臍動脈血流時間序列PS-WOA-BP神經(jīng)網(wǎng)絡(luò)診斷模型研究

俞凱君

(日本山口大學(xué) 創(chuàng)成科學(xué)研究科，日本 山口 755-8611)

臍血流信號分析應(yīng)用于產(chǎn)前胎兒監(jiān)護及胎兒健康狀態(tài)檢測中，可大大降低遺傳性和先天性疾病胎兒的出生率[1]。傳統(tǒng)的臍動脈血流多普勒信號分析方法有聲譜參數(shù)法和波形分析法[2-3]，以獲取臍動脈血流特征檢測參數(shù)，如S/D值、PI、RI及頻譜圖等，但均容易丟失原有臍動脈血流信號的特征數(shù)據(jù)，容易造成人為經(jīng)驗導(dǎo)致的臍血流病理診斷準確率不高問題。

人工智能技術(shù)已應(yīng)用于臨床診斷領(lǐng)域，其通過診斷數(shù)據(jù)的提取、預(yù)處理，形成診斷數(shù)據(jù)集，利用機器學(xué)習(xí)算法和特征選擇構(gòu)建疾病分類與預(yù)測模型，為醫(yī)生的臨床輔助診斷和制定合理的治療方案提供決策支持[4-7]。在醫(yī)學(xué)診斷領(lǐng)域，可運用不同的機器學(xué)習(xí)方法，基于數(shù)據(jù)特征，分類處理數(shù)據(jù)集，對病癥進行實時預(yù)測，實現(xiàn)輔助診斷功能[8]，如線性判別分析(Linear Discriminant Analysis，LDA)、分類回歸樹(Classification And Regression Tree，CART)、支持向量機(Support Vector Machine，SVM)、人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network，ANN)、徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)(Basis Function Neural Networks，BFNN)、多層感知器神經(jīng)網(wǎng)絡(luò)(Multilayer Perceptrons Neural Networks，MLPNN)和隨機森林(Random Forest，RF)算法等，已取得了很多創(chuàng)新性的應(yīng)用成果[8-22]。

盡管機器學(xué)習(xí)在醫(yī)學(xué)診斷領(lǐng)域的應(yīng)用已十分廣泛，且取得了良好的進展，但鮮見于臍動脈血流的檢測與診斷中。神經(jīng)網(wǎng)絡(luò)因其結(jié)構(gòu)特殊，具有學(xué)習(xí)能力強、泛化能力高等優(yōu)點，因此非線性的神經(jīng)元排布在處理非線性信號中具有一定的優(yōu)勢。采用臍動脈血流多普勒時間序列為數(shù)據(jù)樣本，分別采用單層、多層神經(jīng)網(wǎng)絡(luò)對其進行狀態(tài)分類，提出人工智能算法與混沌理論相結(jié)合的智能診斷模型。

1 WOA- BP神經(jīng)網(wǎng)絡(luò)算法原理

1.1 BP神經(jīng)網(wǎng)絡(luò)算法及原理

BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)采用誤差反向傳播學(xué)習(xí)算法，是由Rumelhart和McCelland的科學(xué)家小組于1986年提出的[23]。 BP神經(jīng)網(wǎng)絡(luò)模型拓撲結(jié)構(gòu)如圖1所示，包括輸入層(Input Layer)、隱含層(Hidden Layer)和輸出層(Output Layer)。每層內(nèi)有若干個神經(jīng)元，神經(jīng)元模型如圖2所示。

圖1 BP 神經(jīng)網(wǎng)絡(luò)模型拓撲結(jié)構(gòu)Fig.1 Topology of BP neural network model

圖2 BP神經(jīng)元模型Fig.2 BP neuron model

若f1(·)為隱含層傳遞函數(shù)，f2(·)為輸出層傳遞函數(shù)，則隱含層節(jié)點(即神經(jīng)元)的輸出為：

(1)

輸出層節(jié)點的輸出為：

(2)

式中：n、q、m分別為輸入層、隱含層和輸出層的節(jié)點數(shù)，v為輸入層和隱含層之間的權(quán)值，w為輸出層和隱含層之間的權(quán)值。

BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)流程主要包括信號的正向傳播和誤差負向反饋兩個步驟。正向傳播對網(wǎng)絡(luò)輸入求出它的輸出，反向傳播將計算得到的實際輸出與期望輸出的誤差負向傳遞給網(wǎng)絡(luò)，對連接權(quán)值與閾值進行更新，層層反向調(diào)整，直至誤差達到預(yù)設(shè)值，確定模型參數(shù)并完成模型的學(xué)習(xí)。

一個完整的BP神經(jīng)網(wǎng)絡(luò)主要包括以下幾個方面：其一，網(wǎng)絡(luò)層數(shù)。根據(jù)臍動脈血流信號特征參數(shù)的向量矩陣和處理問題的復(fù)雜度，擬設(shè)隱含層的內(nèi)部結(jié)構(gòu)包含3～8層子隱含層。其二，輸入節(jié)點。輸入層神經(jīng)元的數(shù)目由臍動脈血流信號特征參數(shù)的個數(shù)決定。其三，輸出節(jié)點。樣本的種類決定輸出層的節(jié)點數(shù)，期望輸出包括正常臍血流信號和3種異常臍血流信號。其四，模型參數(shù)的選取。BP網(wǎng)絡(luò)參數(shù)設(shè)定如下：最大訓(xùn)練次數(shù)100次，訓(xùn)練精度0.01，學(xué)習(xí)率0.1，隱含層與神經(jīng)元參數(shù)基于WOA進行優(yōu)化。

1.2 WOA優(yōu)化算法

2016年，Mirjalili等[24]基于鯨魚隨機獵捕、包圍收縮、“旋氣泡網(wǎng)”策略及位置螺旋式更新的方式，完成了逼近獵物及捕獵的過程，構(gòu)建了數(shù)學(xué)模型，形成了具有調(diào)節(jié)參數(shù)少、全局搜索能力強和收斂迅速等特點的全局優(yōu)化算法，即WOA算法(Whale Optimization Algorithm，WOA)。此模型包括環(huán)繞捕獲、泡泡攻擊及隨機搜索獵捕3個過程：

其一，環(huán)繞捕獲。座頭鯨在搜尋獵物時，通過識別目標獵物位置并將其包圍，該數(shù)學(xué)模型如下：

(3)

(4)

(5)

(6)

其二，隨機搜尋。座頭鯨隨機尋找獵物位置的過程如以下模型所示：

(7)

(8)

其三，泡泡網(wǎng)攻擊獵物。座頭鯨以泡泡攻擊獵物的數(shù)學(xué)模型如式(9)所示。

(9)

座頭鯨以對數(shù)螺旋狀(Spiral Updating Position，SUP)接近獵物或以收縮的形式包圍目標群(Shrinking Encircling Mechanism，SEM)，為模擬2種形式同時進行時的行為過程，采用2種模式被選概率為50%的方式來更新鯨魚位置：

(10)

2 臍動脈血流時間序列-優(yōu)化神經(jīng)網(wǎng)絡(luò)診斷模型的構(gòu)建

2.1 數(shù)據(jù)采集

使用MFM-OBM臍血流檢測系統(tǒng)，在江蘇省無錫市錫山區(qū)某醫(yī)院獲取臍動脈血流多普勒信號，建立臍動脈血流多普勒信號數(shù)據(jù)集，每個數(shù)據(jù)包括原始多普勒血流時間序列信號、臨床檢測數(shù)據(jù)。用飛利浦IU-22彩色多普勒超聲儀對采得的數(shù)據(jù)進行對比，得出胎兒健康狀況(臍帶繞頸和羊水偏少等)。按臍動脈血流多普勒信號正常與否，將信號分為正常與異常2種情況。經(jīng)過預(yù)處理后，獲得的臍動脈血流時間序列信號如圖3所示。

2.2 臍動脈血流BP神經(jīng)網(wǎng)絡(luò)診斷模型——單層感知機

以正常狀態(tài)與異常狀態(tài)的臍動脈血流多普勒時間序列為研究對象，健康樣本標記標簽為0，而羊水偏少、臍帶繞頸及胎位不正則分別標為1、2和3。訓(xùn)練集X組，測試集Y組。診斷分類部分結(jié)果如圖4所示。

圖4 單層神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果Fig.4 Results of single-layer neural network training

樣本均采用隨機選取，運行20次神經(jīng)網(wǎng)絡(luò)所獲平均準確率約為82.5%。基于單層感知機的診斷結(jié)果表明，在區(qū)分正常胎兒、羊水偏少、臍帶繞頸及胎位不正情況時具有較高的誤報率，特別是羊水偏少與胎位不正的誤報率較高。雖然該方法在區(qū)分正常與異常胎兒時具有100%的準確度，但無法準確區(qū)分異常胎兒屬何種異況。

該結(jié)果表明，神經(jīng)網(wǎng)絡(luò)雖更加適合此樣本模式下非線性數(shù)據(jù)的擬合，但單層感知機對于非線性信號的擬合能力較弱，故而，采用多感知機進行狀態(tài)分類。

2.3 臍動脈血流WOA-BP神經(jīng)網(wǎng)絡(luò)診斷模型——優(yōu)化多層感知機

BP神經(jīng)網(wǎng)絡(luò)的不足之處在于過多的網(wǎng)絡(luò)節(jié)點會導(dǎo)致收斂慢、訓(xùn)練時間長及獲得非全局最小解的缺陷。采用WOA(鯨魚算法)，以式(11)作為優(yōu)化目標進行優(yōu)化，優(yōu)化網(wǎng)絡(luò)中全部權(quán)值與閾值，使網(wǎng)絡(luò)獲得最佳的表現(xiàn)力，提升泛化能力。

J(ω,b,x,y)=0.5‖hω,b(x)-y‖2

(11)

采用WOA-BP對時間序列進行預(yù)測與分類，部分結(jié)果如圖5所示。

圖5 WOA-BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果Fig.5 Results of WOA-BP neural network training

結(jié)果表明，優(yōu)化后的神經(jīng)網(wǎng)絡(luò)比未優(yōu)化的具有更好的分類(預(yù)測)準確度，平均20次準確率達90%，說明優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)對臍血流非線性問題擬合程度更優(yōu)。此外，優(yōu)化后的神經(jīng)網(wǎng)絡(luò)比未優(yōu)化的神經(jīng)網(wǎng)絡(luò)隨迭代收斂速度更快，最優(yōu)結(jié)果所需迭代次數(shù)更少。相比于優(yōu)化的單層感知機結(jié)果，羊水不足與胎位不正2種異常狀況的誤報率降低了10%，該結(jié)果表明，采用WOA優(yōu)化了BP神經(jīng)網(wǎng)絡(luò)的權(quán)偏參數(shù)之后，模型具有稍好的外推性，但20%左右的誤報率仍不能滿足臨床要求。

2.4 臍動脈血流PS-WOA-BP神經(jīng)網(wǎng)絡(luò)診斷模型

BP神經(jīng)網(wǎng)絡(luò)的準確度不僅依賴權(quán)值與閾值，對于訓(xùn)練樣本也有較高的要求，樣本具有不同的特征代表性。混沌序列可將原時間序列映射至不同時間尺度上，展現(xiàn)出不同的非線性特征，具備不同的特征性。因此，將多普勒時間序列轉(zhuǎn)換為二維混沌時間序列(Phase Space，PS)(混沌相圖的橫縱坐標)，樣本由原有的一維序列變?yōu)槎S序列，通過PS-WOA-BP神經(jīng)網(wǎng)絡(luò)進行臍血流狀態(tài)分類。樣本劃分方式和類別標簽與上述方法相同，時間序列點數(shù)取400。結(jié)果如圖6所示。

圖6 PS-WOA-BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果Fig.6 Results of PS-WOA-BP neural network training

如圖6所示，PS-WOA-BP具有極高的準確度，說明混沌序列包含臍血流狀態(tài)更多的代表性特征，20次平均準確率高達95%，該結(jié)果不僅表明了所提出的智能診斷模型具有可靠性，也說明混沌序列比傳統(tǒng)的時間序列具備更多的代表性特征。由于采用了空間時間序列作為輸入信息，且采用優(yōu)化的神經(jīng)網(wǎng)絡(luò)執(zhí)行智能診斷。僅羊水偏少出現(xiàn)誤判、漏盤，且誤報率相比于WOA-BP方法顯著降低，基本達到了臨床診斷要求。

3 結(jié)果

表1為不同方法準確率變化的比較。

表1 不同方法準確率Tab.1 Accuracy rates of different methods

由表可知，BP神經(jīng)網(wǎng)絡(luò)可對臍動脈血流時間序列作出良好分類，優(yōu)化后的BP可提升狀態(tài)分類時的表現(xiàn)性能，提升智能診斷模型的準確度。由于混沌序列包含更多的非線性問題的代表特征，以此構(gòu)建的PS-WOA-BP及NC-PSO-SVM均具較高的準確度，但PS-WOA-BP具備良好的泛化能力。

4 結(jié)束語

介紹了BP神經(jīng)網(wǎng)絡(luò)的基本理論和鯨魚算法，為解決人為經(jīng)驗導(dǎo)致的早期臍血流病理診斷準確率不高的問題提出了人工智能算法與混沌理論相結(jié)合的智能診斷模型，構(gòu)建了傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)診斷模型、WOA-BP 神經(jīng)網(wǎng)絡(luò)斷模型，在此基礎(chǔ)上根據(jù)臍血流時間信號具有混沌特性，采用WOA算法，提出PS-WOA-BP智能診斷模型。研究表明，針對臍血流信號的混沌特性，PS-WOA-BP模型，在進行臍血流健康情況識別時具有良好的效果及較高的準確度和良好的泛化能力。