首页 > 文献资料
-
气象条件与手足口病发病情况的反向传播神经网络模型构建
目的运用气象信息和手足口病发病数,构建反向传播神经网络(BPNN)模型,并评价拟合效果,探讨手足口病发病与气象因素的关系.方法 收集并按周整理2014-2017年上海市长宁区的气象信息和手足口病的发病资料,应用SPSS 13.0统计软件进行Spearman相关分析,用Matlab 7.0软件包中的神经网络工具箱,构建BPNN模型,运用平均误差率(MER)、决定系数(R2)评价拟合效果,运用2017年的手足口病实际发病数检验模型.结果 手足口病的周发病数与本周的平均气温、高气温、低气温、累计降水量、平均相对湿度、小相对湿度、平均风速呈正相关(P＜0.05),与平均气压呈负相关(r=-0.527,P＜0.001).与前一周的平均气温、高气温、低气温、累计降水量、平均相对湿度、小相对湿度、平均风速呈正相关(P＜0.05),与平均气压呈负相关(r=-0.522,P＜0.001).利用前一周气象因素拟合的模型效果(MER=19.0％,R2=0.895)略优于利用同周气象因素拟合的模型(MER=20.2％,R2=0.894);2017年气象数据验证模型,预测值和实际值的绝对误差在0～9之间,平均值为2.52.结论 手足口病BPNN预测模型适用于上海市长宁区手足口病发病数的预测.
-
智能神经网络模型用于气象因素对疟疾发病影响的初步研究
目的建立气象因素与疟疾的智能神经网络预测模型.方法利用Matlab 6.1软件中的神经网络工具箱,根据预实验结果,利用云南省红河地区1994～1999年月平均气压、月平均气温、月高气温、月低气温、月降水量、月降水日数、月平均相对湿度、月蒸发量、月日照时数等气象数据与疟疾发病率等级数据建立反向传播网络(BP网络)预测模型,并对模型进行验证.结果神经网络经100次学习和训练,训练误差从3.236 08下降至0.035 862,通过建立的智能神经网络模型对未来疟疾发病率进行预测,其预测符合率为84.85%.结论智能神经网络在气象因素与疟疾之间建模是可行的,其预测符合率达80%以上.智能神经网络具有综合能力强,对数据的要求不高,适时学习等突出优点,且操作简便,节省时间,易于掌握和应用.研究中数据的应用、纳入、排出等问题有待于进一步研究.智能神经网络模型可以作为疟疾预测的一种新方法.
-
神经网络模型在住院费用影响因素分析中的应用
目的分析住院病人费用的影响因素及其综合影响力,以控制医疗费用的不合理增长.方法以1所三甲医院1997年住院构成前10位病种的费用资料为样本,采用神经网络模型对出院病例的医疗费用进行统计学分析.结果住院天数、入院情况、年龄及术前天数是影响住院费用的主要因素,其综合影响力分别为0.4879、0.2124、0.1847和0.0612.结论控制医疗费用的不合理增长应该着力于降低药费,缩短住院天数和术前天数.
-
基于智能计算的自动骨龄评估及其与TW3法比较
目的 寻找新的算法以提高自动化骨龄评估(ABAA)的准确性和实用性.方法 建立基于目标的兴趣区(ROD.按照Tanner-Whitehouse(TW3)法将ROI分为RUS(包括尺桡骨及掌指骨)ROI及腕骨ROI.按离子群优化(PSO)法,每个兴趣区提取5项特征(包括大小、形态及融合或比邻状态)输入人工神经网络(ANN)分类器,ANN建立在前馈的多层网络基础上,并以反向传播算法规则训练ANN以分别处理RUS及腕骨特征.约1046份左手及腕的数字X线片被随机分成两部分,一半用以训练ANN,另一半用以ABAA,而之前全部采用TW3法有两名小儿内分泌专家人工判读骨龄.结果 不同专家判读的骨龄间比较提示:RUS骨龄的标准差大于腕骨骨龄(4.40和2.42),但二者的变异系数(CV)均
-
神经网络模型在预测急性心肌梗死中的应用研究
目的：本研究的目的是构建Logistic回归模型、BP神经网络模型和Elman神经网络模型，并将常规的统计学方法与神经网络模型的方法结合起来运用到急性心肌梗死的预测中，期望能够提高疾病的预测能力。
-
神经系统编码时间节律信息的机制
时间节律信息的提取和编码极其重要,是人们识别语音、欣赏音乐和产生节律运动等的基础.但人们对神经系统提取和处理外部输入中时间节律信息的机制迄今还知之甚少.本课题组提出了一个具有无标度拓扑结构的神经网络模型,并考虑通过神经元之间的电突触或连接效率随突触连接而减弱的化学突触,来实现枢纽神经元难以被激活等特性.在该模型中,枢纽神经元能触发网络的同步化发放,连接度相对较低的神经元形成的环路决定了同步发放的周期,且枢纽神经元难以被激活的特性避免了网络的爆炸性发放.该模型很好地再现了实验中观察到的长时程周期性同步发放现象,证明神经系统能通过局部网络动力学分布式地处理时序信息.本综述旨在对神经系统编码时间节律信息的机制进行阐述和总结.
-
基于误差反向传播算法神经网络模型的网络式以问题为基础学习效果评价方法的研究
目的研究误差反向传播算法( error back propagation algorithm,BP)神经网络模型在网络式以问题为基础学习( WPBL)效果评价中的适用性。方法基于调查问卷收集的资料,利用测试样本构建BP神经网络模型,并通过所构建的模型对训练样本进行检测。结果构建模型时测试样本的网络输出分数与综合评分之间的平均误差小于规定误差(E=0.000031592<0.0001)。对训练样本进行检测显示,网络输出分数与实际综合评分之间的误差极小。结论 BP神经网络模型能够准确、快速地对WPBL效果进行评价。
关键词： 误差反向传播算法 神经网络模型 网络式以问题为基础学习 学习效果评价 -
数学模型在中药研究方面的应用进展
查阅文献资料,结合近年来国内外对中药提取、药动学、药效学的研究成果,详细地分析了各类数学模型的原理与方法,并简要比较了各类模型方法的优缺点.模型各具利弊,能对中药相关研究方向进行定量分析,达到精确化、可计算、可预测与可控制的目的.数学建模能有效地将中药科学中的定性问题转为定量研究,揭示中药科学中量之间的规律性,推动中药学科的科学化发展.
-
SARIMA模型在医院住院人次预测中的应用
住院量是评价一个医院医疗工作的重要指标,直接或间接地反映出一个医院的规模、医疗质量及医疗水平[1].因此,了解住院量的变化情况,对于合理安排资源,提高医疗工作效率意义重大.要了解住院量的情况,就要对其进行预测.目前预测的模型及方法主要有线性回归模型、神经网络模型、灰色预测模型、马尔科夫链模型以及时间序列模型等[2].针对住院量数据的特殊性,本文选用季节自回归滑动平均模型(seasonal auto regressive integrated moving average model,SARIMA模型),分析2000-2011年住院量的历史数据,探讨其发生发展的规律并预测未来半年医院住院量的情况,为医院规划自身发展提供科学的依据.
-
神经网络模型在分析复杂性疾病多基因交互作用中的应用
复杂性疾病的发病机制复杂,受多个微效基因及环境因素的影响,并且普遍存在基因-环境、基因-基因的交互作用.选择何种方法对多基因之间的交互作用进行分析以评价其在疾病发生过程中的作用,是当今面临的大挑战.传统的统计分析方法存在多重检验、维度困扰、模型依赖等许多问题,其中维度困扰是指每增加一个基因位点,所需的样本量将呈指数倍增加,即使样本量较大,很可能出现某些基因型组合观察值太少甚至缺失的情况,这将导致交互作用效应参数估计的不准确[1].
-
神经网络模型在临床药学中的应用
神经网络(Neural Networks,NN)是应用脑神经科学、计算机技术、数理科学、信息科学和认知科学系统地模拟人脑智能特点和结构的计算机体系.本文简要介绍NN的基本概念,及前向型误差反向传播神经网络(Backpropagation Neural Net-work,BPNN)在临床药理学中应用.
-
神经网络模型在社区糖尿病筛查中的应用
目的 探讨神经网络模型在糖尿病筛查中的应用.方法 采用上海市闵行区2007年糖尿痛流行病学调查资料,建立神经网络模型进行分析.结果 当以0.16作为判别阔值时,筛查的灵敏度为71.82%,特异度为63.60%.结论 神经网络模型在糖尿病筛查中的应用具有较广的应用前景.
-
基于神经网络分析方法探索类风湿关节炎证病信息对疗效的预测作用
目的:利用神经网络模型分析方法探索类风湿性关节炎(rheumatoid arthritis, RA)证候疾病信息对疗效的预测作用.方法:397例确诊为活动期RA的病例来自9个临床中心,随机分成中药治疗组203例和西药治疗组194例.西药治疗方案包括非甾体抗炎药和慢作用药,中药治疗包括基础治疗和辨证用药.治疗前后收集患者中医四诊信息和西医疾病诊查指标,治疗效果用美国风湿病学会20%改善标准(the American College of Rheumatology 20, ACR20)判断,抽取患者初诊时的信息进行分析,分析方法在SAS 8.2上实施.通过单因素探索性分析,计算疗效与变量的比数比,以P＜0.2作为入选模型的标准;采用神经网络模型进行数据分析,以疗效为分层变量,随机将数据集分为训练集(占75%)和验证集(占25%),对分析方法进行验证.结果:数据分析模型中,中药治疗组共纳入18个变量,西药治疗组纳入24个变量.中药治疗组中,晨僵、关节肿胀数、免疫球蛋白M、关节压痛数、关节压痛、类风湿因子、C反应蛋白和关节疼痛等与疗效正相关,病程和夜尿多与疗效呈负相关.西药治疗组中,血沉、腰膝酸软、苔白、关节疼痛、屈伸不利和关节肿胀等与疗效呈正相关,苔黄、舌红、白细胞检测与疗效呈负相关.在随机选取的验证集患者中,神经网络模型的预测作用表现为:RA中药治疗方案使用中,可预测20%患者有效率达到90%;RA西药治疗方案使用中,可预测20%患者有效率达到100%.结论:根据证候疾病信息与中西医疗法疗效的临床数据所建立的神经网络模型,能够显示证病信息对疗效的预测作用.
-
精神分裂症患者白细胞中循环miRNA的表达及其临床意义
目的 探讨白细胞中循环miRNA在精神分裂症SZ的表达水平及其诊断价值.方法 收集90例SZ患者作为疾病组,90例双相情感障碍(BPAD)患者作为病例对照组,90例体检健康者作为健康对照组,采用实时荧光定量PCR检测各组白细胞中8个miRNA(miR-31-5p、miR-99b-5p、miR-107、miR-134-5p、miR-487b-3 p、miR-181b-3p、miR-431-5p和miR-433-5p)的表达水平,并进行统计学分析,以验证差异表达的miRNA;绘制受试者工作曲线(ROC)曲线,建立人工神经网络(ANN)诊断模型,并分析其诊断价值.结果 SZ患者存在6个显著低表达的miRNA,其ROC曲线下面积(AUCROc)分别为miR-31-5p:0.931,miR-487b-3p:0.887,miR-99b-5p:0.869,miR-431-3p:0.763,miR-134-3p:0.756,miR-107:0.721;在ANN模型中,优模型的AUCROC 为0.960,敏感性86.7％,特异性95.6％.结论 白细胞中6个差异表达的miRNA可能作为SZ诊断的非侵袭性生物学标志物,而ANN诊断模型可以提高miRNA对SZ的诊断价值.
-
基于BP神经网络模型的住院费用影响因素研究
近年来医疗费用急剧上涨,高额的医疗费用特别是住院费用给老百姓带来了严重的经济负担,如何有效控制住院费用的上涨也成为了研究者关心的问题.控制住院费用应该从分析其影响因素着手,目前常用的为多重线性回归模型,但它对资料有一定的要求,如独立性、正态性、方差齐性、线性等,而住院费用及其影响因素之间可能存在非线性关系,各影响因素之间也可能存在多重共线性,因此应考虑另一种适合住院费用数据特征的分析方法[1～2].
-
神经网络模型在纵向随访数据分析中的研究进展
流行病学随访研究中会产生大量的纵向数据,但该类数据的分析一直是统计学的难点.目前大多采用传统的线性混合模型来处理.该模型对数据的分布要求严格,且假定疾病是线性进展的,在应用过程中会受到一定限制.近年来,有研究者提出采用神经网络模型来处理纵向随访数据.本文就神经网络模型在纵向随访数据分析中的研究现状进行探讨,为纵向随访数据的分析提供一个新思路.
-
激光诱导自体荧光光谱区分大肠癌组织与大肠正常组织
目的探讨应用激光诱导自体荧光(LIAF)光谱方法诊断大肠癌的可行性,并确立判断依据.方法收集32例大肠癌手术切除的离体标本及相对应的大肠正常组织.采用Nd:YAG三倍频调Q激光器(波长380 nm)和光学多道分析仪(OMA),观察大肠癌标本的激光诱导自体荧光光谱,根据大肠癌组织和大肠正常组织的激光诱导自体荧光光谱特征规律,寻找能够区分两者的光谱差异,得出判断依据,并与病理切片检查结果比较.结果大肠癌组织和大肠正常组织的LIAF光谱形状相似,均为双峰结构,大肠癌组织LIAF光谱强度及主、次峰强度明显低于大肠正常组织(P＜0.001).LIAF光谱主峰波长475 nm,次峰波长550 nm,且大肠癌组织在640nm处,荧光光谱强度高于大肠正常组织.去除背景光后取上述各点集成荧光强度比值X1=(I475-I550)/I640,X2=I475/I640,X3=I550/I640为参数,采用改进的神经网络模型,建立数学判别方程W=√(6.184375*X1)2+(1.987699*X2)2+(2.965413*X3)2+0.2,若W≥12判为大肠正常组织,若W＜12判为大肠癌组织.采用100个抽样标本进行模型检验,识别的准确率为94%.结论激光诱导自体荧光(LIAF)光谱可用于区分大肠正常组织与大肠癌组织.
关键词： 大肠癌 激光诱导自体荧光(LIAF)光谱 神经网络模型 诊断 -
MSCT孤立肺小结节的神经网络模型的应用研究分析
目的 研究神经网络模型(SVM)在MSCT孤立肺小结节(SPN)良恶性判断中的应用.方法 收集2000例经病理证实的SPN临床表现及影像学特征,采用SPSS 13.0统计学软件将各观察指标进行多因素回归分析,与SPN病理相关指标作为SVM分析参数,对1500例进行训练,另对500例进行预测,对照病理结果分析.结果 与病理对照,500例SVM中良性正确预测238(98.5%)例,错误预测4(1.5%)例;恶性正确预测250(97%)例,错误预测8(3%)例.结论 SVM能有效地对SPN良恶性进行较精确的预测,对医生正确诊断有很好的帮助.
-
胃癌血清蛋白指纹人工神经网络诊断模型的研究
目的 建立胃癌人工神经网络蛋白分子诊断模型,寻找胃癌早期诊断的新方法.方法 采用表面增强激光解析离子化飞行时间质谱(SELDI-TOF-MS)技术及配套芯片CM10和Biomarker Wizard 3.1 软件筛选胃癌差异表达蛋白,通过人工神经网络(ANN)建立并验证胃癌的SELDI分子诊断模型.结果 共建立3个胃癌诊断模型(Ⅰ、Ⅱ、Ⅲ),分别为胃癌的诊断、筛查、鉴别诊断模型.选其中由5个差异表达蛋白(质荷比为2502、2544、3085、8574、8740)组成的胃癌人工神经网络诊断模型Ⅰ作为胃癌人工神经网络诊断模型,对胃癌的诊断灵敏度为95.0%,特异度为98.33%,阳性预测值为95.0%,阴性预测值为98.33%,诊断准确度为97.5%.结论 SELDI-TOF-MS技术对胃癌的早期诊断具有一定的价值,值得进一步的研究.
-
应用灰色预测模型GM(1,1)预测医院住院人次
住院部是医院对外服务的重要窗口,可以直接影响医院的声誉和形象[1].同时,住院量也是评价一所医院医疗工作的重要指标之一,直接或间接地反映出该医院的规模、医疗质量及医疗水平.因此,了解医院住院量的变化情况,对于合理安排医疗资源,提高医疗工作效率意义重大.要想更好地了解医院住院量的变化情况,好是能掌握其变化趋势,这就需要通过运用统计学知识,借助软件对其进行模拟预测.目前,预测的模型及方法有很多种,主要有线性回归模型、神经网络模型、灰色预测模型、马尔科夫链模型以及时间序列模型等[2].
