基于改进BP神经网络模型的阻塞性睡眠呼吸暂停低通气综合征发病率预测

刘麟，占顺堂，王克伟，陈裕光，胡晔，肖社平

广州医科大学附属顺德医院耳鼻喉科，广东 佛山 528315

阻塞性睡眠呼吸暂停低通气综合征（OSAHS）为临床常见病，近些年来，这一疾病的发病率显著提高，这意味着我国居民罹患该疾病者的数量明显增多，且居民的健康状况同样显著下降[1]。OSAHS患者，具有死亡率高，预后差的特点，患者发生心脑血管严重并发症的风险高。需于发病并确诊后，及早给予治疗，并积极对疾病进行预防，方可使居民的健康状况得到改善。

近些年来，我国学者对OSAHS的研究逐渐深入，且取得了显著的成果，但研究基本集中于疾病的诊断以及治疗过程中，针对疾病的流行病学特点的研究相对较少。少部分学者，虽从流行病学角度对OSAHS进行了分析，但受横断面调查参照物不同的影响，调查结果存在较大的差异[2]。国外的各学者，同样对该问题进行了研究，主要通过问卷调查、数据分析两种手段，对OSAHS疑似人群进行了筛查。在此之后，对其进行了连续监测，最终得到了该疾病发病率的相关数据。同样有学者指出，OSAHS患者，根据病情严重程度的不同，患者的预后同样不同。针对疾病发病次数＞20次/h，患者5年病死率可达到11%-13%。此外，该类型的患者，8年内死亡率同样明显提高。

1 资料与方法

1.1 BP神经网络模型的基本原理 掌握BP神经网络模型的基本原理，是利用其OSAHS发病率进行分析的关键。该网络模型，主要由三部分构成，分别为输入层、中间层与输出层。上述各层中，输入层的功能在对信号进行输入，而接受层则可接收相应的样本信号。三层之中，中间层的功能在于对信号进行传递，并对其进行处理，使信号能够实现正向传播。而正向传播，则指信号自输入层传输至接收层的过程。相反，如信号自接收层传递至输入层，则表明出现了反向传播。一旦发现该问题，应立即对不同单元的权重进行调整，从而降低误诊率，改善数据分析结果。值得注意的是，对模型进行训练的过程中，应反复对权重以及偏差进行校正，以最大可能减小乃至消除误差，使精确度得以提升[3]。

BP精神网络算法，包括传统方法与改进算法两种。采用传统方法对时间进行分析，收敛速度相对较慢，效率较低。为弥补常规算法存在的缺陷，提高OSAHS发病率预测的精确度与准确性，本院以Levenberg-M arquardt为基础，对数据算法进行了优化。该优化方式，能够有效提高数据的收敛速度，对其训练效果的改善，能够起到一定的促进作用。

1.2 数据收集 本文与2002年-2017年间，选取国家卫生和计划生育委员会数据作为样本，对OSAHS的发病率数据进行了分析。纳入标准：①18-65岁；②患者无意识异常，无精神异常，具备沟通理解能力，无语言功能障碍；③患者自愿参与研究。排除标准：①肝肾功能障碍；②躯体功能障碍；③无法依从者排除。

1.3 样本数据的准备 确保样本数据准确，是对OSAHS未来发病率进行预测与分析的关键。考虑到原始数据具有大小不一致的特点，如采用相应模型对数据进行训练，难度往往较大。为了解决上述问题，本院首先对往年的数据进行了归一化处理。该处理方法，可有效降低输入值偏差，且能够减少误差，使样本数据的训练速度加快，提高训练效率。归一化训练方法中，可应用的较多。本研究中，对发病率进行了选择，并采用该数据除以某个数值，使发病率出于0-1之间，做好了样本数据的准确工作。

1.4 BP神经网络模型的基本参数 明确网络模型的基本参数，是对发病率数据进行训练的基础。本研究中，需要输入的基本参数，以输入层节点、中间层节点、层数以及节点数等为主。此外，有关人员还需掌握相应的传递函数。BP神经网络的基本原理指出，在闭区间之中，所有连续函数，均可采用隐层的网络逼近。因此，仅仅1个BP网络，其映射能力便可满足数据分析的要求。本研究中，主要应用了3层网络模型，对数据进行了分析。上述数据中，共包括3个输入层节点数，1个输出点。针对输出层而言，其传递参数以Sigmoid函数为主。针对中间层而言，其传递函数同样以Sigmoid函数为主，该函数为正切函数。

1.5 BP神经网络模型的训练及检验 对BP神经网络模型进行训练以及检验，有助于明确当前的OSAHS发病率，并实现对疾病未来发病率的预测。在此期间，有关人员应利用已有的数据，对模型进行训练。训练后，应对不同单元的权重进行调整，以降低各类型误差的发生率。当各单元权重的数值，逐渐达到期望精度以下时，则代表训练过程已经完成。在此阶段，采用BP模型所预测的发病率，与实际发病率之间的误差，便可有所缩小，这对发病率预测精确度的提高，具有重要价值[4]。

以新陈代谢预测法为基础，对OSAHS发病率进行预测，可以以事先预定的参数为基础，实现对发病率的分析。本研究主要选取了3年的OSAHS发病率作为研究对象，组成了输入序列。当输入上述三年的发病率后，第4年的发病率便可被预测出。此时，输入序列中每次输入1个新的数据，最前方的1个数据便需被舍弃。本研究所选样本，年份以2002-2004年为主。通过对2016年的发病率进行预测，得到了相应结果。将2016年预测发病率结果与实际发病率进行对比发现，预测值准确率较高。

图1 OSAHS发病率的真实值与预测值的曲线比较

1.6 数据统计分析 采用SPSS 20.0处理数据，采用二分类Logistic回归分析筛选出佛山市OSAHS患者预后影响因素，然后使用MatlabR 7.0工具包进行基于BP神经网络构建佛山市乐从社区OSAHS患者预后预警神经网络。P＜0.05，为差异有统计学意义。

2 结果

2.1 仿真预测及模型的检验情况 2017年OSAHS的预测发病率为21%，而实际发病率为20.87%，相对误差0.2649%，详见图1、表1。

表1 BP网络模型处理结果

2.2 对未来3年OSAHS的预测 通过对未来4年预测结果的观察发现，OSAHS 2018-2021年发病率（反归一化值）分别为2.16%、19.9%、19.4%和21.2%。

3 讨论

神经网络模型，属于数据挖掘方法中重要的一类模型。近年来，该模型的应用价值已经得到了证实。神经网络模型，可应用到预测、判断分类问题的解决过程中，可供有关人员了解并掌握事物的本质。本研究中，主要将BP神经网络模型应用到了OSAHS发病率的分析过程中，在选取以往样本的基础上，对未来4年的OSAHS发病率进行了分析。通过研究结果的观察发现，平均相对误差为0.7597%，相对误差0.2649%。通过对未来4年预测结果的观察发现，OSAHS 2018-2021年发病率（反归一化值）分别为2.16%、19.9%、19.4%和221.2%[5]。该研究结果，证实了BP神经网络模型在OSAHS发病率预测中的应用价值，有关人员应给予重视以及推广应用。