基于BP神经网络和支持向量机的荨麻疹证候分类探讨

刘丽蓉， 詹秀菊

（广州中医药大学医学信息工程学院，广东广州 510006）

荨麻疹俗称风疹块，是一种常见的过敏性疾病，是由于皮肤、黏膜小血管扩张及渗透性增加而出现的一种局限性水肿反应[1]。皮损以风团为主，大小不等，形态不一，色泽或鲜红或濡白，分布或散在或融合成片，可发生于身体任何部位，伴有剧烈瘙痒，迁延数日至数月，且划痕征阳性[2]。荨麻疹症状严重者可影响患者正常生活以及工作。目前有关荨麻疹用药规律的研究较多[3-8]，但关于荨麻疹症状与证候的研究鲜有报道。本研究基于文献资料，利用BP神经网络和支持向量机（support vector machine，SVM）分别探讨荨麻疹证候分类模型，以期为荨麻疹的中医辨证论治提供一定参考。

1 资料与方法

1.1 文献数据来源 收集维普数据库（VIP）、万方数字化期刊、中国知网（CNKI）等中文数据库中发表的有关荨麻疹临床治疗的文献。检索词为“荨麻疹”“风疙瘩”“风疹块”“鬼风疙瘩”“寻麻疹”“风团”“瘾疹”“临床疗效”“临床效果”“经验”。采用主题词、关键词、文摘检索，并联合逻辑词and、or组成逻辑式进行检索，检索式为：题名或关键词为“荨麻疹”OR“风疙瘩”OR“风疹块”OR“鬼风疙瘩”OR“寻麻疹”OR“风团”OR“瘾疹”，AND文摘为“临床疗效”OR“临床效果”OR“经验”。其中题名或关键词可换成主题词。

1.2 文献纳入标准 （1）治疗手段为中医药治疗或中西医结合治疗的文献；（2）中医诊断标准参照国家中医药管理局1994年发布的《中医病证诊断疗效标准》之“隐疹”的诊断标准，西医诊断标准参照《安德鲁斯临床皮肤病学》中有关荨麻疹的诊断标准[9]；（3）治疗有效的文献；（4）病案资料完整，包含证候诊断、临床表现、治疗原则、药方等。（5）文献发表年限为1996年2月至2018年10月。

1.3 文献排除标准 （1）文献中未标明治疗效果及明确标明治疗效果不佳；（2）文献数据中出现错误或者发表数据雷同的文献；（3）动物实验的文献以及综述类文献。

1.4 文献数据处理 由3名研究人员完成文献筛选，其中两人独立按照文献的纳入标准和排除标准筛选文献，如有争议，由第三人做出判断。筛选后的文献由两位研究人员将病例整理录入Microsoft Excel 2010，录入内容包括文献名称、第一作者、临床症状、证候，其中病例中相关术语的规范化参考《中医症状鉴别诊断学》[10]、《中医诊断学》[11]、《中医证候鉴别诊断学》[12]。

1.5 数据分析 利用Matlab R2013a软件，建立基于BP神经网络和SVM的荨麻疹证候分类模型。BP神经网络是由输入层、隐含层、输出层组成的阶层型神经网络，相邻层之间各神经元进行全连接，而每层各神经元之间无连接，其权值的调整采用反向传播的学习算法[13]。本研究采用3层BP神经网络建模，建立存在于数据间的函数关系。如图1所示，输入层为17个中医症状向量，隐含层公式计算为7，输出层对应风寒束表、风热犯表、脏腑湿热和其他证型共4类。

图1 3层BP神经网络结构Figure 1 Three-layer BP neural network structure

支持向量机（SVM）是将所研究的问题向真实模型的一种逼近，将原始特征用核函数进行特定变换映射到高维空间，进而分解其特征矩阵，最终把待解决的问题转化为一个对凸二次规划问题求解的过程[14]。SVM最优超平面决策示意图如图2所示。

图2 SVM超平面决策面示意图Figure 2 Schematic diagram of support vector machine hyperplane decision surface

2 结果

2.1 文献检索结果 根据“1.1项下”的检索式，从中国知网共检索到1 130篇文献，维普1 010篇文献，万方813篇文献，剔除重复文献后共获取文献2 632篇。通过阅读文献题目，按照纳入标准和排除标准删除文献1 952篇，剩余文献680篇。再经通篇阅读全文后，筛选符合纳入标准的文献共458篇，从中提取完整的信息，具备完整信息的病例共397例。

2.2 BP神经网络证候模型的建立

2.2.1 训练样本选择 按纳入标准和排除标准共筛选出符合标准的荨麻疹病例数据为397例，每个样本包含荨麻疹常见的17个症状以及舌苔和脉象，症状按有无分别设置为1、0，中医证型4类证型输出形式设置为（0，0，0，1），（0，0，1，0），（0，1，0，0），（1，0，0，0）。从上述的荨麻疹数据中抽取中医症状及中医证型构成样本集合，作为BP神经网络的学习和测试样本。

2.2.2 网络模型训练与分类 将397个样本存储于数据项data中，将皮疹、瘙痒、皮疹色红、失眠、红舌、淡舌、淡红舌、薄苔、白苔、黄苔、腻苔、细脉、数脉、弦脉、浮脉、沉脉、滑脉等17个症状作为网络模型的输入变量，输出层对应风寒束表、风热犯表、脏腑湿热和其他证型，为体现模型的优良性，训练样本的选择采用随机抽取方法，从397个样本中随机抽取357个样本作为训练样本，随机抽取40个样本数据为测试样本。采用Matlab R2013a编程，确定BP神经网络模型的结构为17-7-4，设定训练函数为trainbfg函数，设定最大训练步数为100次，学习率为0.01。以风寒束表证为例，风寒束表证BP神经网络的测试过程如图3所示，其测试样本的预测准确率为72.50%（29/40），BP神经网络分类误差如图4所示。利用同样的方法与拓扑结构进行风热犯表证、脏腑湿热证与其他证型的分类器建立。风热犯表证分类模型测准确率90.00%（36/40），脏腑湿热分类器准确率为87.50%（35/40），其他证型分类器模型准确率为82.50%（33/40）。

模型训练结果提示，风热犯表证在BP神经网络模型中拟合度最高，其次脏腑湿热证，风寒束表证最次。分析其原因，可能是由于风寒束表证候样本偏少，导致其训练不够；或是针对风寒束表证，其模型选择的输入因子和输出因子不够紧密，以至于出现这种现象。但模型训练结果较为理想，说明BP神经网络的稳定性和可靠性，且模型具有较强的鲁棒性（robustness，反映控制系统抗干扰能力的参数，即系统的健壮性，是在异常和危险情况下系统生存的关键），提示基于BP神经网络机分类器在荨麻疹模型应用中具有一定的可行性。

图3 风寒束表证分类器分类输出Figure 3 Classification output for wind-cold attacking exterior syndrome classifier

图4 风寒束表证分类器分类误差Figure 4 Classification error of wind-cold attacking exterior syndrome classifier

2.3 SVM证候模型的建立

2.3.1 选定训练集与测试集 选取荨麻疹数据397例，将症状设置为输入变量，风寒束表证、风热犯表证、脏腑湿热证和其他证型分别设置为1、2、3、4，并作为输出变量。选取357例数据作为训练样本，其余每类证型提取10例数据为测试样本。

2.3.2 SVM模型的训练与预测 参数惩罚因子C、核函数以及其参数的选定可影响SVM模型的性能。C越大则对数据的拟合程度越高，容易出现“过学习”的现象；当C取值过小时，则对经验误差惩罚过小，就会出现“欠学习”的现象[15]。为了解决该现象，本研究SVM模型采用的是RBF径向基核函数，设置核函数参数t=2。利用K-CV（K-folder cross-validation，K折交叉验证）法对SVM模型的参数c（惩罚系数）和g（RBF核函数的系数）计算和选取，初设置惩罚函数参数c与gamma参数g的取值范围为[2-10，210]。利用svmcgForClass函数进行计算，得出对应参数c和参数g模型的分类结果和准确率，通过K-CV验证比较不同参数c和参数g的分类准确率，选择最佳参数c和参数g。经计算，SVM模型的最佳参数c设置为0.574 35，g设置为0.108 82。其模型测试样本的预测正确率为92.50%（37/40）。如图5所示。

图5 SVM模型的实际测试集分类和预测测试集分类Figure 5 Practical test set classification and predicted test set classification in SVM model

图5 显示，蓝色圆圈为实际输出分类，红色星号为期望输出分类；分类输出结果在很大程度上与期望结果相重合，仅有3例样本与期望输出不相符合。说明本研究所架构的SVM分类器应用于荨麻疹证型分类科学可行，结果较好，准确率较高。

基于BP神经网络构建的分类器的平均准确率为81.13%，SVM分类模型准确率为92.50%。结果表明，在荨麻疹中医证型分类应用，SVM分类模型与BP神经网络模型均具有较好的鲁棒性和稳定性，但SVM分类模型优于BP神经网络分类模型。

3 讨论

本研究利用BP神经网络与SVM分类器对荨麻疹证候进行分类，建立以荨麻疹17种常见的症状为输入变量，以风寒束表证、风热犯表证、脏腑湿热证、其他证型共4种证型为输出变量的证候分类模型。其模型拟合效果较好，精确度良好，SVM模型拟合效果优于BP神经网络。

BP算法已经被证实具有实现任何复杂非线性映射的功能，适合用于求解内部机制复杂的问题，因此使用BP人工神经网络解决中医证型问题是可行而科学的。但BP算法本质上是梯度下降算法，所要优化的目标函数又非常复杂，容易出现“锯齿形现象”，令BP算法学习速度缓慢。本课题训练样本量少，因此建模迭代次数较少，导致算法效率低下的弊端并不明显，与SVM分类器无太大差异。更多的训练样本能在一定程度上提升BP算法拟合结果的准确度，而本研究所收集的样本数量难以支撑BP算法取得更高的准确度。SVM是一种小样本学习方法，庞大的训练样本规模反而不利于SVM的学习。因此在样本量较少的情况下，使用SVM构建分类器将比使用BP算法更合适。

本研究利用BP神经网络与SVM分类器可取得较好的拟合结果，提示人工神经网络技术可能适合中医研究的需求。本研究把人工神经网络技术与荨麻疹证型研究相结合，但因限于一些客观条件，无法在结果数据的准确度上更进一步。就目前来看，不论是荨麻疹证型预测模型还是SVM分类器都还只属于理论的模型，尚在起步阶段，需要进一步完善。荨麻疹领域的人工神经网络研究，也需要更进一步的发展，今后需从以下方面进一步深入：第一，更大的样本量才能实现更加深入的人工神经网络学习，更加广泛的涵盖度及更加科学合理的研究结果。故在未来的研究中，应该广泛收集荨麻疹临床数据，增加样本数据量以增强训练效果，建立基于海量数据的、具有实用意义的荨麻疹证型预测模型和分类器。第二，利用智能优化算法优化BP神经网络参数，提高其模型分类器的精确度。第三，针对数据采集过程中可能出现误差或者噪音等现象，可利用机器算法筛选SVM惩罚参数，进而优化SVM分类器模型。