基于BP神經網絡和支持向量機的蕁麻疹證候分類探討

劉麗蓉， 詹秀菊

（廣州中醫藥大學醫學信息工程學院，廣東廣州 510006）

蕁麻疹俗稱風疹塊，是一種常見的過敏性疾病，是由于皮膚、黏膜小血管擴張及滲透性增加而出現的一種局限性水腫反應[1]。皮損以風團為主，大小不等，形態不一，色澤或鮮紅或濡白，分布或散在或融合成片，可發生于身體任何部位，伴有劇烈瘙癢，遷延數日至數月，且劃痕征陽性[2]。蕁麻疹癥狀嚴重者可影響患者正常生活以及工作。目前有關蕁麻疹用藥規律的研究較多[3-8]，但關于蕁麻疹癥狀與證候的研究鮮有報道。本研究基于文獻資料，利用BP神經網絡和支持向量機（support vector machine，SVM）分別探討蕁麻疹證候分類模型，以期為蕁麻疹的中醫辨證論治提供一定參考。

1 資料與方法

1.1 文獻數據來源 收集維普數據庫（VIP）、萬方數字化期刊、中國知網（CNKI）等中文數據庫中發表的有關蕁麻疹臨床治療的文獻。檢索詞為“蕁麻疹”“風疙瘩”“風疹塊”“鬼風疙瘩”“尋麻疹”“風團”“癮疹”“臨床療效”“臨床效果”“經驗”。采用主題詞、關鍵詞、文摘檢索，并聯合邏輯詞and、or組成邏輯式進行檢索，檢索式為：題名或關鍵詞為“蕁麻疹”OR“風疙瘩”OR“風疹塊”OR“鬼風疙瘩”OR“尋麻疹”OR“風團”OR“癮疹”，AND文摘為“臨床療效”OR“臨床效果”OR“經驗”。其中題名或關鍵詞可換成主題詞。

1.2 文獻納入標準 （1）治療手段為中醫藥治療或中西醫結合治療的文獻；（2）中醫診斷標準參照國家中醫藥管理局1994年發布的《中醫病證診斷療效標準》之“隱疹”的診斷標準，西醫診斷標準參照《安德魯斯臨床皮膚病學》中有關蕁麻疹的診斷標準[9]；（3）治療有效的文獻；（4）病案資料完整，包含證候診斷、臨床表現、治療原則、藥方等。（5）文獻發表年限為1996年2月至2018年10月。

1.3 文獻排除標準 （1）文獻中未標明治療效果及明確標明治療效果不佳；（2）文獻數據中出現錯誤或者發表數據雷同的文獻；（3）動物實驗的文獻以及綜述類文獻。

1.4 文獻數據處理 由3名研究人員完成文獻篩選，其中兩人獨立按照文獻的納入標準和排除標準篩選文獻，如有爭議，由第三人做出判斷。篩選后的文獻由兩位研究人員將病例整理錄入Microsoft Excel 2010，錄入內容包括文獻名稱、第一作者、臨床癥狀、證候，其中病例中相關術語的規范化參考《中醫癥狀鑒別診斷學》[10]、《中醫診斷學》[11]、《中醫證候鑒別診斷學》[12]。

1.5 數據分析 利用Matlab R2013a軟件，建立基于BP神經網絡和SVM的蕁麻疹證候分類模型。BP神經網絡是由輸入層、隱含層、輸出層組成的階層型神經網絡，相鄰層之間各神經元進行全連接，而每層各神經元之間無連接，其權值的調整采用反向傳播的學習算法[13]。本研究采用3層BP神經網絡建模，建立存在于數據間的函數關系。如圖1所示，輸入層為17個中醫癥狀向量，隱含層公式計算為7，輸出層對應風寒束表、風熱犯表、臟腑濕熱和其他證型共4類。

圖1 3層BP神經網絡結構Figure 1 Three-layer BP neural network structure

支持向量機（SVM）是將所研究的問題向真實模型的一種逼近，將原始特征用核函數進行特定變換映射到高維空間，進而分解其特征矩陣，最終把待解決的問題轉化為一個對凸二次規劃問題求解的過程[14]。SVM最優超平面決策示意圖如圖2所示。

圖2 SVM超平面決策面示意圖Figure 2 Schematic diagram of support vector machine hyperplane decision surface

2 結果

2.1 文獻檢索結果 根據“1.1項下”的檢索式，從中國知網共檢索到1 130篇文獻，維普1 010篇文獻，萬方813篇文獻，剔除重復文獻后共獲取文獻2 632篇。通過閱讀文獻題目，按照納入標準和排除標準刪除文獻1 952篇，剩余文獻680篇。再經通篇閱讀全文后，篩選符合納入標準的文獻共458篇，從中提取完整的信息，具備完整信息的病例共397例。

2.2 BP神經網絡證候模型的建立

2.2.1 訓練樣本選擇 按納入標準和排除標準共篩選出符合標準的蕁麻疹病例數據為397例，每個樣本包含蕁麻疹常見的17個癥狀以及舌苔和脈象，癥狀按有無分別設置為1、0，中醫證型4類證型輸出形式設置為（0，0，0，1），（0，0，1，0），（0，1，0，0），（1，0，0，0）。從上述的蕁麻疹數據中抽取中醫癥狀及中醫證型構成樣本集合，作為BP神經網絡的學習和測試樣本。

2.2.2 網絡模型訓練與分類 將397個樣本存儲于數據項data中，將皮疹、瘙癢、皮疹色紅、失眠、紅舌、淡舌、淡紅舌、薄苔、白苔、黃苔、膩苔、細脈、數脈、弦脈、浮脈、沉脈、滑脈等17個癥狀作為網絡模型的輸入變量，輸出層對應風寒束表、風熱犯表、臟腑濕熱和其他證型，為體現模型的優良性，訓練樣本的選擇采用隨機抽取方法，從397個樣本中隨機抽取357個樣本作為訓練樣本，隨機抽取40個樣本數據為測試樣本。采用Matlab R2013a編程，確定BP神經網絡模型的結構為17-7-4，設定訓練函數為trainbfg函數，設定最大訓練步數為100次，學習率為0.01。以風寒束表證為例，風寒束表證BP神經網絡的測試過程如圖3所示，其測試樣本的預測準確率為72.50%（29/40），BP神經網絡分類誤差如圖4所示。利用同樣的方法與拓撲結構進行風熱犯表證、臟腑濕熱證與其他證型的分類器建立。風熱犯表證分類模型測準確率90.00%（36/40），臟腑濕熱分類器準確率為87.50%（35/40），其他證型分類器模型準確率為82.50%（33/40）。

模型訓練結果提示，風熱犯表證在BP神經網絡模型中擬合度最高，其次臟腑濕熱證，風寒束表證最次。分析其原因，可能是由于風寒束表證候樣本偏少，導致其訓練不夠；或是針對風寒束表證，其模型選擇的輸入因子和輸出因子不夠緊密，以至于出現這種現象。但模型訓練結果較為理想，說明BP神經網絡的穩定性和可靠性，且模型具有較強的魯棒性（robustness，反映控制系統抗干擾能力的參數，即系統的健壯性，是在異常和危險情況下系統生存的關鍵），提示基于BP神經網絡機分類器在蕁麻疹模型應用中具有一定的可行性。

圖3 風寒束表證分類器分類輸出Figure 3 Classification output for wind-cold attacking exterior syndrome classifier

圖4 風寒束表證分類器分類誤差Figure 4 Classification error of wind-cold attacking exterior syndrome classifier

2.3 SVM證候模型的建立

2.3.1 選定訓練集與測試集 選取蕁麻疹數據397例，將癥狀設置為輸入變量，風寒束表證、風熱犯表證、臟腑濕熱證和其他證型分別設置為1、2、3、4，并作為輸出變量。選取357例數據作為訓練樣本，其余每類證型提取10例數據為測試樣本。

2.3.2 SVM模型的訓練與預測 參數懲罰因子C、核函數以及其參數的選定可影響SVM模型的性能。C越大則對數據的擬合程度越高，容易出現“過學習”的現象；當C取值過小時，則對經驗誤差懲罰過小，就會出現“欠學習”的現象[15]。為了解決該現象，本研究SVM模型采用的是RBF徑向基核函數，設置核函數參數t=2。利用K-CV（K-folder cross-validation，K折交叉驗證）法對SVM模型的參數c（懲罰系數）和g（RBF核函數的系數）計算和選取，初設置懲罰函數參數c與gamma參數g的取值范圍為[2-10，210]。利用svmcgForClass函數進行計算，得出對應參數c和參數g模型的分類結果和準確率，通過K-CV驗證比較不同參數c和參數g的分類準確率，選擇最佳參數c和參數g。經計算，SVM模型的最佳參數c設置為0.574 35，g設置為0.108 82。其模型測試樣本的預測正確率為92.50%（37/40）。如圖5所示。

圖5 SVM模型的實際測試集分類和預測測試集分類Figure 5 Practical test set classification and predicted test set classification in SVM model

圖5 顯示，藍色圓圈為實際輸出分類，紅色星號為期望輸出分類；分類輸出結果在很大程度上與期望結果相重合，僅有3例樣本與期望輸出不相符合。說明本研究所架構的SVM分類器應用于蕁麻疹證型分類科學可行，結果較好，準確率較高。

基于BP神經網絡構建的分類器的平均準確率為81.13%，SVM分類模型準確率為92.50%。結果表明，在蕁麻疹中醫證型分類應用，SVM分類模型與BP神經網絡模型均具有較好的魯棒性和穩定性，但SVM分類模型優于BP神經網絡分類模型。

3 討論

本研究利用BP神經網絡與SVM分類器對蕁麻疹證候進行分類，建立以蕁麻疹17種常見的癥狀為輸入變量，以風寒束表證、風熱犯表證、臟腑濕熱證、其他證型共4種證型為輸出變量的證候分類模型。其模型擬合效果較好，精確度良好，SVM模型擬合效果優于BP神經網絡。

BP算法已經被證實具有實現任何復雜非線性映射的功能，適合用于求解內部機制復雜的問題，因此使用BP人工神經網絡解決中醫證型問題是可行而科學的。但BP算法本質上是梯度下降算法，所要優化的目標函數又非常復雜，容易出現“鋸齒形現象”，令BP算法學習速度緩慢。本課題訓練樣本量少，因此建模迭代次數較少，導致算法效率低下的弊端并不明顯，與SVM分類器無太大差異。更多的訓練樣本能在一定程度上提升BP算法擬合結果的準確度，而本研究所收集的樣本數量難以支撐BP算法取得更高的準確度。SVM是一種小樣本學習方法，龐大的訓練樣本規模反而不利于SVM的學習。因此在樣本量較少的情況下，使用SVM構建分類器將比使用BP算法更合適。

本研究利用BP神經網絡與SVM分類器可取得較好的擬合結果，提示人工神經網絡技術可能適合中醫研究的需求。本研究把人工神經網絡技術與蕁麻疹證型研究相結合，但因限于一些客觀條件，無法在結果數據的準確度上更進一步。就目前來看，不論是蕁麻疹證型預測模型還是SVM分類器都還只屬于理論的模型，尚在起步階段，需要進一步完善。蕁麻疹領域的人工神經網絡研究，也需要更進一步的發展，今后需從以下方面進一步深入：第一，更大的樣本量才能實現更加深入的人工神經網絡學習，更加廣泛的涵蓋度及更加科學合理的研究結果。故在未來的研究中，應該廣泛收集蕁麻疹臨床數據，增加樣本數據量以增強訓練效果，建立基于海量數據的、具有實用意義的蕁麻疹證型預測模型和分類器。第二，利用智能優化算法優化BP神經網絡參數，提高其模型分類器的精確度。第三，針對數據采集過程中可能出現誤差或者噪音等現象，可利用機器算法篩選SVM懲罰參數，進而優化SVM分類器模型。