一种基于WASP-BAS的肾小球滤过率估计方法技术

本发明专利技术公开了一种基于WASP‑BAS的肾小球滤过率估计方法，本发明专利技术先将实验数据划分为数据集、验证集、测试集；将连续找不到更小误差的次数作为约束条件，在不超过该次数的情况下进行循环，即一次剪枝过程；在一次剪枝之后暂时确定下了神经网络的结构，之后开始对这个神经网络进行精简，减少它的隐层神经元数目，即二次剪枝过程；最后得到确定了结构与权值阈值的神经网络，通过对该神经网络性别、年龄、身高、体重、白蛋白、血清肌酐和尿素这7个输入估计出肾小球滤过率。本发明专利技术二次剪枝部分用BAS进行了优化，将输入层到隐层权值阈值与隐层到输出层权值作为解向量优化；使WASP的剪枝效率更高且使预测结果更准确、更稳定。

Estimation of glomerular filtration rate based on WASP-BAS

【技术实现步骤摘要】
一种基于WASP-BAS的肾小球滤过率估计方法
本专利技术涉及智能优化算法领域及神经网络在估计上的应用，具体涉及一种基于WASP-BAS(WeightsandStructurePolicy-BeetleAntennaeSearch)算法的肾小球滤过率估计方法。
技术介绍
慢性肾脏病(CKD)已成为一个严重威胁中国乃至世界人民健康与生命的公共卫生问题。因为肾小球滤过率(GFR)是早期检测慢性肾病的常用指标，所以一种高效、准确的GFR估计方法对临床应用具有重要意义。然而，由于中国人和西方人或其他国家的人之间存在一些不确定的区别，传统的GFR估计方程对中国人通常不太有效。因此，目前我国临床应用迫切需要有效可靠具有针对性的GFR估计方法。WASP是一种将权重直接确定算法(WDD)和Levenberg-Marquardt两种快速训练方法相结合的一种新的三层前馈神经网络的权重结构策略训练算法。BAS算法是一种生物启发的智能优化算法，是受到天牛觅食原理启发而开发的算法。它具有较好的全局寻优能力，还有运算量小，收敛速度快的特点。WASP-BAS是将BAS应用到WASP的二次剪枝部分，从而使实验结果的误差更小，也使实验结果更加稳定。
技术实现思路
本专利技术的目的是为了使对GFR的估计更加准确，即具有更小的误差；也为了使估计的结果更加稳定，即具有更小的方差。为达到上述目的，本专利技术通过以下技术方案予以实现：一种基于WASP-BAS的肾小球滤过率估计方法，包括如下步骤：1)将一定量慢性肾病患者的数据一每条数据包括性别、年龄、身高、体重、白蛋白、血清肌酐和尿素这7个输入和一个输出(肾小球滤过率GFR)---划分为训练集、验证集、测试集；2)将连续N次找不到小于当前误差的次数作为约束条件，在不超过该次数的情况下进行循环，循环步骤3)与步骤4)，该循环称为边增边删过程，也即一次剪枝过程；3)初始化或更新三层前馈的神经网络，根据训练集计算出训练激励矩阵并通过训练激励矩阵和权重直接确定算法WDD对隐藏层到输出层的权值进行计算；4)通过验证集计算出的验证激励矩阵和权重直接确定算法WDD算出验证集误差Eval，若误差比之前的最小误差小则更新最小误差、最小误差时的隐层神经元数、权值阈值，并将当前隐藏层神经元数加1；否则就删除当前隐藏层神经元的权值；5)在一次剪枝之后暂时确定下了神经网络的结构，之后开始对这个神经网络进行精简，减少它的隐层神经元数目，即二次剪枝过程；6)二次剪枝的循环条件是当前索引位置的神经元不超过总神经元数且总神经元数大于1，循环步骤7)和8)；7)减去当前索引位置的神经元的权值阈值，之后使用生物启发的智能优化算法BAS方法进行优化，即将两层权值与阈值合并为一个向量，之后用BAS进行寻优；8)利用寻优之后的新初始权值算出验证集误差Eval，若误差比原最小误差小，则更新最小误差、最小误差时的隐层神经元数、权值阈值，并将当前索引位置置为1，否则就将索引位置移到下一个神经元；9)最后得到确定了结构与权值阈值的神经网络，用测试集测试该神经网络的估计准确性，通过对该神经网络性别、年龄、身高、体重、白蛋白、血清肌酐和尿素这7个输入可以估计出肾小球滤过率(GFR)。本专利技术相对于现有技术所具有的效果：本专利技术二次剪枝部分用BAS进行了优化，将输入层到隐层权值阈值与隐层到输出层权值作为解向量优化。使WASP的剪枝效率更高且使预测结果更准确、更稳定。附图说明图1是本专利技术的流程图；图2是BAS算法的流程图。具体实施方式下面结合附图与具体实施方式对本专利技术做进一步的描述：图1所示的一种基于WASP-BAS的肾小球滤过率估计方法：1)将一定量慢性肾病患者的数据---每条数据包括性别、年龄、身高、体重、白蛋白、血清肌酐和尿素这7个输入和一个输出(肾小球滤过率GFR)---划分为训练集、验证集、测试集；2)将连续N次找不到小于当前误差的次数作为约束条件，在不超过该次数的情况下进行循环，循环步骤3)与步骤4)，该循环称为边增边删过程，也即一次剪枝过程；3)初始化或更新三层前馈的神经网络，根据训练集计算出训练激励矩阵并通过训练激励矩阵和权重直接确定算法WDD对隐藏层到输出层的权值进行计算；其中运用权重直接确定算法WDD方法计算神经网络模型的隐层到输出层的权值，即w＝(HTH)-1HTr其中pinv(H)＝(HTH)-1HT，w为隐层到输出层权值，r为原输出结果，H输入激励矩阵。4)通过验证集计算出的验证激励矩阵和权重直接确定算法WDD算出验证集误差Eval，若误差比之前的最小误差小则更新最小误差、最小误差时的隐层神经元数、权值阈值，并将当前隐藏层神经元数加1；否则就删除当前隐藏层神经元的权值；5)在一次剪枝之后暂时确定下了神经网络的结构，之后开始对这个神经网络进行精简，减少它的隐层神经元数目，即二次剪枝过程；6)二次剪枝的循环条件是当前索引位置的神经元不超过总神经元数且总神经元数大于1，循环步骤7)和8)；7)减去当前索引位置的神经元的权值阈值，之后使用生物启发的智能优化算法BAS方法进行优化，即将两层权值与阈值合并为一个向量，之后用BAS进行寻优；运用BAS算法进行优化，即：如图2所示，初始化天牛位置和速度，然后计算这只天牛位置的适应度，这里的适应度函数的指标选取与验证集结果的误差；接下来根据下式计算出它的下一个位置，也即下一个解：其中k是迭代次数，表示归一化的方向向量，n表示输入层到隐层的权值与阈值拼成一个向量之后的维度，其中：而δk表示第k次迭代时天牛的步长，eta表示步长衰减系数，即：δk＝eta*δk-1其中和分别为左右须的适应度函数，和分别为天牛左右须探测到的位置，可表示为：其中dk是天牛须的长度，c为步长δk与须长dk之间的关系，即：dk＝δk/c更新了天牛的位置之后，更新计算适应度，之后继续迭代更新，直到达到指定迭代次数。8)利用寻优之后的新初始权值算出验证集误差Eval，若误差比原最小误差小，则更新最小误差、最小误差时的隐层神经元数、权值阈值，并将当前索引位置置为1，否则就将索引位置移到下一个神经元；9)最后得到确定了结构与权值阈值的神经网络，用测试集测试该神经网络的估计准确性，通过对该神经网络性别、年龄、身高、体重、白蛋白、血清肌酐和尿素这7个输入估计出肾小球滤过率(GFR)。上述二次剪枝部分用BAS进行了优化，将输入层到隐层权值阈值与隐层到输出层权值作为解向量优化。使WASP的剪枝效率更高且使预测结果更准确、更稳定。本文档来自技高网...

【技术保护点】
1.一种基于WASP‑BAS的肾小球滤过率估计方法，其特征在于，该方法包括如下步骤：1)将一定量慢性肾病患者的数据划分为训练集、验证集、测试集；其中每条数据包括七个输入和一个输出；七个输入为性别、年龄、身高、体重、白蛋白、血清肌酐和尿素，一个输出为肾小球滤过率GFR；2)将连续N次找不到小于当前误差的次数作为约束条件，在不超过该次数的情况下进行循环，循环步骤3)与步骤4)，该循环称为边增边删过程，也即一次剪枝过程；3)初始化或更新三层前馈的神经网络，根据训练集计算出训练激励矩阵并通过训练激励矩阵和权重直接确定算法WDD对隐藏层到输出层的权值进行计算；4)通过验证集计算出的验证激励矩阵和权重直接确定算法WDD算出验证集误差Eval，若误差比之前的最小误差小则更新最小误差、最小误差时的隐层神经元数、权值阈值，并将当前隐藏层神经元数加1；否则就删除当前隐藏层神经元的权值；5)在一次剪枝之后暂时确定下了神经网络的结构，之后开始对这个神经网络进行精简，减少它的隐层神经元数目，即二次剪枝过程；6)二次剪枝的循环条件是当前索引位置的神经元不超过总神经元数且总神经元数大于1，循环步骤7)和8)；7)减去当前索引位置的神经元的权值阈值，之后使用生物启发的智能优化算法BAS方法进行优化，即将两层权值与阈值合并为一个向量，之后用BAS进行寻优；8)利用寻优之后的新初始权值算出验证集误差Eval，若误差比原最小误差小，则更新最小误差、最小误差时的隐层神经元数、权值阈值，并将当前索引位置置为1，否则就将索引位置移到下一个神经元；9)最后得到确定了结构与权值阈值的神经网络，用测试集测试该神经网络的估计准确性，通过对该神经网络性别、年龄、身高、体重、白蛋白、血清肌酐和尿素这7个输入估计出肾小球滤过率。...

【技术特征摘要】
1.一种基于WASP-BAS的肾小球滤过率估计方法，其特征在于，该方法包括如下步骤：1)将一定量慢性肾病患者的数据划分为训练集、验证集、测试集；其中每条数据包括七个输入和一个输出；七个输入为性别、年龄、身高、体重、白蛋白、血清肌酐和尿素，一个输出为肾小球滤过率GFR；2)将连续N次找不到小于当前误差的次数作为约束条件，在不超过该次数的情况下进行循环，循环步骤3)与步骤4)，该循环称为边增边删过程，也即一次剪枝过程；3)初始化或更新三层前馈的神经网络，根据训练集计算出训练激励矩阵并通过训练激励矩阵和权重直接确定算法WDD对隐藏层到输出层的权值进行计算；4)通过验证集计算出的验证激励矩阵和权重直接确定算法WDD算出验证集误差Eval，若误差比之前的最小误差小则更新最小误差、最小误差时的隐层神经元数、权值阈值，并将当前隐藏层神经元数加1；否则就删除当前隐藏层神经元的权值；5)在一次剪枝之后暂时确定下了神经网络的结构，之后开始对这个神经网络进行精简，减少它的隐层神经元数目，即二次剪枝过程；6)二次剪枝的循环条件是当前索引位置的神经元不超过总神经元数且总神经元数大于1，循环步骤7)和8)；7)减去当前索引位置的神经元的权值阈值，之后使用生物启发的智能优化算法BAS方法进行优化，即将两层权值与阈值合并为一个向量，之后用BAS进行寻优；8)利用寻优之后的新初始权值算出验证集误差Eval，若误差比原最小误差小，则更新最小...

【专利技术属性】
技术研发人员：陈泽钰，陈德潮，吴卿，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：浙江,33