基于遗传算法和人工神经网络的颅内压监测

摘 要:通过对目前颅内压检测方法优缺点的分析,提出一种新型的颅内压检测方法――基于遗传算法和人工神经网络的颅内压监测。该方法利用误差反向传播神经网络建模,利用遗传算法优化,克服误差反向传播算法效率低下,易陷入局部极值的缺点。通过测量4～6个脑血流动力学参数,输入进此颅内压预测模型,即可得到所需颅内压值。

关键词:颅内压;遗传算法;人工神经网络;脑血流动力学参数

中图分类号:TP183文献标识码:A

文章编号:1004-373X(2010)04-170-02

Intracranial Pressure Monitoring Based on Genetic Algorithm and Artificial Neural Network

LU Lirong,ZHOU Jinyang,NIU Xiaodong

(Changzhi Medical College,Changzhi,046000,China)

Abstract:A novel intracranial pressure monitoring based on genetic algorithm and artificial neural networks after analyzing the advantages and disadvantages of the intracranial pressure detection method at present.Building a model by using back propagation neural network and optimizing by using genetic algorithm can restrain the disadvantages that the speed of the back propagation algorithm is slowly and the back propagation algorithm is easy to fall into local extremum.The needed intracranial pressure can be gained by measuring 4~6 cerebral hemodynamic parameters and inputting to this intracranial pressure prediction model.

Keywords:intracranial pressure;genetic algorithm;artificial neural network;cerebral hemodynamic parameter

0 引 言

颅内压(Intracranial Hypertension,ICH)增重时将导致脑疝,并可能危及生命[1]。颅内压的检测是颅脑疾病处理的重要前提,它可以帮助医生判断患者颅脑损伤程度并采取降压措施[2]。目前临床采用的成熟的监测颅内压技术均为有创方法,例如,腰椎穿刺,脑室内检测等。虽可较准确地反映颅内压水平,但存在以下弊端:操作繁杂、并发症较多;不适宜长期监测;仅可获得颅内压值,不能从颅内压动力学内在机制的角度,分析ICH为何种关键因素所致[3]。近年来,国内外已开展了多项无创性颅内压监测技术的基础与应用研究。以建立数学模型的方法,无创监测颅内压为其中一项活跃的研究。

人工神经网络[4](Artificial Neural Networks,ANNs)是对人脑神经网络在结构、功能及某些基本特性理论的抽象、简化和模拟,而构成的一种信息处理系统,适合解决各类拟合、预测等复杂问题。误差反向传播(Back Propagation,BP)神经网络是目前应用最广泛也是发展最成熟的一种神经网络模型。尽管在实际工作中网络得到了大量应用,但它也存在一些严重的问题:由于训练采用简单的梯度下降法进行优化训练,算法效率低下,且易陷入局部极值,造成训练失败[5,6]。

遗传算法[7](Genetic Algorithm,GA)是模拟生物在自然环境中的遗传和进化过程而形成的一种全局搜索算法。具有更好的鲁棒性。

在此针对BP神经网络的缺点,将GA与BP算法相结合,建立各相关参数与颅内压关系的数学模型,实现最优化的颅内压监控预测模型。

1 神经网络建模

大量的研究表明,颅内压值与平均动脉压、大脑中动脉血流速度、阻力指数等脑血流动力学参数有较好的定量关系[3]。即:设颅内压值为y,脑血流动力学参数平均动脉压、大脑中动脉血流速度、阻力指数等的值分别为x1,x2,x3…,则有:

y=f(x1,x2,x3)(1)

人工神经网络理论已经证明,三层BP神经网络可以逼近任何函数[8,9]。因此可以利用BP神经网络来建立颅内压模型从而可以最优化地逼近式(1)这个函数。

图1为利用BP反向传播神经网络建立颅内压模型[10]。平均动脉压、大脑中动脉血流速度、脉动指数、阻力指数等脑血流动力学参数作为输入层,隐含层的神经元个数由实验反复确定,直到网络输出的颅内压值与实验所得的颅内压值之间的误差在所允许的范围,此颅内压模型确定。

图1 BP神经网络建立颅内压模型

2 遗传算法优化

BP神经网络算法虽然具有简单和可塑性强的优点,但是收敛速度慢,且常受局部极小点的困扰,不利于网络的优化。而GA可以克服此缺点。因此用GA来对此模型进行优化。流程图如图2所示。

图2 GA优化流程图

具体步骤为:

(1) 初始化:随机产生N组在不同实数区间内取值的初始网络权值。

(2) 预训练:用 BP算法对N组初始权值分别进行预训练。

(3) 判断是否满足精度要求:若经过预训练后N组权值中至少已有一组满足精度要求,则算法结束;否则转入步骤(4)。

(4) 生成新权值:分别依据经过预训练的上述N组权值所对应的上下限确定取值区间,在区间内随机生成r×N组新的权值,连同经过预训练的N组权值一起,构成完整的基因群体,生成共(r+1)×N组权值。

(5) 遗传操作:对这(r+1)×N组权值进行选择、交叉、变异等遗传操作。

(6) 判断算法是否结束:如果经过步骤(5)的操作已经至少得到一组满足精度要求的权值,则算法结束;否则从经过遗传操作的这(r+1)×N组中选出N组较好的,恢复到步骤(2)。

3 结 语

在此利用遗传算法和人工神经网络建立颅内压的预测模型。通过测量4~6个脑血流动力学参数,输入进此模型,即可得到所需颅内压值。通过建立此模型,为相关临床医学专业医师无创、实时、准确监测颅内压提供了一种新方法。

参 考 文 献

[1]郭玉璞.脑血管病的病理学[M].北京:科学出版社,1993.

[2]刘常春,曹佃国,姜安宝,等.一种新的无创检测颅内压的数学模型[J].山东大学学报:工学版,2004,34(6):62-65.

[3]曾高,焦风,李运海,等.用数学模型实现无创颅内压监测的现状与应用前景[J].中国脑血管病杂志,2007(9):418-420.

[4]高隽.人工神经网络原理及仿真实例[M].北京:机械工业出版社,2005.

[5]姜谙男,赵德孝,孙豁然,等.进化神经网络在矿山入选品位优化中的应用[J].矿业研究与开发,2004,24(4):44-46.

[6]何翔,李守巨,刘迎曦,等.基于遗传神经网络的坝基岩体渗透系数识别[J].岩体力学与工程学报,2004,23(5):751-757.

[7]周明,孙树栋.遗传算法原理及应用[M].北京:国防工业出版社,1999.

[8]Homik K,Stinchcombe M,White H.Mulilayer Feedforward Networks are Universal Approximators[J].Neural Networks,1989,2(5):359-366.

[9]曾高,邓巍,何乾,等.反向传播神经网络在检测颅内压数学模型中的应用[J].中国脑血管病杂志,2007(9):387-391.

[10]闻新,周露,李翔,等.Matlab神经网络仿真与应用[M].北京:科学出版社,2003.