bp神经网络与风险评估模型应用
- 格式：doc
- 大小：123.50 KB
- 文档页数：4
bp神经网络与风险评估模型
风险预测体系
1评估目的
开展对住院病人医疗风险评估工作，主要从三方面进行：医疗质量，护理质量以及管理质量。目的是为了对住院病人可能存在的医疗风险进行客观、合理的阶段性评价，使医务人员获得住院病人综合、全面的反馈信息，以便于及时调整诊疗方案，提高医疗服务质量。
2评估对象
评估对象分别为在院住院病人。
3评估指标
表1医疗风险评估指标体系
变量 风险因子 分值 说明
x1 疾病严重程度 5 主要指入院时病人的身体状况
x2 病人现状 5 病人目前的身体状况
x3 手术、治疗情况 10 手术等级评分或给药情况
x4 护理质量 7 护理质量评分
x5 病人知晓情况 3 相关告知是否充分
x6 内置物情况 3 相关内置物是否有质量问题
x7 病人性质 3 是否医保、能否报销费用
x8 有无并发症 5 有无并发症，影响是否严重
BP神经网络的基本原理
BP〔Back-Propagation〕神经网络也称为后向传播神经网络[4]。是一种具有三层或三层以上的阶层型神经网络。典型的网络是三层、前馈的阶层网络，即：输入层、隐含层(也称中间层)、输出层。相邻层之间的各神经元实现全连接，即下一层的每一个神经元与上一层的每个神经元都实现全连接，而且每层各神经元之间无连接。
BP算法是通过迭代地处理一组训练样本，将每个样本的网络预测与实际知道的分类标号比较，进行学习。对于每个训练样本，修改权值，使得网络预测值和实际值之间的均方误差最小。这种修改“后向”进行。即由输出层，经由每个隐藏层，到第一个隐藏层，如此反复。经过一组样本数据进行训练后，权将最终收敛，学习过程停止。算法如表2所示。
表2 BP算法表示
算法 后向传播。使用后向传播算法的神经网络分类学习。
输入 训练样本samples，学习率1，多层前馈网络network。
输出 一个训练的、对样本分类的神经网络。
方法 初始化network的权和偏置。
While 终止条件不满足{
for samples中的毎个训练样本X{
//向前传播输入
for隐藏层或输出层每个单元j{
Ij=∑iWijOi+Bj ； //相对于前一层i，计算单元j的净输入
Oj=1/(1+e-Ij);} //计算毎个单元j的输出
//后向传播误差
for 输出层毎个单元j
Errj= Oj (1- Oi)(Tj- Oi); //计算误差
for 由最后一个到第一个隐藏层，对于隐藏层毎个单元j
Errj= Oi (1- Oi) ∑kErrkWjk ；//计算关于下一个较高层k的误差
for network 中毎个每个权Wij{
△Wij=(1)ErrjOj ； //权增值
Wij=Wij+△Wij ; } //权更新
for network 中毎个每个权Bj{
△Bj=(1)Errj ； //偏值增值
Bj= Bj+△Bj ; } //偏值更新
}}
风险预测模型构建
定义BP网络拓扑结构
(1)输入层节点的选择
前面我们分析了对医疗风险预测的指标体系，风险因子的指标为8个(X1-X8），将这8个评价指标作为网络的输入节点n=8。
(2)输出层节点的选择
根据评价体系要求，我们将评价结果作为网络的输出，因此取输出层节点数m=1。
(3)网络隐含层数的确定
在合理的结构和恰当的权值条件下，3层BP网络可以逼近任意的连续函数，因此，我们选取结构相对简单的3层BP网络。
(4）隐藏层节点的选择
于三层网络来说，输入层和输出层的节点数都可由问题本身定义，主要需要确定的是隐藏层节点的个数。目前来说，并没有确定最佳的隐藏层节点个数的理论方法，通常由经验或试验来确定。例如，由两个隐藏层节点开始，逐渐曾加隐藏层节点的个数（不超过输入节点的个数〉，直至达到较佳效果；或者以相反的方向进行，先给定一个较大的隐藏层节点数，再慢慢减少其个数。根据前一种方法，经试验，可以得出隐含层节点个数8=5。通过以上分析得到如图1所示的BP网络拓扑结构。
BP网络学习算法
BP神经网络的学习过程描述如下： 输入层 隐藏层 输出层
图1 BP网络拓扑结构
(1)初始化权及学习参数。网络的权被初始化为很小的随机数，例如：由-1.0到1.0，或由-0.5到0.5；每个单元有一个偏置，偏置赋予（-2/n，2/n）之间的随机数；学习率为1；目标误差为0.001。
(2）向前传播输入。在这一步，计算隐藏层和输出层每个单元的净输入和输出。首先，训练样本提供给网络的输入层。对于输入层的单元j，它的输出等于它的输入，即对于单元j，Oj=Ij。然后，隐藏层和输出层的每个单元的净输入用其输入的线性组合计算〔如公式4.2.1所示〕。
ijijijBOWI （4.2.1）
其中，Wij是由上一层的单元i到单元j的连接权；Oi是上一层单元i的输出；而Bj是单元j的偏置。隐藏层和输出层的每个单元取其净输入，然后将一个Logistic函数作用于它。给定单元j的净输入Ij，则单元j的输出Oj用下式计算。
)e1/(1Oj-Ij （4.2.2）
〔3〉后向传播误差。通过更新权和偏置以反映网络预测的误差，向后传播误差。对于输出层单元j，误差Errj用下式计算：
)O -)(TO -(1 O Ejjjjrrj （4.2.3)
其中Oj是单元j的实际输出，而Tj是j基于给定训练样本的已知类标号的真正输出。这里Oj (1-
Oj)是Logistic函数的导数。为计算隐藏层单元j的误差，考虑下一层中连接j的单元的误差加权和。隐藏层单元j的误差由下式计算：
kjkrrkjjrrjWE )O -(1 O E （4.2.4)
其中，Wjk是由下一较高层中单元k到单元j的连接权，而Errk是单元k的误差。
更新权和偏置，以反映传播的误差。权和偏置由如下几个公式更新：
jrrjjiOEW)1( （4.2.5) ijijijWWW （4.2.6)
rrjjEB)1( （4.2.7) jjjB B B （4.2.8)
其中，△Wij是权Wij的改变，1是学习率，△Bj是偏置Bj的改变。
(4）反复迭代至训练停止。第一个样本经上面训练后，再选取第二个样本进行训练，重复以上步骤，直至所有样本全部训练结束达到误差允许值，神经网络预测模型建立。
BP网络模型的实现
表3 网络训练结果与实际结果比较 序号 网络训练值 实际评价值 等级
1 0.821 0.8 良
2 0.392 0.4 优
3 0.496 0.5 优
4 0.866 0.9 优
5 0.441 0.4 及格
6 0.311 0.3 良
7 0.805 0.8 优
8 0.693 0.7 优
9 0.611 0.6 良
10 0.715 0.7 良
„ „ „ „
基于以上分析建立的网络模型和学习算法，我们选用高性能的数值计算可视化软件Matlab7.0，建立三层BP神经网络，输入层神经元8个，隐藏层神经元5个，输出层神经元1个，学习率为1，目标误差为0.001。在这里我们对湖州第一医院肾内科、心内科和腹部微创外科住院病人进行风险评估，形成45条样本数据，其中三分之二的数据用做神经网络训练学习，三分之一的数据用于对网络模型进行测试。为避免风险因子值相差过大，从而影响评估结果，对样本矩阵进行归一化处理。采用Matlab神经网络工具箱学习训练网络，得到神经网络评价模型，通过对测试数据的验证，结果比较满意，测试结果与专家评价结果比较见表3所示(这里给出部分数据〉。
