基于主成分分析的神經(jīng)網(wǎng)絡(luò)模型在預(yù)測老年人認(rèn)知狀態(tài)中的研究.pdf

1、老年癡呆癥（Alzheimer's Disease，AD）是指發(fā)生在老年及老年前期，以進(jìn)行性的認(rèn)知功能障礙與行為損害為特征的中樞神經(jīng)退行性病變。隨著我國人口迅速的老齡化，老年癡呆癥患病問題變得非常突出，將成為一個(gè)嚴(yán)重的公共衛(wèi)生問題。該疾病的發(fā)病原因尚不明確，發(fā)病機(jī)制非常復(fù)雜，在臨床上無有效的治療方法。因此，對于老年癡呆癥來說，早發(fā)現(xiàn)、早診斷就顯得尤其重要。
　　目前有關(guān) AD的研究很多，發(fā)達(dá)國家十分重視老年性癡呆的基礎(chǔ)性研究，相繼

2、建立了 AD的隨訪隊(duì)列，我國也進(jìn)行了相關(guān)的人群研究。此類隨訪數(shù)據(jù)有幾個(gè)顯著的特點(diǎn)：（1）數(shù)據(jù)是縱向的，即研究對象在不同時(shí)間點(diǎn)上接受多次測量，各測量值之間是相關(guān)的；（2）疾病的影響因素多，因素間的關(guān)系復(fù)雜；（3）疾病具有較長的潛伏期，且進(jìn)展不是線性的。
　　由于老年癡呆癥的隨訪數(shù)據(jù)具有非線性、不平衡性、重復(fù)測量間具有相關(guān)性、影響因素多等特征，利用常規(guī)統(tǒng)計(jì)學(xué)方法準(zhǔn)確預(yù)測老年人認(rèn)知狀態(tài)是很困難的。目前大多采用線性混合模型來處理縱向隨訪數(shù)

3、據(jù)，建立預(yù)測模型。該類模型一般要求數(shù)據(jù)服從正態(tài)分布，截距和斜率服從多元正態(tài)分布，并且假定疾病是線性進(jìn)展的。然而，老年癡呆癥隨訪數(shù)據(jù)很難完全符合上述假定，特別是數(shù)據(jù)的非線性特征，使得線性混合模型在這一問題上存在一定的局限性。因此，缺乏合適的統(tǒng)計(jì)分析方法，已經(jīng)成為預(yù)測老年人認(rèn)知狀態(tài)的一個(gè)障礙。
　　近年來，人工神經(jīng)網(wǎng)絡(luò)在醫(yī)學(xué)診斷、預(yù)后、生存分析、臨床決策支持等領(lǐng)域中得到了廣泛的應(yīng)用，顯示出了較強(qiáng)的預(yù)測能力。神經(jīng)網(wǎng)絡(luò)模型的輸入變量對于預(yù)

4、測準(zhǔn)確性至關(guān)重要，而老年癡呆癥隨訪數(shù)據(jù)包含非常多的變量，在對該隨訪數(shù)據(jù)進(jìn)行分析與研究時(shí)，各變量間的信息具有高度相關(guān)以及重疊的特性，從而使得數(shù)據(jù)統(tǒng)計(jì)分析的難度與復(fù)雜性增加。若盲目的減少變量個(gè)數(shù)，則可能會(huì)損失很多重要的信息。而主成分分析可以用幾個(gè)互不相關(guān)的綜合指標(biāo)來代替原始變量，達(dá)到降維的目的，從而減少神經(jīng)網(wǎng)絡(luò)模型的輸入層神經(jīng)元個(gè)數(shù)，加快網(wǎng)絡(luò)的訓(xùn)練速度，并可以提高預(yù)測精度。
　　本文以美國老年癡呆癥協(xié)作中心（NACC）的4642例實(shí)際

5、隨訪數(shù)據(jù)，研究基于主成分分析的BP、RBF神經(jīng)網(wǎng)絡(luò)模型預(yù)測老年人認(rèn)知狀態(tài)，比較這兩種模型的預(yù)測能力。由于本研究的目的是預(yù)測老年人的認(rèn)知狀態(tài)，因而以受訪者五年隨訪的MMSE差值作為認(rèn)知功能的變化指標(biāo)，將老年人認(rèn)知狀態(tài)預(yù)測問題轉(zhuǎn)化為隨訪數(shù)據(jù)中相關(guān)危險(xiǎn)因素與MMSE差值的非線性問題。
　　本研究首先進(jìn)行分類主成分分析（CATPCA），對老年癡呆癥隨訪數(shù)據(jù)進(jìn)行降維。在保證原始數(shù)據(jù)信息可以大部分保留的前提下，將隨訪數(shù)據(jù)的16個(gè)測量指標(biāo)轉(zhuǎn)化為

6、8個(gè)綜合指標(biāo)（主成分）（累計(jì)貢獻(xiàn)率達(dá)到80.15％），并將這8個(gè)主成分作為老年人認(rèn)知狀態(tài)的BP、RBF神經(jīng)網(wǎng)絡(luò)預(yù)測模型的輸入變量進(jìn)行網(wǎng)絡(luò)訓(xùn)練學(xué)習(xí)。
　　在基于主成分分析結(jié)果的基礎(chǔ)上，構(gòu)建了BP神經(jīng)網(wǎng)絡(luò)模型，確定BP神經(jīng)網(wǎng)絡(luò)的層數(shù)以及各層神經(jīng)元的個(gè)數(shù)，選擇 Sigmoid函數(shù)作為網(wǎng)絡(luò)隱含層和輸出層的激活函數(shù)。隨機(jī)選擇3000名受訪者隨訪數(shù)據(jù)作為訓(xùn)練樣本，對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練學(xué)習(xí)，比較不同BP神經(jīng)網(wǎng)絡(luò)算法的結(jié)果表明，在采用Leven

7、berg-Marquardt算法時(shí)，網(wǎng)絡(luò)訓(xùn)練的收斂速度最快。當(dāng)隱含層的神經(jīng)元個(gè)數(shù)為12時(shí)，BP神經(jīng)網(wǎng)絡(luò)對函數(shù)的逼近效果較理想，訓(xùn)練速度最快。將訓(xùn)練好的網(wǎng)絡(luò)對1642名受訪者的隨訪數(shù)據(jù)進(jìn)行仿真，得到BP神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果最大相對誤差為2.0471，平均相對誤差為0.4410。同時(shí)，構(gòu)建了RBF神經(jīng)網(wǎng)絡(luò)模型，選擇三層網(wǎng)絡(luò)結(jié)構(gòu)，并確定各網(wǎng)絡(luò)層的神經(jīng)元個(gè)數(shù)，隱含層傳遞函數(shù)選擇 Gaussian函數(shù)，輸出層傳遞函數(shù)為線性函數(shù)，將主成分分析結(jié)果作為輸

8、入變量，采用與BP神經(jīng)網(wǎng)絡(luò)相同的數(shù)據(jù)集進(jìn)行網(wǎng)絡(luò)訓(xùn)練和仿真，在網(wǎng)絡(luò)訓(xùn)練的過程中不斷調(diào)整Spread值。結(jié)果表明，當(dāng)Spread值為1.0時(shí)，網(wǎng)絡(luò)訓(xùn)練的時(shí)間最短，且預(yù)測精度最好，RBF神經(jīng)網(wǎng)絡(luò)對數(shù)據(jù)具有較好的逼近能力。將訓(xùn)練好的網(wǎng)絡(luò)對隨訪數(shù)據(jù)進(jìn)行仿真，得到RBF神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果最大相對誤差為1.2572，平均相對誤差為0.3364。
　　本研究的結(jié)論為：1.主成分分析法可以在很大程度上減少參與建模變量的個(gè)數(shù)，極大的提高了神經(jīng)網(wǎng)絡(luò)的訓(xùn)練

9、速度，并保證了一定的訓(xùn)練精度；2.BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)均具有很強(qiáng)的非線性問題處理能力，通過不斷調(diào)整BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)，兩種模型都可獲得較為理想的預(yù)測結(jié)果；3.與BP神經(jīng)網(wǎng)絡(luò)相比，RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練誤差曲線收斂更快，預(yù)測誤差小，穩(wěn)定性和精度更高；4.基于RBF神經(jīng)網(wǎng)絡(luò)方法，我們可以預(yù)測受訪者更長時(shí)間段的認(rèn)知狀態(tài)狀況。
　　本研究對于準(zhǔn)確預(yù)測老年人認(rèn)知狀態(tài)，提早采取有針對性的預(yù)防、治療措施，并讓家庭及時(shí)