神经网络在慢性疲劳症预测中的应用分析
[摘 要]本篇论文的目的是探讨神经网络在慢性疲劳综合症预测中的应用。所用方法为分析设计合适的神经网络模型从而编写模型程序，利用各种影响因素拟合模型。借鉴糖尿病与流行病的预测分析，分析总结神经网络在慢性疲劳综合症有良好的应用前景。
[关键词]神经网络；慢性疲劳综合症
中图分类号：G623.58 文献标识码：A 文章编号：1009-914X（2019）13-0221-01
人工神经网络是一种模型通过模仿生物大脑神经系统信息处理功能实现输入与输出之间的任意非线性优化映射，有着传统统计方法无法比拟的适应性、容错性及自组织性等优点，特别是用传统统计方法效果不好或不能达到目的时，采用神经网络往往能到较好的效果。该方法自兴起以来，已在诸多领域获得成功应用。在医学预测中也逐渐受到重视，关于疾病预测方面的研究虽有一些，但多是以临床资料为基础，基于慢性疲劳症的疾病预测到目前为止还未见报道，我们将以慢性疲劳症的调查资料为基础对这一方法在慢性疲劳症发病预测中的应用潜力及特点做简要介绍。
一、方法与原理
（一）基本结构
人工神经网络的基本组成单位是神经元，对应于神经细胞，网络信息的加工、处理都是在其中完成的。它的三个基本组成要素是为连接权、求和单元以及非线性激发函数，分别模仿生物神经网络的突触连接特性、神经细胞的整合特性以及阈值特性。由若干个神经元通过权值按照一定的方式连接起来就组成了不同类型的人工神经网络。可采用一种在模式识别和模式分类中经常用到的LVQ网。这属于结构相对简单的一种人工神经网络，由输入层、竞争（隐含）层以及线性（输出）层共三层构成，信息流向为单向，其中输入层和竞争层神经元为全连接，而竞争层与线性层神经元则部分连接，每个线性层神经元与竞争层神经元的不同组相连接。
（二）工作原理
人工神经网络是以“知识”（或“经验”）为基础解决问题，而且它的“知识”也是通过学习获得，并以权值的形式贮存在网络之中的，人工神经网络的学习即网络根据一定的规则调整内部权值的行为；学习算法则是实现权值调整的具体方法。学习方式主要分为监督学习和无监督学习两种，其中监督学习除需向网络输入外，还需提供期望输出（正确答案），人工神经网络根据期望输出与实际输出之间的差值（误差信号）来调节系统参数；无监督学习则只向网络输入，不提供期望输出。不断重复的学习过程即训练，训练是使网络获得良好预测性能的必经过程。LVQ网是对自组织特征映射的一种改进模式，其采用的LVQ算法可在监督状态下对竞争层进行训练，在竞争层中网络将根据给定的输入、输出特征自动学习适应样本特性并对输入样本分类，其具体工作步骤为：每输入一个样本后，在输出阵列中找出具有最大输出的单元之后权值不断地进行调整。
人工神经网络的三大特点为高度并行性、高度的非线性全局作用以及良好的容错特性，这使得人工神经网络不仅对慢性疲劳综合症问题有广泛的适用性，而且对于大规模慢性疲劳综合症调查中易出现的缺失数据以及部分错误信息也有很一定的处理能力。
二、网络结构的选取、训练及性能评价
在结构上，logistic回归又等同于以logistic函数作为激发函数的单层前馈网，因此为减少运算量即縮短运算时，先采用logistic回归分析筛选出具有显著性意义的单因素变量，将这些变量作为人工神经网络的输入用于分析，输入层神经元数目与筛出的单因素变量个数等同；输出神经元数目与期望的目标输出分类一致；LVQ网络结构的设计中竞争层是直接关系到将来网络性能好坏的核心因素，本研究结合前人研究成果和实验测试结果确定竞争层神经元规模。LVQ网各连接权的初始权值是随机分配的，同时需设定学习率以确定权值调整的幅度。与其他人工神经网络一样，LVQ网也存在过度训练问题，即网络拟合性能在达到某个临界点后如果继续训练虽然模型对训练样本的拟合能力仍会继续提升，但却使模型对测试样本的预测性能下降。
交叉证实法算一种比较好的解决方法，其具体操作过程为：将训练组随机分为若干子集，随机取其中一个子集作为交叉证实组，其他剩下各组用于训练网络，在训练过程中每输入一定数量的训练样本用证实组经常检查网络的拟合性能，如此反复并用随机的方式选择不同的子集作为证实组，当网络对证实组的总预测性能开始下降或达到预定目标时即停止训练。训练结束后，还需用一组在网络训练期没有“见”过的样本集即测试组对网络性能作出评价，若预测性能符合预定目标即可尝试实际应用。
此外，由于调查的规模较小以及调查对象的不配合等因素，慢性疲劳综合症资料中常常会有一些带有缺失项目的样本，对于这种资料，为防止这些样本对总体预测的干扰，降低预测效力，传统的模型往往是将其删去，但这样做无疑将损失一部分信息，这种情况在传统的预测模型中一直都没有更好的解决办法。由于人工神经网络的一个主要特点为对信息的处理及推理过程具有高度并行的特点，这一特性使网络中的每一个神经元都作为相对独立的功能单位对输出产生作用，但作用又很微小，这样即使输入信息中含有少量空缺项或干扰项，也不至于会影响整个网络的输出，因此能很好地处理带有缺失或干扰项目的资料，本研究的结果证明了这一点，这是该方法的另一个独特优点。
三、应用前景
探索病因是慢性疲劳综合症学研究的主要任务之一，研究疾病相关因素可为病因研究提示重要线索，并且可在病因未明的情况下为疾病提供有效的预防方法，神经网络在研究疾病相关因素中的成功应用，为慢性疲劳综合症病因研究尤其是复杂性状疾病的病因研究增添了一个新颖有力的工具。
用于疾病诊断方面神经网络介入疾病诊断过程不仅能提高诊断准确率还可使诊断变得更加容易，在临床上已有成功报道。综上所述，神经网络是一个难得的适用范围非常广的慢性疲劳综合症学新方法。无论什么问题，只要涉及到模式识别或模式聚类，尤其是用现有方法无法达到目的或效果不好时，采用神经网络往往能达到目的。研究者只需选择好输入和输出，剩下的事全部由神经网络来完成，使用非常方便，既能避免人脑在判断问题时的主观性及思维定势，也可完全消除人脑在决策过程中的易疲劳性。与现有方法相比，优点显而易见，其应用潜力有待于广大医学工作者共同开发。
四、结语
尽管人工神经网络方法具有诸多优点，但人工神经网络仍存在一些缺陷，如与常规方法相比，模型的建立及训练时问较长，同时许多关键问题如模型结构的选取、训练方式以及过度训练的防止等问题还需进一步探讨。随着对神经网络研究的不断深入，在慢性疲劳综合症的预测分析方面将获得更加广泛的应用。
参考文献
[1]高蔚.施侣元.董福霞 神经网络在预测糖尿病发病中的应用研究[期刊论文]-中华慢性疲劳综合症学杂志2002，23（5）.
[2]徐建伟.刘桂芬正规化BP神经网络及其在医学预测中的应用[期刊论文]-中国卫生统计2007，24（6）.
[3]Fogel DB .Evolving artificial neural networks for screening features frommammograms .ArtifIntellMed ， 1998 ， 14 ：317-326.
[4]黎衍云， 李锐， 张胜年.人工神经网络及其在疾病筛查中的应用前景.环境与职业医学， 2006， 23（1）：71～73.