BP和Elman神经网络评价针灸治疗颈椎病疗效研究

韦晓燕，张洪来，魏航，2，林秦烨，谭火媛，郭丽纯

（1.广州中医药大学医学信息工程学院，广州　510006；2.华南理工大学软件工程学院，广州　510006）

BP和Elman神经网络评价针灸治疗颈椎病疗效研究

韦晓燕1，张洪来1，魏航1，2，林秦烨1，谭火媛1，郭丽纯1

（1.广州中医药大学医学信息工程学院，广州510006；2.华南理工大学软件工程学院，广州510006）

0　引言

颈椎病是近些年来增长人数较快的一种疾病，严重危害人体的健康，国内外都对颈椎病做了很多的研究与探索［2-4］，国内也出现了评价针灸治疗颈椎病疗效的量表模式［5］。并且对PRO量表进行了相关适用性研究［6-7］。我们在此背景下采用了SF-36量表［8］，基于病人自主报告病情，以VAS疼痛量表［8］作为评分，来建立预测评价模型。由于颈椎病量表有很大的不确定性以及复杂性，需要综合多种因子去衡量，且因子与结构的关系是非线性的，而人工神经网络有大规模的并行处理以及信息存储能力，可以实现这种处理非线性系统，其中神经网络中主要包括前向神经网络和反馈神经网络。BP神经网络是前向神经网络的核心，由于BP神经网络具有高度的非线性组合能力，处理问题较为广泛，误差逆向传播，可以提高数据训练以及测试的准确度，基于此曾做过颈椎病针灸疗效的相关研究［9］。此外由于量表数据是动态变化的，而Elman神经网络是反馈型的神经网络，有很高的稳定性，联想记忆功能，在复杂度和复杂性中有更高的准确度，具有良好的动态模拟作用，因此本文采用BP神经网络和Elman神经网络建立评价模型进行对比分析，为针灸治疗颈椎病疗效提供理论基础。

1　神经网络的基本原理

1.1BP神经网络

BP神经网络是由多层构成的的前向网络，具备处理线性不可分问题，包括输入层、隐含层和输出层，如图1。数据从输入层经隐含层向后传播，若输出层未能够得到期望输出则误差逆向传播，通过隐层向输入层返回修改权值直到误差最小。其基本原理和算法参见文献［10］。

图1　BP神经网络模型

其中输入节点为xi，隐含层输出节点为yj，出节点为ok，wjk，vij分别为隐含层到输出层，输入层到隐含层的连接权值。f为神经元的激活函数，网络的期望输出为dk，输出误差为e，网络的各层输出关系为：

输入层：

1.2Elman神经网络

基本的Elman神经网络由输入层、输出层、隐含层、连接层组成。与BP网络相比，在结构上多了一个连接层，连接层的输出函数为线性函数，但是多了一个延迟单元，可以记忆过去的状态，并在下一时刻与网络的输入一起作为隐含层输入，使网络具有很强的联想记忆功能。其基本原理和算法参见文献［11］。

图2　Elman网络的结构模型

其中，输入层节点为ur，隐含层输出节点为xn，承接层输出节点为xc，输出层节点为ym，w1，w2，w3分别为承接层到隐含层、输入层到隐含层、隐含层到输出层的连接权值，g（·）为输出神经元的激活函数，f（·）为隐含层神经元的激活函数，网络的期望输出为dk，输出误差为e。

输入层：yk=g［w3x（k）］

2　神经网络预测模型的建立与实现

2.1数据的采集

本研究数据选自近年来在广东省中医院接受治疗，纳入符合纳入标准的128例颈椎病患者。以SF-36量表主要疗效指标，以视觉模拟评分（VAS）为次要疗效指标。

2.2数据的预处理

（1）数据归一化。为了消除数据量纲的影响，所有变量在数据集规范化为了在［0-1］区间内，即所有的变量都是使用以下转换为图3中公式来规范化，见表1：

表1　归一化后的部分针灸数据

（2）因子分析。由于SF-36量表中条目较多，且条目之间具有较高的相关性，在KMO检验和Bartlett检验中，本例中KMO取值为0.773，标明可以进行因子分析，Barlett检验中sig=0.000，说明数据来自正态分布总体，适合作进一步分析。见表2。经主成分分析（Principal Components Analysis，PCA），已累计贡献率大于一定百分比（如73.055%）的主成分数目为因子数目为8，且经过因子旋转，因子得分计算，最终得到8个因子的数据表，如表3。

表2　KMO检验和Bartlett检验结果

表3　因子得分数据

2.3神经网络模型

（1）BP神经网络模型的建立

分析输入输出数据，建立多层BP神经网络。其中输入变量8个，输出变量1个，在开始时放入比较少的神经元，逐步增加隐层节点的数目，直到达到比较合理的隐层节点数目为止。最后，神经网络模型的各层节点数分别为：输入层8个，分别对应前文分析出来的8个特征因子；隐含层的节点为7个；输出层为1个，如图3。

图3　BP神经网络结构图

本次建模中，隐层采用S型正切函数tansig，输出层采用S型对数函数logsig。通过对不同的lr和mc的取值进行了考察，确定本文神经网络模型的参数为lr= 0.5，nc=0.9。误差根据实际情况确定，本文神经网络的误差界值为0.01，能够很好地满足网络的性能要求即在选代计算时误差值E≤0.01时，则认为学习完成，停止计算，输出结果训练的误差变化曲线如图4所示，在经过60次训练后，神经网络的性能达到了要求。

（2）Elman神经网络模型建立

实验采用单隐层的Elman神经网络，其中输入层神经元的个数为8；输出层神经元的个数为1。为了使网络的诊断误差最小，经过多次训练检验，发现将隐含层神经元的个数设定为20，能够很好地满足网络的性能要求，如图5。

将119份的训练样本输入到Elman神经网络中，本文神经网络的误差界值为0.01。训练的误差变化曲线如图6所示，在经过1000次训练后，网络的性能达到了要求。

图4　训练误差图

图5　Elman神经网络结构图

图6　Elman神经网络训练误差图

3　BP与Elman神经网络的测试结果对比分析

采用9组测试样本分别在训练好的BP和Elman网络预测。测试结果如表4所示。结果显示BP神经网络测验的误差为0.0088，Elman神经网络测验的误差为0.1228。对比两种神经网络的训练过程及检测结果，可以得出BP神经网络收敛速度相对较慢，而且有可能收敛于局部极小值；Elman神经网络的参数调整方便，与BP神经网络相比诊断误差要大一些。因此，经过对比分析BP神经网络构建针灸治疗颈椎病疗效评价模型预测结果更优。

4　结语

从实验结果看出，使用BP神经网络和Elman神经网络都可以实现针灸治疗颈椎病疗效的预测。可以得出人工神经网络在基于PRO量表下针灸治疗颈椎病的疗效下具有切实可行性。但就预测误差与性能对比分析发现BP神经网络预测优于Elman神经网络预测。因此，利用BP神经网络模型能根据患者自主评估填写的PRO量表，来预测VAS疼痛评分通过对于针灸治疗前后以此判断针灸疗效，从而可以帮助医生针灸临床治疗提供参考。

表4　BP和Elman测试结果对比

［1］梁兆晖，朱晓平，符文彬.基于病人报告结局测量的针刺治疗颈椎病疗效评价及相关性分析.颈腰痛杂志.2010（08）：1229-1232.

［2］熊键，谢青，鲍勇等.颈椎病评定量表的研究进展［J］.Chinese Journal of Rehabilitation，2010，25（4）：296-297.

［3］针刺治疗颈椎病颈痛患者生存质量分析［J］.针灸治疗痛症国际学术研讨会论文汇编，2009.5.15：3-6.

［4］Witt CM，Jena S，Brinkhaus B，et.al.Aeupuneture for Patients with Chronie Neck Pain［J］.Pain，2006，125（1-2）：98-106.

［5］劳丽陶等.颈椎病针灸治疗评价中的病人报告结局评价模式探讨［J］.广州：中医药导报.2010.8.28：2-3.

［6］张继福，梁兆辉等.患者报告结局评价技术在针灸疗效评价中的适用性研究［J］.广州：广州中医药大学学报.2012.3.20：1-3；

［7］张建源.颈椎病疗效评价量表信度与效度考核［D］.广州：广州中医药大学学报.2011.4.1：3-52.

［8］梁兆辉，朱小平等.针刺治疗慢性颈椎病颈痛疗效评价［J］.新中医.2008.10.5：1-2.

［9］王芳慧.基于人工神经网络的PRO评价针灸治疗颈椎病的疗效研究［D］.广州.广州中医药大学，2014.：1-6.

［10］袁曾任.人工神经网络及其应用［M］.北京：清华大学出版社，2010：78-125.

［11］陈明等.MATLAB神经网络原理与实例精解［M］.北京.清华大学出版社，2013.3：296-301.

韦晓燕，女（1996-），安徽阜阳人，本科，学生，研究方向为数据分析、人工神经网络

张洪来，男，山东人，医学博士，研究员，副主任中医师，研究方向为针灸治疗颈椎病及针灸临床资料数据挖掘

魏航，女，广东人，在读博士，讲师，研究方向为数理统计、机器学习与计算机应用

林秦烨（1994-），男，广东潮州人，在读本科，研究方向为数据分析

谭火媛（1993-），女，广东云浮人，在读本科，研究方向为机器学习、数据挖掘

郭丽纯（1993-），女，广东揭阳人，在读本科，研究方向为数据分析

PRO Scale；BP Neural Network；Elman Neural Network；Acupuncture Evaluation

Research on Effectiveness Assessment of Acupuncture for Cervical Spondylosis Based on BP and Elman Neural Network

WEI Xiao-yan1，ZHANG Hong-lai1，WEI Hang1，2，LIN Qin-ye1，TAN Huo-yuan1，GUO Li-chun1
（1.School of Medical Information Engineering，Guangzhou University of Chinese Medicine，Guangzhou 510006；2.School of Computer&Engineering，South China University of Technology，Guangzhou 510006）

国家级创新创业训练项目（No.201510572017）、国家自然科学基金项目（No.81274003）、广东省自然科学基金项目（No. 2015A030310312、2014A030309013）、广东省中医药科学基金研究项目（No.B2014174）

1007-1423（2016）22-0003-05DOI：10.3969/j.issn.1007-1423.2016.22.001

2016-05-31

2016-07-28

基于PRO量表在针灸治疗颈椎病的不确定性和复杂性，需要综合多种因子去衡量，且因子与输出的关系是非线性的，而人工神经网络模型能够解决非线性问题且适合于动态系统辨识，于是分别构建BP和Elman人工神经网络，通过MATLAB软件运算，分析比较得出BP模型比Elman模型精度高，在针灸评价模型中效果更好。为针灸治疗颈椎病提供相关理论指导。

PRO量表；BP神经网络；Elman神经网络；针灸评价

Based on PRO scale in the acupuncture treatment of cervical spondylosis exists uncertainty and complexity，it is difficult to judge by a single factor，but a comprehensive variety of factors to measure，and the relationship between the factor and the output is non-linear，and the neural network model can approximate arbitrary nonlinear function and suitable for dynamic system identification feature，so constructs the evaluation model BP and Elman artificial neural network by MATLAB software operation，comparative examples drawn BP model is higher than the Elman model accuracy.