基于BP神经网络和DS证据理论的疾病预测模型研究

摘要

随着生活水平的提高，人们期待获得更优质的医疗服务。计算机技术的快速发展使得它已经广泛地应用于医疗领域的各个方面，然而，计算机技术主要用于病人医疗信息的采集、显示、存储等方面，疾病的诊断仍然主要由医生来确定。利用计算机进行辅助疾病诊断，实现智慧医疗，目前正处于开始发展阶段。
　　将计算机技术应用于疾病辅助诊断和预测[1]，对于疾病的早发现、早治疗、减少误诊等方面具有很重要的意义。目前常用的方法包括时间序列预测法、Markov预测法、人工神经网络法、回归预测法等[2]。另外，人们也尝试将多个数学模型结合进行疾病预测，以提高预测的准确率。本文以心脏病预测为研究背景，通过BP神经网络[3]建立疾病预测模型，对病人的病情进行预测，并引入DS证据理论[4]以提高预测准确率。
　　论文首先总结了BP神经网络和DS证据理论各自的特点。BP神经网络具有自适应、容错性和自组织性强的特点。但表现出容易陷入局部极小点，在多目标预测的过程中会产生识别率差和可信度不高的情况。DS证据理论的优点是可以将证据之间微弱的差别累加起来，当这些差别累计到一定程度时，就能够进行区分，达到提高预测准确率的效果，DS证据理论的这一优点正好可以弥补BP神经网络预测精度不高的缺点。
　　鉴于BP神经网络和DS证据理论的特点，论文提出了一种将BP神经网络和DS证据理论结合起来进行疾病预测的模型。该模型用BP神经网络进行建模，得到疾病预测模型，并用该模型依据特征数据对病情进行预测，得到的结果用DS证据理论进行合成，合成结果作为最后的预测结果。
　　为验证模型的正确性，论文通过心脏病数据对模型进行测试。先利用心脏病数据进行训练，生成BP神经网络。然后将数据分为多组输入，经归一化处理后，输入到BP神经网络进行预测，得到多组输出结果。该输出进行归一化处理，作为DS证据理论可以合成的基本概率向量。最后，利用DS证据理论对基本概率向量进行合成，合成的结果如果满足预期结果，则将合成结果输出，这一结果就是最终对心脏病的预测结果。
　　实验表明，将BP神经网络和DS证据理论结合起来进行心脏病预测不仅预测准确率大大提高，而且算法的鲁棒性也较好。将此模型应用于其他疾病的预测，对该模型的应用范围进行扩展，将会为未来的智慧医疗的发展提供广阔的应用空间。