基于主成分分析的神經(jīng)網(wǎng)絡模型在預測老年人認知狀態(tài)中的研究.pdf

1、老年癡呆癥（Alzheimer's Disease，AD）是指發(fā)生在老年及老年前期，以進行性的認知功能障礙與行為損害為特征的中樞神經(jīng)退行性病變。隨著我國人口迅速的老齡化，老年癡呆癥患病問題變得非常突出，將成為一個嚴重的公共衛(wèi)生問題。該疾病的發(fā)病原因尚不明確，發(fā)病機制非常復雜，在臨床上無有效的治療方法。因此，對于老年癡呆癥來說，早發(fā)現(xiàn)、早診斷就顯得尤其重要。
　　目前有關 AD的研究很多，發(fā)達國家十分重視老年性癡呆的基礎性研究，相繼

2、建立了 AD的隨訪隊列，我國也進行了相關的人群研究。此類隨訪數(shù)據(jù)有幾個顯著的特點：（1）數(shù)據(jù)是縱向的，即研究對象在不同時間點上接受多次測量，各測量值之間是相關的；（2）疾病的影響因素多，因素間的關系復雜；（3）疾病具有較長的潛伏期，且進展不是線性的。
　　由于老年癡呆癥的隨訪數(shù)據(jù)具有非線性、不平衡性、重復測量間具有相關性、影響因素多等特征，利用常規(guī)統(tǒng)計學方法準確預測老年人認知狀態(tài)是很困難的。目前大多采用線性混合模型來處理縱向隨訪數(shù)

3、據(jù)，建立預測模型。該類模型一般要求數(shù)據(jù)服從正態(tài)分布，截距和斜率服從多元正態(tài)分布，并且假定疾病是線性進展的。然而，老年癡呆癥隨訪數(shù)據(jù)很難完全符合上述假定，特別是數(shù)據(jù)的非線性特征，使得線性混合模型在這一問題上存在一定的局限性。因此，缺乏合適的統(tǒng)計分析方法，已經(jīng)成為預測老年人認知狀態(tài)的一個障礙。
　　近年來，人工神經(jīng)網(wǎng)絡在醫(yī)學診斷、預后、生存分析、臨床決策支持等領域中得到了廣泛的應用，顯示出了較強的預測能力。神經(jīng)網(wǎng)絡模型的輸入變量對于預

4、測準確性至關重要，而老年癡呆癥隨訪數(shù)據(jù)包含非常多的變量，在對該隨訪數(shù)據(jù)進行分析與研究時，各變量間的信息具有高度相關以及重疊的特性，從而使得數(shù)據(jù)統(tǒng)計分析的難度與復雜性增加。若盲目的減少變量個數(shù)，則可能會損失很多重要的信息。而主成分分析可以用幾個互不相關的綜合指標來代替原始變量，達到降維的目的，從而減少神經(jīng)網(wǎng)絡模型的輸入層神經(jīng)元個數(shù)，加快網(wǎng)絡的訓練速度，并可以提高預測精度。
　　本文以美國老年癡呆癥協(xié)作中心（NACC）的4642例實際

5、隨訪數(shù)據(jù)，研究基于主成分分析的BP、RBF神經(jīng)網(wǎng)絡模型預測老年人認知狀態(tài)，比較這兩種模型的預測能力。由于本研究的目的是預測老年人的認知狀態(tài)，因而以受訪者五年隨訪的MMSE差值作為認知功能的變化指標，將老年人認知狀態(tài)預測問題轉化為隨訪數(shù)據(jù)中相關危險因素與MMSE差值的非線性問題。
　　本研究首先進行分類主成分分析（CATPCA），對老年癡呆癥隨訪數(shù)據(jù)進行降維。在保證原始數(shù)據(jù)信息可以大部分保留的前提下，將隨訪數(shù)據(jù)的16個測量指標轉化為

6、8個綜合指標（主成分）（累計貢獻率達到80.15％），并將這8個主成分作為老年人認知狀態(tài)的BP、RBF神經(jīng)網(wǎng)絡預測模型的輸入變量進行網(wǎng)絡訓練學習。
　　在基于主成分分析結果的基礎上，構建了BP神經(jīng)網(wǎng)絡模型，確定BP神經(jīng)網(wǎng)絡的層數(shù)以及各層神經(jīng)元的個數(shù)，選擇 Sigmoid函數(shù)作為網(wǎng)絡隱含層和輸出層的激活函數(shù)。隨機選擇3000名受訪者隨訪數(shù)據(jù)作為訓練樣本，對BP神經(jīng)網(wǎng)絡進行訓練學習，比較不同BP神經(jīng)網(wǎng)絡算法的結果表明，在采用Leven

7、berg-Marquardt算法時，網(wǎng)絡訓練的收斂速度最快。當隱含層的神經(jīng)元個數(shù)為12時，BP神經(jīng)網(wǎng)絡對函數(shù)的逼近效果較理想，訓練速度最快。將訓練好的網(wǎng)絡對1642名受訪者的隨訪數(shù)據(jù)進行仿真，得到BP神經(jīng)網(wǎng)絡預測結果最大相對誤差為2.0471，平均相對誤差為0.4410。同時，構建了RBF神經(jīng)網(wǎng)絡模型，選擇三層網(wǎng)絡結構，并確定各網(wǎng)絡層的神經(jīng)元個數(shù)，隱含層傳遞函數(shù)選擇 Gaussian函數(shù)，輸出層傳遞函數(shù)為線性函數(shù)，將主成分分析結果作為輸

8、入變量，采用與BP神經(jīng)網(wǎng)絡相同的數(shù)據(jù)集進行網(wǎng)絡訓練和仿真，在網(wǎng)絡訓練的過程中不斷調整Spread值。結果表明，當Spread值為1.0時，網(wǎng)絡訓練的時間最短，且預測精度最好，RBF神經(jīng)網(wǎng)絡對數(shù)據(jù)具有較好的逼近能力。將訓練好的網(wǎng)絡對隨訪數(shù)據(jù)進行仿真，得到RBF神經(jīng)網(wǎng)絡預測結果最大相對誤差為1.2572，平均相對誤差為0.3364。
　　本研究的結論為：1.主成分分析法可以在很大程度上減少參與建模變量的個數(shù)，極大的提高了神經(jīng)網(wǎng)絡的訓練

9、速度，并保證了一定的訓練精度；2.BP神經(jīng)網(wǎng)絡和RBF神經(jīng)網(wǎng)絡均具有很強的非線性問題處理能力，通過不斷調整BP神經(jīng)網(wǎng)絡和RBF神經(jīng)網(wǎng)絡的結構和參數(shù)，兩種模型都可獲得較為理想的預測結果；3.與BP神經(jīng)網(wǎng)絡相比，RBF神經(jīng)網(wǎng)絡的訓練誤差曲線收斂更快，預測誤差小，穩(wěn)定性和精度更高；4.基于RBF神經(jīng)網(wǎng)絡方法，我們可以預測受訪者更長時間段的認知狀態(tài)狀況。
　　本研究對于準確預測老年人認知狀態(tài)，提早采取有針對性的預防、治療措施，并讓家庭及時