基于改進BP神經網絡模型的阻塞性睡眠呼吸暫停低通氣綜合征發病率預測

劉麟，占順堂，王克偉，陳裕光，胡曄，肖社平

廣州醫科大學附屬順德醫院耳鼻喉科，廣東 佛山 528315

阻塞性睡眠呼吸暫停低通氣綜合征（OSAHS）為臨床常見病，近些年來，這一疾病的發病率顯著提高，這意味著我國居民罹患該疾病者的數量明顯增多，且居民的健康狀況同樣顯著下降[1]。OSAHS患者，具有死亡率高，預后差的特點，患者發生心腦血管嚴重并發癥的風險高。需于發病并確診后，及早給予治療，并積極對疾病進行預防，方可使居民的健康狀況得到改善。

近些年來，我國學者對OSAHS的研究逐漸深入，且取得了顯著的成果，但研究基本集中于疾病的診斷以及治療過程中，針對疾病的流行病學特點的研究相對較少。少部分學者，雖從流行病學角度對OSAHS進行了分析，但受橫斷面調查參照物不同的影響，調查結果存在較大的差異[2]。國外的各學者，同樣對該問題進行了研究，主要通過問卷調查、數據分析兩種手段，對OSAHS疑似人群進行了篩查。在此之后，對其進行了連續監測，最終得到了該疾病發病率的相關數據。同樣有學者指出，OSAHS患者，根據病情嚴重程度的不同，患者的預后同樣不同。針對疾病發病次數＞20次/h，患者5年病死率可達到11%-13%。此外，該類型的患者，8年內死亡率同樣明顯提高。

1 資料與方法

1.1 BP神經網絡模型的基本原理 掌握BP神經網絡模型的基本原理，是利用其OSAHS發病率進行分析的關鍵。該網絡模型，主要由三部分構成，分別為輸入層、中間層與輸出層。上述各層中，輸入層的功能在對信號進行輸入，而接受層則可接收相應的樣本信號。三層之中，中間層的功能在于對信號進行傳遞，并對其進行處理，使信號能夠實現正向傳播。而正向傳播，則指信號自輸入層傳輸至接收層的過程。相反，如信號自接收層傳遞至輸入層，則表明出現了反向傳播。一旦發現該問題，應立即對不同單元的權重進行調整，從而降低誤診率，改善數據分析結果。值得注意的是，對模型進行訓練的過程中，應反復對權重以及偏差進行校正，以最大可能減小乃至消除誤差，使精確度得以提升[3]。

BP精神網絡算法，包括傳統方法與改進算法兩種。采用傳統方法對時間進行分析，收斂速度相對較慢，效率較低。為彌補常規算法存在的缺陷，提高OSAHS發病率預測的精確度與準確性，本院以Levenberg-M arquardt為基礎，對數據算法進行了優化。該優化方式，能夠有效提高數據的收斂速度，對其訓練效果的改善，能夠起到一定的促進作用。

1.2 數據收集 本文與2002年-2017年間，選取國家衛生和計劃生育委員會數據作為樣本，對OSAHS的發病率數據進行了分析。納入標準：①18-65歲；②患者無意識異常，無精神異常，具備溝通理解能力，無語言功能障礙；③患者自愿參與研究。排除標準：①肝腎功能障礙；②軀體功能障礙；③無法依從者排除。

1.3 樣本數據的準備 確保樣本數據準確，是對OSAHS未來發病率進行預測與分析的關鍵。考慮到原始數據具有大小不一致的特點，如采用相應模型對數據進行訓練，難度往往較大。為了解決上述問題，本院首先對往年的數據進行了歸一化處理。該處理方法，可有效降低輸入值偏差，且能夠減少誤差，使樣本數據的訓練速度加快，提高訓練效率。歸一化訓練方法中，可應用的較多。本研究中，對發病率進行了選擇，并采用該數據除以某個數值，使發病率出于0-1之間，做好了樣本數據的準確工作。

1.4 BP神經網絡模型的基本參數 明確網絡模型的基本參數，是對發病率數據進行訓練的基礎。本研究中，需要輸入的基本參數，以輸入層節點、中間層節點、層數以及節點數等為主。此外，有關人員還需掌握相應的傳遞函數。BP神經網絡的基本原理指出，在閉區間之中，所有連續函數，均可采用隱層的網絡逼近。因此，僅僅1個BP網絡，其映射能力便可滿足數據分析的要求。本研究中，主要應用了3層網絡模型，對數據進行了分析。上述數據中，共包括3個輸入層節點數，1個輸出點。針對輸出層而言，其傳遞參數以Sigmoid函數為主。針對中間層而言，其傳遞函數同樣以Sigmoid函數為主，該函數為正切函數。

1.5 BP神經網絡模型的訓練及檢驗 對BP神經網絡模型進行訓練以及檢驗，有助于明確當前的OSAHS發病率，并實現對疾病未來發病率的預測。在此期間，有關人員應利用已有的數據，對模型進行訓練。訓練后，應對不同單元的權重進行調整，以降低各類型誤差的發生率。當各單元權重的數值，逐漸達到期望精度以下時，則代表訓練過程已經完成。在此階段，采用BP模型所預測的發病率，與實際發病率之間的誤差，便可有所縮小，這對發病率預測精確度的提高，具有重要價值[4]。

以新陳代謝預測法為基礎，對OSAHS發病率進行預測，可以以事先預定的參數為基礎，實現對發病率的分析。本研究主要選取了3年的OSAHS發病率作為研究對象，組成了輸入序列。當輸入上述三年的發病率后，第4年的發病率便可被預測出。此時，輸入序列中每次輸入1個新的數據，最前方的1個數據便需被舍棄。本研究所選樣本，年份以2002-2004年為主。通過對2016年的發病率進行預測，得到了相應結果。將2016年預測發病率結果與實際發病率進行對比發現，預測值準確率較高。

圖1 OSAHS發病率的真實值與預測值的曲線比較

1.6 數據統計分析 采用SPSS 20.0處理數據，采用二分類Logistic回歸分析篩選出佛山市OSAHS患者預后影響因素，然后使用MatlabR 7.0工具包進行基于BP神經網絡構建佛山市樂從社區OSAHS患者預后預警神經網絡。P＜0.05，為差異有統計學意義。

2 結果

2.1 仿真預測及模型的檢驗情況 2017年OSAHS的預測發病率為21%，而實際發病率為20.87%，相對誤差0.2649%，詳見圖1、表1。

表1 BP網絡模型處理結果

2.2 對未來3年OSAHS的預測 通過對未來4年預測結果的觀察發現，OSAHS 2018-2021年發病率（反歸一化值）分別為2.16%、19.9%、19.4%和21.2%。

3 討論

神經網絡模型，屬于數據挖掘方法中重要的一類模型。近年來，該模型的應用價值已經得到了證實。神經網絡模型，可應用到預測、判斷分類問題的解決過程中，可供有關人員了解并掌握事物的本質。本研究中，主要將BP神經網絡模型應用到了OSAHS發病率的分析過程中，在選取以往樣本的基礎上，對未來4年的OSAHS發病率進行了分析。通過研究結果的觀察發現，平均相對誤差為0.7597%，相對誤差0.2649%。通過對未來4年預測結果的觀察發現，OSAHS 2018-2021年發病率（反歸一化值）分別為2.16%、19.9%、19.4%和221.2%[5]。該研究結果，證實了BP神經網絡模型在OSAHS發病率預測中的應用價值，有關人員應給予重視以及推廣應用。