基于模糊神经网络的抑郁症智能诊断研究

张玉韬，田 军，王修来

0 引 言

随着生活节奏的加快和工作压力的增大，抑郁症患病率日渐升高［1］，发病率为 3%～5%［2］，严重影响生活质量［3］。而基层医院对抑郁症治疗缺乏足够的临床经验，对其症状缺乏一定的识别能力，易错过对抑郁症的早期诊断和治疗。

目前，对抑郁症的筛查大多以量表的形式进行，如汉密尔顿焦虑量表(Hamilton Anxiety Scale，HAMA)［4］、抑 郁 自 评 量 表 (Self-rating Depression Scale，SDS)、患者健康问卷 PHQ-2 和 PHQ-9［5］等。但量表种类繁多，容易引起被筛查者的困惑。近年来，随着人工智能技术的发展，在医学领域已有许多研究将神经网络的方法运用到临床疾病诊断中［6-7］。刘俐等［8］针对新生儿缺氧缺血性脑病构建了基于临床综合指标的模糊BP神经网络诊断系统，测试样本正确识别率达到95%。陈若珠等［9］采用BP神经网络理论构建骨质疏松诊断分诊模型，并通过实例验证了该方法的可行性和准确性。在抑郁症分诊方面，也有学者构建了基于模糊神经网络的抑郁症分诊系统，但主要是针对抑郁症严重程度的判断，没有对正常案例进行探讨。本文基于模糊神经网络构建抑郁症的智能诊断系统，被筛查者通过选择输入符合自身情况的一组临床症状，由神经网络进行模糊化处理，并通过智能分析得出相对科学、全面和合理的结论，为被筛查者和医师提供初步的诊断结果。

1 基于模糊神经网络的抑郁症智能诊断系统的构建

1.1 抑郁症诊断指标的选择 抑郁症的表现主要有2个方面:心理症状和躯体症状［10］。以往研究中关于抑郁症的症状指标和本文选取的症状指标，见表1。

表1 抑郁症症状指标选择Table 1 Index selection of depression symptom

将以上 7 种主要症状分别记为 p1、p2、p3、p4、p5、p6、p7即网络的输入，每种症状根据患者感受有3种输入(0、1、2)。0表示没有出现该症状，1表示偶尔出现该症状，2表示经常出现该症状。记d1、d2为网络的输出，d1=0、d2=0表示正常，没有抑郁症;d1=1、d2=0表示有轻度抑郁症;d1=0、d2=1表示有重度抑郁症。

1.2 基于模糊神经网络诊断抑郁症的步骤

1.2.1 确定网络第Ⅰ层的输入变量 网络的输入变量个数为症状的种类数，输入量为对应症状的严重程度。选取一定数量的症状-疾病样本集S，并将S划分为两个子集S1和S2，其中S1作为模糊神经网络训练子集，S2作为检验子集。

1.2.2 确定网络第Ⅱ层的节点数量 将第Ⅰ层的7个输入症状进行模糊化处理，每个输入变量分为2个子空间，则第Ⅰ层每个输入变量就有2个模糊化神经元与其在2个模糊子空间对应的隶属函数值对应，那么，第Ⅱ层的节点数量为第Ⅰ层节点数量的2倍。

1.2.3 确定网络第Ⅲ层的节点数量 该层对应于普通BP神经网络的隐含层，目前，确定隐结点的常用方法是在已有经验公式上进行试凑，常见的经验公式主要有［14］:

其中，q为隐含层节点数量，p1为输入层节点数量，p2为输出层节点数量，a为［0，10］之间的常数。

按照公式，首先设置较少的结点数训练网络，然后逐步增加结点，每增加1个结点后，通过学习训练，如果引起判断准确性的下降，则采用未增加前的结点数。

1.2.4 第Ⅳ层节点数量为症状判断的分类 输出的数值代表是否患有抑郁症及患抑郁症严重程度的可信度。

1.2.5 训练模糊神经网络 运用S1中的症状-疾病样本对BP神经网络进行训练，为了达到预先设定的MSE的精度，不断修正各层权值，使BP网络的输出值与目标值疾病不断逼近。

1.2.6 数据检验 将S2中的症状作为输入，将输出值S2中的实际疾病值进行比较，对神经网络进行检验并进行误差分析。具体流程见图1。

图1 模糊神经网络构建及训练流程图Figure 1 The diagram of the fuzzy neutral network and the training flow

1.3 模糊神经网络的基本结构 用Matlab 7.0软件中的神经网络工具箱，构建神经网络。网络第Ⅰ层节点数为7;根据1.2.2的阐述，第Ⅱ层节点数为14;根据1.2.3的公式，通过试算，确定第Ⅲ层节点数为16、第Ⅳ层节点数为2。网络结构见图2。

图2 模糊神经网络结构示意图Figure 2 The diagram of the fuzzy neutral network structure

1.4 选取样本 共选取20个样本数据，其中15个样本作为模糊神经网络训练子集S1，5个样本作为检验子集S2，用于对训练好的网络的检验。S1中样本见表2。

表2 模糊神经网络训练样本Table 2 Training samples of fuzzy neutral network

1.5 训练网络 用Matlab 7.0软件中的神经网络工具箱进行BP网络的训练，训练步数设为1000。训练结果见图3。可以看到，训练步数达到1000时，目标误差仅为10-12。

图3 模糊神经网络训练图Figure 3 The diagram of fuzzy neutral network training

1.6 数据检验 用S2中的数据进行检验，结果见表3。

表3 模糊神经网络数据检验结果Table 3 Test results of the fuzzy neutral network

2 讨 论

由表2中数据可以看出，模糊神经网络的输出值与目标输出之间误差很小(平均误差为1.67e-04)，且误差不影响对疾病的判别，用模糊神经网络进行抑郁症的筛选和分类，准确率比较高。

与目前常用的筛选抑郁症与测试量表相比，建立基于模糊神经网络的智能专家诊断系统可以对患者输入的模糊信息进行处理，相对便捷，且能使诊断结论建立在学习以往病例的基础上，模拟医师临床诊断时运用直觉和模糊推断的功能自动生成，因此，基于模糊神经网络的抑郁症自动筛选方法是继承了以往医师临床诊断经验，比抑郁症自测量表更能反应临床诊断信息。

神经网络的自学习和自适应特点，使得随着病案数量的增加，数据的覆盖面越大，其中蕴含的疾病本身的规律性就越强，利用神经网络从中抽取的函数关系就越具普遍性，诊断的准确性就越高。因此，运用模糊神经网络进行抑郁症的筛选，其准确性会随病案数的增加而不断提高。

随着抑郁症患病率的不断上升，抑郁症将成为我国日益严重的公共卫生问题，预计到2020年抑郁症患病率将上升为第2位，仅次于冠心病［10］。而由于患者的心理问题很容易被身体和表面症状掩盖，或不愿向医师表达心理问题，导致抑郁症的识别率不高。本文构建的基于模糊神经网络方法的抑郁症筛选诊断方法可以为患者提供便捷的自评方法。此外，随着模糊神经网络方法在医学领域的推广，该方法将在更多类规律性较强的疾病诊断方面发挥作用。

3 结 语

本文构建了基于模糊神经网络的抑郁症智能诊断模型，该模型以BP神经网络结构为基础，在神经网络的输入层之前加入一层模糊化层，对输入信息进行模糊化处理。通过神经网络的自学习功能，使其能够自动获取模糊规则和判断规则，并以权值和阈值的形式存储于网络中，从而使构建的模糊神经网络能够对模糊信息进行处理。从案例检验的结果来看，该方法具有较高的准确性，且诊断速度较快。该方法可以为不方便及时到达医院的患者提供初步诊断的依据，也可以实现辅助诊断的功能。

［1］ 刘贻德.抑郁症诊断标准的探讨［J］.临床误诊误治，2009，22(11):1-2.

［2］ 宋志伟，冯磊光，王金力，等.MTHFR基因多态性、Hcy与重性抑郁症的关联研究［J］.医学研究生学报，2010，23(9):934-937.

［3］ 王 楠，张广芬，周志强，等.谷氨酸受体在抑郁症中的作用［J］.医学研究生学报，2012，25(3):304-307.

［4］ 魏倩倩，焦志安，高 进，等.焦虑症状对抑郁症治疗效果的影响［J］.山东大学学报(医学版)，2012，50(9):113-117.

［5］ 周淑新，李尔曼.筛查抑郁症［J］.中国全科医学，2012，15(31):3575-3577.

［6］ Ahmed FE.Artificial neural networks for diagnosis and survival prediction in colon cancer［J］.Mol Cancer，2005，4(1):29-35.

［7］ Tsumoto S.Knowledge discovery in clinical database and evaluation of discovered knowledge in outpatient clinic［J］.Information Sci，2004，124(4):125-137.

［8］ 刘 俐，霍丽琴，张 峰，等.模糊BP神经网络在新生儿HIE早期诊断中的应用研究［J］.生物医学工程杂志，2011，28(4):814-818，829.

［9］ 陈若珠，杨紫娟，韦 哲.基于BP神经网络的骨质疏松疾病的诊断分类模型［J］.医疗卫生装备，2011，32(8):9-11.

［10］ 高赛男，沈新华，徐炯炯.抑郁症患者的首次就诊模式选择及临床特点研究［J］.中国全科医学，2012，15(20):2274-2276.

［11］ 邵 钧.针对一例患有抑郁症的中国学生的诊断和治疗［J］.中国全科医学，2012，15(28):3211-3212.

［12］ 方 莹.基于模糊BP神经网络的抑郁症分诊系统［J］.陕西理工学院学报(自然科学版)，2010，26(2):22-24，39.

［13］ 侯艳姣，李可建，李玉真，等.抑郁症现代文献梳理［J］.辽宁中医杂志，2012，39(8):1500-1501.

［14］ 乔俊飞.神经网络结构动态优化设计的分析与展望［J］.控制理论与应用，2010，27(3):350-356.