)果顯示識別正確的共計(jì)29例，識別率達(dá)85.3%，低危、中危、高危、極高危4種危險(xiǎn)分層識別率分別為50%、100%、66.7%和80%。

表1 神經(jīng)網(wǎng)絡(luò)測試識別結(jié)果

表2 BP神經(jīng)網(wǎng)絡(luò)模型測試識別與臨床診斷結(jié)果比較

4 討論

ANN可以通過自學(xué)習(xí)自動(dòng)挖掘該數(shù)據(jù)的內(nèi)在規(guī)則，學(xué)會識別自變量與應(yīng)變量間復(fù)雜的非線性關(guān)系，從而進(jìn)一步對相關(guān)數(shù)據(jù)作出判別。神經(jīng)網(wǎng)絡(luò)的最大優(yōu)點(diǎn)在于能夠調(diào)整自身結(jié)構(gòu)去適應(yīng)樣本特性，完全克服了傳統(tǒng)參數(shù)模型讓樣本來適應(yīng)自身的固有缺陷，可以不受任何限制自動(dòng)學(xué)習(xí)識別變量間的關(guān)系。該特性適合于探索性研究，其基本思路是從理論上提出病因假設(shè)，然后用神經(jīng)網(wǎng)絡(luò)進(jìn)行模擬，如果神經(jīng)網(wǎng)絡(luò)可以很好地模擬出這種關(guān)系，即可支持病因假設(shè)，反之則推翻[4]。

中醫(yī)證候體系具有復(fù)雜系統(tǒng)的非線性、開放性、層次性、涌現(xiàn)性和高維性特征，是一個(gè)多維多變量的非線性復(fù)雜系統(tǒng)[5]。中醫(yī)證候規(guī)范化及內(nèi)在規(guī)律性的研究正是辨證論治的科學(xué)化研究。高血壓的中醫(yī)證候與高血壓的危險(xiǎn)分層是一個(gè)問題的兩個(gè)不同方面，它們之間的內(nèi)在關(guān)系是高血壓中醫(yī)辨證科學(xué)所在。我們在 Matlab7.0實(shí)現(xiàn)環(huán)境下，建立了基于共軛梯度算法的BP神經(jīng)網(wǎng)絡(luò)模型研究高血壓中醫(yī)證候與危險(xiǎn)分層的關(guān)系，并進(jìn)行了測試。該研究結(jié)果表明，總體識別率85.3%，說明該模型能夠較好地獲取中醫(yī)證候與西醫(yī)高血壓危險(xiǎn)分層的內(nèi)在規(guī)則，即中醫(yī)證候與高血壓分層存在一定的內(nèi)在規(guī)律，中醫(yī)證候的不同不但可能反映出高血壓分層的高低，而且可以為確定中西醫(yī)結(jié)合治療方案提供一定的依據(jù)。表明將人工神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用于高血壓中醫(yī)證候與危險(xiǎn)分層研究具有方法學(xué)上的可行性，模型的成功構(gòu)建對于深入開展高血壓證候規(guī)范化及其證候?qū)嵸|(zhì)研究提供了一種全新的思路。

雖然我們研究證實(shí)了ANN用于高血壓中醫(yī)證候與西醫(yī)危險(xiǎn)分層的相關(guān)性，但研究資料中有些分層樣本量相對較少，如低危組僅有4例，導(dǎo)致信息獲取不全，影響網(wǎng)絡(luò)的學(xué)習(xí)效果，網(wǎng)絡(luò)的推廣能力也相對較差，測試識別率為50%。今后將進(jìn)一步擴(kuò)大臨床流行病學(xué)調(diào)查的范圍，運(yùn)用更多的樣本對網(wǎng)絡(luò)進(jìn)行系統(tǒng)訓(xùn)練，以進(jìn)一步提高網(wǎng)絡(luò)模型的精確性。并且以目前的技術(shù)，還無法從網(wǎng)絡(luò)的連接權(quán)中提取出網(wǎng)絡(luò)通過自動(dòng)學(xué)習(xí)所獲得的規(guī)律，沒有指出高血壓中醫(yī)證候與危險(xiǎn)分層的明確關(guān)系，今后可以圍繞這個(gè)關(guān)鍵問題繼續(xù)開展研究。

[1]張?zhí)灬裕趵伲铉?高血壓病辨證分型與高血壓病分級危險(xiǎn)分層的關(guān)系[J].遼寧中醫(yī)雜志，2003，30(2):89-90.

[2]中國高血壓防治指南修訂委員會.中國高血壓防治指南(修訂版)[S]，2005.

[3]國家技術(shù)監(jiān)督局.中醫(yī)臨床診療術(shù)語(證候部分)[S].北京:中國標(biāo)準(zhǔn)出版社，1997.

[4]任宏，姜慶五.人工神經(jīng)網(wǎng)絡(luò)及其在預(yù)防醫(yī)學(xué)領(lǐng)域的應(yīng)用[J].上海預(yù)防醫(yī)學(xué)雜志，2003，15(1):22-24.

[5]白云靜，申洪波，孟慶剛，等.基于復(fù)雜性科學(xué)的中醫(yī)學(xué)發(fā)展取向與方律[J].中國中醫(yī)藥信息雜志，2005，12(1):2-5.