基于人工神经网络的足月胎儿体重预测

摘要

本研究采用反向传播(BP)人工神经网络方法取代传统的回归分析方法来预测胎儿体重。首先，对从四川大学华西附属第二医院采集到的109例样本数据，从线性与非线性、单参数与多参数等方面，多角度对所采集到的数据进行了相关性研究和回归分析，并最终得到四个非线性回归方程，获得了较好的预测准确率(符合率)，最高达到了75％。这四个方程模型较好地描述了胎儿发育的全过程，所选参数覆盖了胎儿的头部、四肢、腹部、皮下脂肪的堆积和肝糖元的存储等生理变化情况。然后采用基于反向传播算法的人工神经网络(BP网络)方法，通过三种处理方式来验证BP网络预测结果，均获得了较为理想的预测结果，无论何种方式都达到了80％以上的符合率，最高达到95％。在分组训练验证中，训练组预测符合率达89.77％，平均绝对误差104.22克，平均相对误差3.24％；验证组预测符合率达76.19％，平均绝对误差190.84克，平均相对误差5.60％。表明神经网络预测胎儿体重方法十分有效，准确性高于回归方程。在预测参数选择上，通过实验发现以为天为单位的孕龄与超声参数相结合，预测效果更好。最后，基于VC++开发了具有可视化界面的Windows应用程序，为临床胎儿预测提供一种使用便捷，操作简单，可靠性高的应用软件系统。

目录

文摘

英文文摘

1 文献综述及研究设想

1.1医学背景

1.1.1 超声影像技术在产科的应用

1.1.2 胎儿生长发育过程

1.1.3 胎儿生长发育的重要生理指标

1.2 B超预测胎儿体重的处理方法

1.2.1 单参数回归分析

1.2.2 多参数回归分析

1.3回归方法预测胎儿体重存在的问题

1.4研究设想：用神经网络方法代替回归方程预测胎儿体重

2 回归分析预测胎儿体重

2.1回归模型介绍

2.1.1 一元线性回归模型

2.1.2 多元线性回归模型

2.1.3 多元非线性回归模型

2.2单参数回归分析与讨论

2.2.1 研究对象

2.2.2 超声参数对胎儿体重的影响

2.2.3 预测体重值的评价

2.3回归分析预测胎儿体重

2.3.1 一元线性回归方程

2.3.2 多元线性回归方程

2.3.3 非线性回归方程

2.3.4 新的非线性模型的引入

2.4本章小结

3 人工神经网络分析预测胎儿体重

3.1反向传播人工神经网络

3.1.1 误差规则与梯度下降算法

3.1.2 BP网络的学习算法

3.2基于BP神经网络预测胎儿体重

3.2.1 BP网络映射关系

3.2.2 处理方式1的结果

3.2.3 处理方式2的结果

3.2.4 处理方式3的结果

3.3讨论

3.3.1 处理方式1、2、3的结果比较

3.3.2 神经网络方法和回归方程预测结果比较

3.4本章小结

4应用软件实现

5 全文总结

5.1论文工作的总结

5.2论文的创新点

5.3研究展望

参考文献

攻读硕士学位期间成果列表

发表论文列表

参加研究的课题

声明

致谢