基于棧式降噪自編碼器模型的糖尿病預(yù)測研究

(重慶工商大學(xué)智能制造服務(wù)國際科技合作基地 重慶 400047)

基于棧式降噪自編碼器模型的糖尿病預(yù)測研究

簡恒

(重慶工商大學(xué)智能制造服務(wù)國際科技合作基地重慶400047)

我國是一個人口大國，與此同時，慢性病患者人數(shù)也居世界首位，而糖尿病及其相關(guān)并發(fā)癥是其中的一個重要組成部分。隨著國民經(jīng)濟(jì)的發(fā)展，居民對健康需求日益強(qiáng)烈，因此，把根據(jù)人的各項(xiàng)生化指標(biāo)為依據(jù)的糖尿病預(yù)測研究放在更加突出的地位就顯得尤為重要。本文在總結(jié)前人利用傳統(tǒng)淺層模型進(jìn)行預(yù)測研究的基礎(chǔ)上，針對其模型擬合效果和泛化能力不強(qiáng)的缺點(diǎn)，提出一種基于底層棧式降噪自編碼器和頂層分類神經(jīng)網(wǎng)絡(luò)的預(yù)測模型。首先對數(shù)據(jù)進(jìn)行清洗并歸一化，在利用自編碼的無監(jiān)督學(xué)習(xí)對特征進(jìn)行識別與重學(xué)習(xí)，逐層貪婪學(xué)習(xí)以后，再將將棧式降噪自編碼器接入有監(jiān)督的神經(jīng)網(wǎng)絡(luò)進(jìn)行分類預(yù)測，最后再利用有監(jiān)督的學(xué)習(xí)進(jìn)行參數(shù)的微調(diào)。

糖尿??；預(yù)測；棧式降噪自編碼器；特征提取；數(shù)據(jù)預(yù)處理

一、引言

基于人的各項(xiàng)生化指標(biāo)進(jìn)行糖尿病的特征學(xué)習(xí)與預(yù)測已經(jīng)成為國內(nèi)外研究的重點(diǎn)，其中能構(gòu)建出性能優(yōu)良的數(shù)據(jù)模型是預(yù)測的關(guān)鍵。針對于現(xiàn)在日益陡增的糖尿病生化指標(biāo)的數(shù)據(jù)，傳統(tǒng)的淺層模型既不能有效的表達(dá)出其深層次的特征，又不能進(jìn)行精準(zhǔn)的預(yù)測。例如，決策樹模型雖然理解和解釋起來簡單，且決策樹[1]也可以根據(jù)邏輯關(guān)系進(jìn)行構(gòu)建，但其結(jié)果很不穩(wěn)定，只要數(shù)據(jù)中一個很小的變化可能就會導(dǎo)致一個完全不同的樹。另外，傳統(tǒng)提取特征的方式大多都是人工提取特征，需要設(shè)計特征選擇器或者根據(jù)。支持向量機(jī)[2]的最終決策函數(shù)只由少數(shù)的支持向量所確定，計算的復(fù)雜性取決于支持向量的數(shù)目，而不是樣本空間的維數(shù)，但其缺點(diǎn)也十分明顯，它對大規(guī)模訓(xùn)練樣本難以實(shí)施，并無法解決多分類的問題。人工神經(jīng)網(wǎng)絡(luò)[3]的非線性擬合能力很強(qiáng)，這使它特別適合于求解內(nèi)部機(jī)制復(fù)雜的問題，但其BP(back propagation)算法訓(xùn)練速度慢，且訓(xùn)練很有可能會失敗。Logistic回歸算法[4]的計算速度很快，能夠有效的節(jié)省硬件資源，但是容易欠擬合，并且分類的精度不高。從特征學(xué)習(xí)的角度來看，傳統(tǒng)的特征學(xué)習(xí)都是采用人工提取特征的方法，且特征器需要專家經(jīng)驗(yàn)且耗時[5]，這樣不僅效率地下，而且還很難排除人為因素的干擾。深度學(xué)習(xí)作為人工智能技術(shù)的重要方法之一，在各個領(lǐng)域都表現(xiàn)出不凡的優(yōu)勢，例如,計算機(jī)視覺、語音識別、自然語言處理等。面對呈指數(shù)速度增長的海量數(shù)據(jù)信息，如何從大數(shù)據(jù)中提取出對預(yù)測結(jié)果有效的特征，幫助我們建立模型去擬合原有的數(shù)據(jù)并進(jìn)行預(yù)測成為該領(lǐng)域中的一大難題。通常人的各項(xiàng)生化指標(biāo)數(shù)據(jù)具有不確定性和動態(tài)性等特點(diǎn)，且噪聲較多，數(shù)據(jù)之間且包含較多的非線性關(guān)系，對于利用人的各項(xiàng)生化指標(biāo)數(shù)據(jù)進(jìn)行預(yù)測未來是否會患有糖尿病一直都是國內(nèi)外研究的熱點(diǎn)。針對深度學(xué)習(xí)的優(yōu)勢，尤其是自編碼器的無監(jiān)督學(xué)習(xí)機(jī)制，為研究糖尿病預(yù)測提供了一種新的思路。

二、棧式降噪自編碼器預(yù)測模型

(一)自編碼器

圖1 自編碼器結(jié)構(gòu)

設(shè)ω1∈Rm×n、b1∈Rm分別表示輸入層與隱藏層的權(quán)值與偏置，ω2∈Rm×n、b2∈Rm分別表示隱藏層與重構(gòu)可視層的權(quán)值與偏置，假設(shè)每一個神經(jīng)元的激活非線性激活函數(shù)都是ReLu函數(shù)，對于自編碼器在編碼過程中如下所示

解碼過程為：

(二)SDAEP模型

對于的人的生化指標(biāo)數(shù)據(jù){(x(1),y(1)),(x(2),y(2)),(x(3),y(3))…}，經(jīng)過棧式降噪自編碼器的學(xué)習(xí)后，將構(gòu)建出的有更好特征表達(dá)的數(shù)據(jù)接入神經(jīng)網(wǎng)絡(luò)模型，就構(gòu)成了糖尿病的預(yù)測模型SDAEP(Staked Denoising AutoEncoder based Prediction model)結(jié)構(gòu)如圖3所示

圖3 SDAEP結(jié)構(gòu)

在棧式降噪自編碼器模型中，h1與h2均為自編碼器的隱藏層，h3為自編碼器連接的輸出層帶有sigmoid分類器的神經(jīng)網(wǎng)絡(luò)層。通過棧式化的多層降噪自編碼器的特征學(xué)習(xí)，將經(jīng)過處理的數(shù)據(jù)進(jìn)行特征提取，獲取了具有更好表達(dá)的新的特征，在利用神經(jīng)網(wǎng)絡(luò)的輸出層的分類器對未來這些人是否會患有糖尿病做出預(yù)測。

三、SDAEP模型的學(xué)習(xí)算法

(一)貪婪學(xué)習(xí)算法

所謂貪婪學(xué)習(xí)算法是指，在對問題的求解過程中，總是做出來在當(dāng)前看來是最好的選擇。即不從整體最優(yōu)上加以考慮，只做出在當(dāng)前情況下的最優(yōu)解。棧式降噪自編碼器預(yù)測模型之所以不直接用梯度下降算法訓(xùn)練是因?yàn)殡S著隨著神經(jīng)網(wǎng)絡(luò)的層數(shù)增加，利用前向傳播到最終的輸出層后，將訓(xùn)練值與實(shí)際值作差在進(jìn)行反向傳播計算梯度的時候，會導(dǎo)致梯度快速下降，以至于在最初的幾層神經(jīng)網(wǎng)絡(luò)當(dāng)中，權(quán)值的變化會非常的小，使得神經(jīng)網(wǎng)絡(luò)無法訓(xùn)練。這時我們采用逐層貪婪學(xué)習(xí)算法，先對前面的DAE的每一層，分別進(jìn)行無監(jiān)督的預(yù)訓(xùn)練，等預(yù)訓(xùn)練完成以后再連接分類器進(jìn)行有監(jiān)督的訓(xùn)練，能夠使SDAEP快速達(dá)到最優(yōu)。

(二)棧式降噪自編碼器的學(xué)習(xí)算法

棧式降噪自編碼器的參數(shù)學(xué)習(xí)采用反向傳播算法，先將處理好的數(shù)據(jù)輸入到輸入層，經(jīng)前向傳播得到得到L2,L3,…直到輸出層Lnl的激活值a(2),…,a(nl)，再根據(jù)自編碼器的整體代價函數(shù)計算出訓(xùn)練值與實(shí)際值的差值后，經(jīng)反向傳播算法計算梯度，回傳到輸出層，逐層微調(diào)權(quán)值與偏置。假設(shè)棧式降噪自編碼器的輸出層為第nl層，輸出的目標(biāo)值為y,則棧式降噪自編碼器各輸出層和隱藏層各節(jié)點(diǎn)的誤差表達(dá)式分別為：

δ(nl)=-(y-a(nl)f'(z(nl))

其中，l=nl-1,nl-2,nl-3,…,2，式中f為ReLu激活函數(shù),f'(Z(l))表示第ι層激活函數(shù)f(z)對輸入z的導(dǎo)函數(shù)值。

利用梯度下降法更新權(quán)值和偏置參數(shù)，設(shè)α為學(xué)習(xí)率，迭代更新表達(dá)式為：

w(l)=w(l)-α[▽w(l)J(W,b;x,y)]

b(l)=b(l)-α[▽b(l)J(W,b;x,y)]

通過不斷的迭代來調(diào)整權(quán)值w以及偏置b以減小自編碼器整體代價函數(shù)的值，以此來優(yōu)化預(yù)測模型。

四、實(shí)驗(yàn)設(shè)計與分析

本次實(shí)驗(yàn)的軟件平臺為MATLAB R2015b,數(shù)據(jù)預(yù)處理的實(shí)驗(yàn)平臺為Python3.6,編程實(shí)現(xiàn)算法。

模型的評價標(biāo)準(zhǔn)為均方偏差以及分類準(zhǔn)確率

分類準(zhǔn)確率=100*(1-error)

為了處分反應(yīng)模型的效果，以人的生化指標(biāo)為依據(jù)的糖尿病數(shù)據(jù)集為例，對比了目前在糖尿病預(yù)測領(lǐng)域較為常用的BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)(SVR)模型，如表1所示

表1 同一數(shù)據(jù)集下不同模型的預(yù)測效果

由此可以見得，SDAEP的預(yù)測效果要優(yōu)于BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)的，雖然BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)的分類準(zhǔn)確率相差無異，但均方誤差差距較大，且其隨機(jī)初始化的權(quán)值和偏置也沒有經(jīng)過無監(jiān)督預(yù)訓(xùn)練的SDAEP穩(wěn)定，泛化能力還有待提升，經(jīng)過上述對比，可以看出SDAEP的預(yù)測性能更好。

五、結(jié)語

棧式降噪自編碼器預(yù)測模型克服了傳統(tǒng)淺層模型泛化能力不強(qiáng)的確定，并對數(shù)據(jù)的特征進(jìn)行重學(xué)習(xí)，使其有了更好的表達(dá)，而自編碼其自身獨(dú)特的逐層貪婪的學(xué)習(xí)方法也改進(jìn)了神經(jīng)網(wǎng)絡(luò)隨機(jī)初始化的缺點(diǎn)，比單獨(dú)使用反向傳播在通過梯度下降法來微調(diào)權(quán)值和偏置的神經(jīng)網(wǎng)絡(luò)收斂速度更快，所以棧式降噪自編碼器在對糖尿病的預(yù)測領(lǐng)域具有重要的應(yīng)用研究和推廣價值。

[1]馬瑾，孫穎，劉尚輝.決策樹模型在住院2型糖尿病患者死因預(yù)測中的應(yīng)用[J].中國衛(wèi)生統(tǒng)計，2013.6，30(3)：422-423

[2]洪燁.基于機(jī)器學(xué)習(xí)算法的糖尿病預(yù)測模型研究[M].哈爾濱工業(yè)大學(xué)碩士學(xué)位論文，2016.6

[3]郭奕瑞，李玉清，王高帥，劉曉田，張路寧，張紅艷，王炳源，王重建.人工神經(jīng)網(wǎng)絡(luò)模型在2型糖尿病風(fēng)險預(yù)測中的應(yīng)用[N].鄭州大學(xué)學(xué)報(醫(yī)學(xué)版)，2014，3，49(2)：180-183

[4]曹文哲，應(yīng)俊，陳廣飛，周丹.基于Logistic回歸和隨機(jī)森林算法的2型糖尿病并發(fā)視網(wǎng)膜病變風(fēng)險預(yù)測及對比研究[J].2016,03:1674-1633

[5]Martin Langkvist,Lars Karlsson,Amy Loutfi.A review of unsupervised feature learning and deep learning for time-series modeling[J].Pattern Recognition Letters,2014(42):11-24