基于自适应神经模糊推理系统的肝病预测模型研究.docx

基于自适应神经模糊推理系统的肝病预测模型研究
 
 
摘要：目前，肝脏疾病的研究与预测通常依靠医生对于通常需要相关专业医生丰富的临床经验与分析，常规血液检测难以让医生第一时间判断患者是否患有肝病。本文通过主元分析，选择了肝病相 
 
基于自适应神经模糊推理系统的肝病预测模型研究
 
 
摘要：目前，肝脏疾病的研究与预测通常依靠医生对于通常需要相关专业医生丰富的临床经验与分析，常规血液检测难以让医生第一时间判断患者是否患有肝病。本文通过主元分析，选择了肝病相关数据库中接受检查者是否患病的非线性模型的构建方法，同时利用该方法构建的模型对数据基于自适应神经模糊推理系统（ANFIS）实行分组的非监督学****训练和监督学****训练。训练结果表明，在通过数据模型的构建与训练后，肝病病情的检测分析结果能够达到90%以上。
关键词：医疗电气；肝病预测；血液数据分析；自适应神经模糊推理；非线性模型；主元分析；分组学****br/>前言：
通过医疗数据挖掘技术的研究与发展，科研机构能够更加简易地通过互联网获取优质的数据集进行研究，国内智能医疗系统的建设正在逐步开展。其中大量临床经验和文献研究指出，肝病诊断的智能分析与建模技术对于医疗检测的准确性及人力成本的降低将产生重要影响。
肝病预测模型研究主要分为数据分析，模型建立和系统训练三个部分。其中数据分析部分主要采取主元分析的方法对数据集中平均红细胞体积（meancorpuscularvolume（mcv）：80--98fl），碱性磷酸酶（alkalinephosphotase（ALP）：40-110U），三聚******转氨酶（alamineaminotransferase（sgpt）），谷草转氨酶（aspartateaminotransferase（AST）：8-40U/L）），γ-谷氨酰转肽酶（Gamma-glutamyltranspeptidase（γ-GT）：<50U））与是否有饮酒饮酒****惯等数据进行因素分析，为选取3~4维主元以取得90%以上的贡献率，非线性模型只重点分析训练贡献率较大的主元，以达到简化处理和降维的效果[1]。
模糊逻辑控制技术利用模糊数学的基本思想理论，对控制系统的动态模式是否精确有极强的依赖性，其中高木关野型（Takagi-sugeno）系统因控制数据输出的精确性更加适用于医疗分析系统的数据分析建模。自适应模糊推理系统（ANFIS）正式基于这一类型并具有自适应自学****的能力，能基于均方根值（MSE）的反馈自行通过调整隶属函数规则完善推理系统，提高控制的准确性和性能，对非线性，高阶次的复杂系统有更好的控制效果。


顾名思义，主元分析（PCA）就是通过提取数据主要特征分量，常用于高维度数据降维的数据预处理算法。其在模糊逻辑控制系统中的应用具体可实现的效果体现在对于隶属函数数量的降低来降低运算量以提升运算性能。
主元分析算法的基本步骤大致如下：
1）将原始数据按列组成n行m列矩阵X
2）将X的每一行（代表一个属性字段）进行零均值化，即减去这一行的均值
3）求出协方差矩阵
4）求出协方差矩阵的特征值及对应的特征向量
5）将特征向量按对应特征值大小从上到下按行排列成矩阵，取前k行组成矩阵P
6）即为降维到k维后的数据