基于BP神經(jīng)網(wǎng)絡(luò)的實(shí)驗(yàn)診斷學(xué)教學(xué)數(shù)據(jù)分析與處理技術(shù)研究

董軻 盧毅 林芳 王希 李文瑤 張惠中

摘要：針對(duì)傳統(tǒng)教學(xué)數(shù)據(jù)處理方法具有較強(qiáng)的主觀性與不準(zhǔn)確的問題，文中提出一種基于BP神經(jīng)網(wǎng)絡(luò)對(duì)實(shí)驗(yàn)診斷學(xué)教學(xué)數(shù)據(jù)進(jìn)行處理和分析的方法。該方法根據(jù)實(shí)驗(yàn)診斷學(xué)課程的特點(diǎn)采集學(xué)生具體操作步驟的得分與學(xué)生對(duì)這門課程的評(píng)價(jià)數(shù)據(jù)，并使用BP神經(jīng)網(wǎng)絡(luò)來自適應(yīng)地學(xué)習(xí)數(shù)據(jù)間的關(guān)系，從而克服傳統(tǒng)質(zhì)量評(píng)估中主觀性過強(qiáng)的問題。實(shí)驗(yàn)仿真與測(cè)試結(jié)果表明，文中所提出的方法能得到更為滿意的結(jié)果，且具有更強(qiáng)的適應(yīng)性。

關(guān)鍵詞：實(shí)驗(yàn)診斷學(xué);教學(xué)數(shù)據(jù);數(shù)據(jù)分析;BP神經(jīng)網(wǎng)絡(luò);自適應(yīng)學(xué)習(xí);仿真測(cè)試

中圖分類號(hào)：TN711-34;TP183

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1004-373X（ 2019）24-0129-04

0 引言

實(shí)驗(yàn)診斷學(xué)是醫(yī)學(xué)教學(xué)的主干課程之一，其通過運(yùn)用各種方法與技術(shù)來檢驗(yàn)病人的標(biāo)本，從而獲得反映病人機(jī)體狀態(tài)、病因和病理變化的客觀數(shù)據(jù)，其連接了臨床醫(yī)學(xué)和基礎(chǔ)醫(yī)學(xué)[1]。但實(shí)驗(yàn)診斷學(xué)需要學(xué)生學(xué)習(xí)各種臨床案例，并熟練掌握臨床醫(yī)學(xué)基礎(chǔ)知識(shí)、操作步驟[2-3]。不同于其他課程的是，實(shí)驗(yàn)診斷學(xué)具有教學(xué)內(nèi)容抽象、難以理解和教學(xué)課程多的特點(diǎn)，導(dǎo)致這門課程的學(xué)習(xí)給學(xué)生帶來了極大的困難，也給教學(xué)評(píng)估帶來了重大的挑戰(zhàn)[4-6]。

目前，借助于數(shù)據(jù)挖掘、數(shù)據(jù)倉(cāng)庫(kù)和聯(lián)機(jī)分析等技術(shù)，國(guó)內(nèi)外學(xué)者提出了各種教學(xué)數(shù)據(jù)處理與分析技術(shù)來輔助不同課程的教學(xué)評(píng)估[7-9]。例如Desire2Learn公司開發(fā)的成績(jī)管理系統(tǒng)實(shí)現(xiàn)了教學(xué)數(shù)據(jù)驅(qū)動(dòng)的學(xué)業(yè)管理和干預(yù)功能[10];美國(guó)馬鞍封社區(qū)學(xué)院使用教學(xué)數(shù)據(jù)實(shí)現(xiàn)學(xué)生的個(gè)性化教育。由于各教學(xué)課程的內(nèi)容與形式不同，導(dǎo)致教學(xué)評(píng)估系統(tǒng)對(duì)教學(xué)數(shù)據(jù)的需求與處理方式也不同[11]。因此，針對(duì)不同的課程設(shè)置，需要建立不同的教學(xué)處理和分析方法。

本文根據(jù)實(shí)驗(yàn)診斷學(xué)的教學(xué)特點(diǎn)，提出一種基于BP神經(jīng)網(wǎng)絡(luò)[12-13]的實(shí)驗(yàn)診斷學(xué)教學(xué)數(shù)據(jù)分析與處理方法。該方法通過搜集和整理大量實(shí)驗(yàn)診斷學(xué)的教學(xué)數(shù)據(jù)來構(gòu)建數(shù)據(jù)庫(kù)，使用BP神經(jīng)網(wǎng)絡(luò)來建立各教學(xué)數(shù)據(jù)與實(shí)驗(yàn)診斷學(xué)的教學(xué)質(zhì)量和教學(xué)水平間的關(guān)聯(lián)關(guān)系。該方法為實(shí)現(xiàn)實(shí)驗(yàn)診斷學(xué)的教學(xué)評(píng)估與加強(qiáng)教學(xué)質(zhì)量，提供了一條可行的途徑。

1 實(shí)驗(yàn)診斷學(xué)教學(xué)數(shù)據(jù)

目前，實(shí)驗(yàn)診斷學(xué)的課程主要包括理論教學(xué)和實(shí)驗(yàn)教學(xué)兩部分。其中實(shí)驗(yàn)教學(xué)根據(jù)課程標(biāo)準(zhǔn)要求掌握的重難點(diǎn)和臨床項(xiàng)目的實(shí)際應(yīng)用情況，設(shè)置了不同的代表性實(shí)驗(yàn)，并合理安排學(xué)生的學(xué)時(shí)進(jìn)行授課，以期實(shí)現(xiàn)更優(yōu)的教學(xué)效果。因此，本文通過挖掘不同專業(yè)的實(shí)驗(yàn)課數(shù)據(jù)并對(duì)其進(jìn)行分析與處理，以輔助進(jìn)行實(shí)驗(yàn)診斷學(xué)的教學(xué)評(píng)估。

目前，實(shí)驗(yàn)診斷學(xué)教學(xué)課程包括理論課和實(shí)驗(yàn)課兩部分。其中：理論課主要包括臨床生物化學(xué)、臨床免疫學(xué)、腎功能檢測(cè)、肝功能檢測(cè)、分泌及排泄物檢測(cè)、貧血的實(shí)驗(yàn)室檢測(cè)、血液學(xué)檢測(cè)、出凝血檢測(cè)、傳染性疾病的檢測(cè)、骨髓細(xì)胞血檢測(cè);而實(shí)驗(yàn)課包括肝功能檢測(cè)、體液檢測(cè)、血液學(xué)檢測(cè)。

在理論課程中通過考試和隨堂測(cè)試來評(píng)估學(xué)生的學(xué)習(xí)效果，在實(shí)驗(yàn)課程中通過對(duì)學(xué)生的操作步驟進(jìn)行評(píng)分，從而評(píng)估學(xué)生對(duì)這些課程的掌握情況。

同時(shí)，在實(shí)驗(yàn)診斷學(xué)教學(xué)數(shù)據(jù)分析中，不僅需要考核學(xué)生對(duì)教學(xué)課程的掌握情況，還需督促教師保證授課質(zhì)量。因此，本文也采集了學(xué)生對(duì)這門課程的評(píng)價(jià)數(shù)據(jù)。評(píng)價(jià)數(shù)據(jù)主要是由調(diào)查問卷的形式獲取，具體內(nèi)容如表1所示。表中學(xué)生對(duì)不同項(xiàng)目?jī)?nèi)容進(jìn)行選擇評(píng)價(jià)，包括：較贊同、一般贊同和不贊同這3項(xiàng)。本文通過分析、處理這些評(píng)價(jià)數(shù)據(jù)來評(píng)估教師的授課質(zhì)量，進(jìn)而輔助進(jìn)行實(shí)驗(yàn)診斷學(xué)的教學(xué)評(píng)估。

2 基于BP神經(jīng)網(wǎng)絡(luò)的教學(xué)數(shù)據(jù)分析

傳統(tǒng)的教學(xué)數(shù)據(jù)分析方式，只是進(jìn)行簡(jiǎn)單的數(shù)據(jù)操作處理來對(duì)各項(xiàng)教學(xué)質(zhì)量評(píng)估指標(biāo)進(jìn)行加權(quán)求和，而未考慮到各項(xiàng)指標(biāo)的權(quán)重或主觀地對(duì)不同指標(biāo)進(jìn)行賦權(quán)，其質(zhì)量評(píng)估結(jié)果通常具有較強(qiáng)的主觀性導(dǎo)致總體結(jié)果不準(zhǔn)確。

針對(duì)上述問題，本文提出一種基于BP神經(jīng)網(wǎng)絡(luò)對(duì)實(shí)驗(yàn)診斷學(xué)教學(xué)數(shù)據(jù)進(jìn)行處理與分析方法。首先將第一部分采集到的數(shù)據(jù)進(jìn)行量化處理，然后將量化后的數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡(luò)的輸入來訓(xùn)練模型，最后使用訓(xùn)練好的模型分析、預(yù)測(cè)實(shí)驗(yàn)診斷學(xué)的教學(xué)質(zhì)量。本文網(wǎng)絡(luò)訓(xùn)練的目標(biāo)為最小化網(wǎng)絡(luò)輸出與之前得到的教學(xué)效果間的誤差，該方法不僅能通過自適應(yīng)學(xué)習(xí)數(shù)據(jù)間的關(guān)系來克服傳統(tǒng)質(zhì)量評(píng)估中主觀性較強(qiáng)的問題，且還能得到更為滿意的結(jié)果。下面具體介紹本文方法的原理和流程。BP神經(jīng)網(wǎng)絡(luò)是一種使用誤差反向傳播訓(xùn)練的前饋網(wǎng)絡(luò)，該網(wǎng)絡(luò)不需事先建立輸入與輸出間的具體數(shù)學(xué)模型，僅通過數(shù)據(jù)訓(xùn)練、梯度搜索技術(shù)和最小化網(wǎng)絡(luò)輸出與期望目標(biāo)間的誤差，即可得到給定輸入時(shí)最接近期望目標(biāo)的輸出結(jié)果。

BP神經(jīng)網(wǎng)絡(luò)的模型架構(gòu)如圖1所示。從圖中可以看出，該網(wǎng)絡(luò)包括輸入層、隱含層和輸出層3層架構(gòu)，具有前向傳播和誤差反向傳播兩個(gè)過程。其中，前向傳播使用隱含層對(duì)給定的輸入數(shù)據(jù)進(jìn)行非線性變換，經(jīng)輸出層得到輸出信號(hào);反向傳播時(shí)先計(jì)算輸出信號(hào)與目標(biāo)間的誤差，并沿著正向傳播的反方向進(jìn)行回傳，沿誤差的梯度方向進(jìn)行多次訓(xùn)練，確保網(wǎng)絡(luò)輸出與期望目標(biāo)間的誤差最小。

為了適應(yīng)實(shí)驗(yàn)診斷學(xué)教學(xué)數(shù)據(jù)的特點(diǎn)，下面具體介紹該網(wǎng)絡(luò)層的設(shè)置與數(shù)據(jù)處理過程。

輸入層：根據(jù)第一部分采集的數(shù)據(jù)，本文共選取了15項(xiàng)不同的評(píng)估指標(biāo)。其中8項(xiàng)指標(biāo)為調(diào)查問卷的評(píng)分，剩余7項(xiàng)指標(biāo)分別為：學(xué)生結(jié)業(yè)考試得分1項(xiàng)，肝功能檢測(cè)（谷丙轉(zhuǎn)氨酶檢測(cè)）、體液檢測(cè)（尿蛋白檢測(cè)）、血液學(xué)檢測(cè)（白細(xì)胞計(jì)數(shù)）3項(xiàng)實(shí)驗(yàn)操作，以及3份實(shí)驗(yàn)報(bào)告的得分。因此，設(shè)置輸入層節(jié)點(diǎn)的數(shù)量為15。

隱含層：該層節(jié)點(diǎn)的數(shù)量是根據(jù)輸入層與輸出層節(jié)點(diǎn)的數(shù)量確定的，通常取：

h=（a+b）1/2+c式中：h為隱含層節(jié)點(diǎn)的數(shù)量;a為輸入層節(jié)點(diǎn)數(shù)量;b為輸出層節(jié)點(diǎn)數(shù)量。

輸出層：該層用于預(yù)測(cè)實(shí)驗(yàn)診斷學(xué)的教學(xué)質(zhì)量，因此其節(jié)點(diǎn)數(shù)為1。

本文基于上述數(shù)據(jù)和設(shè)計(jì)的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行實(shí)驗(yàn)診斷學(xué)的教學(xué)質(zhì)量預(yù)測(cè)，具體流程如下：

1）數(shù)據(jù)整理和歸一化;

2）設(shè)置BP神經(jīng)網(wǎng)絡(luò)的輸入層、隱含層和輸出層節(jié)點(diǎn)數(shù)量，并初始化網(wǎng)絡(luò)參數(shù);

3）使用預(yù)處理后的數(shù)據(jù)訓(xùn)練網(wǎng)絡(luò)參數(shù)，最小化網(wǎng)絡(luò)輸出與之前得到的教學(xué)效果間的誤差;

4）選取一定的評(píng)價(jià)指標(biāo)對(duì)網(wǎng)絡(luò)的輸出結(jié)果進(jìn)行分析與評(píng)價(jià)。

在實(shí)驗(yàn)過程中，對(duì)于給定的輸入數(shù)據(jù)x，BP神經(jīng)網(wǎng)絡(luò)的正向傳播過程為：

3 仿真測(cè)試與實(shí)驗(yàn)結(jié)果

本文通過搜集、整理歷年來的實(shí)驗(yàn)診斷學(xué)教學(xué)數(shù)據(jù)，使用Matlab平臺(tái)進(jìn)行仿真實(shí)驗(yàn)。首先從數(shù)據(jù)中隨機(jī)選取1 000位不同學(xué)生的數(shù)據(jù)作為訓(xùn)練集，選取另外100位不同學(xué)生的數(shù)據(jù)作為測(cè)試集。表2為部分?jǐn)?shù)據(jù)歸一化后的結(jié)果。

基于此數(shù)據(jù)，本文訓(xùn)練后的BP神經(jīng)網(wǎng)絡(luò)在測(cè)試集上的結(jié)果如表3所示。

從表中可以看出，本文提出的方法在訓(xùn)練數(shù)據(jù)集中具有較高的精度，在測(cè)試數(shù)據(jù)集上也能達(dá)到85%的精度。同時(shí)筆者發(fā)現(xiàn)隨著訓(xùn)練數(shù)據(jù)的逐漸增加，驗(yàn)證精度也能隨之增加。因此，提出的方法不僅能通過自適應(yīng)學(xué)習(xí)數(shù)據(jù)間的關(guān)系來克服傳統(tǒng)質(zhì)量評(píng)估中的主觀性過強(qiáng)的問題，且還能得到更為滿意的結(jié)果。

圖2為本文BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程。橫軸為迭代次數(shù)，縱軸為損失變化，粗線為訓(xùn)練損失變化情況，虛線為測(cè)試損失變化情況。從圖中可以看出，文中網(wǎng)絡(luò)能較準(zhǔn)確地?cái)M合數(shù)據(jù)的分布，得到更為精確的結(jié)果。

4 結(jié)語

本文針對(duì)傳統(tǒng)教學(xué)數(shù)據(jù)處理方法具有較強(qiáng)的主觀性與不準(zhǔn)確的問題，提出了一種基于BP神經(jīng)網(wǎng)絡(luò)對(duì)實(shí)驗(yàn)診斷學(xué)教學(xué)數(shù)據(jù)進(jìn)行處理和分析的方法。該方法使用學(xué)生在實(shí)驗(yàn)診斷學(xué)課程中的具體操作步驟的評(píng)分和學(xué)生對(duì)這門課程的評(píng)價(jià)數(shù)據(jù)作為輸入，采用BP神經(jīng)網(wǎng)絡(luò)模型來分析、處理這些數(shù)據(jù)，從而得到實(shí)驗(yàn)診斷學(xué)的教學(xué)效果。

實(shí)驗(yàn)仿真與測(cè)試結(jié)果表明，所提出的方法不僅能通過自適應(yīng)學(xué)習(xí)數(shù)據(jù)間的關(guān)系來克服傳統(tǒng)質(zhì)量評(píng)估中的主觀性過強(qiáng)的問題，還能得到更為滿意的結(jié)果。為實(shí)現(xiàn)實(shí)驗(yàn)診斷學(xué)的教學(xué)評(píng)估與加強(qiáng)教學(xué)質(zhì)量提供了一條可行的途徑。

注：本文通訊作者為張惠中。

參考文獻(xiàn)

[1] CHAN J F W. SRIDHAR S，YIP C C Y，et al.The role oflaboratory diagnostics in emerging viral infections： the exampleof the Middle East respiratory syndrome epidemic [J]. Journalof microbiology， 2017. 55（3）：172-182.

[2] RADl～lt B，AAKRE V M. YUCEL K，et al.A pathwav to na-

tional guidelines for laboratory diagnostics of chronic kidneydisease-examples from diverse European countries[J]. EJIFCC，2017. 28（4）：289-301.

[3]PONOMARENKO P，RYUTOV A，MAGLINTE D T，et aLClinical utilitv of the low-densitV infinium QC genotyping arrayin a genomics-based diagnostics laboratory [J]. BMC medicalgenomics， 2017， 10（1）：57-63.

[4]GUO B，WEN B，CHENG W， et al.An enzyme-free and label-free surface plasmon resonance biosensor for ultrasensitive de-tection of fusion gene based on DNA self-assembly hydrogelwith streptavidin encapsulation [J]. Biosensors and bioelectron-ics. 2018， 30（2） ： 872-883.

[5] STIFFLER A G. Quantitative proteomic analysis to identify dif-ferentially expressed proteins in myocardium of epilepsy usingiTRAQ coupled with Nano-LC-MS/MS [J]. Journal of proteomeresearch. 2018， 17（1） ： 305-314.

[6] MA D， ZHOU T， CHEN J， et al. Supercritical water heattransfer coefficient prediction analysis based on BP neural net-work [J]. Nuclear engineering and design， 2017. 32（7） ： 400- 408.

[7] LIU T， YIN S. An improved particle swarm optimization algo-rithm used for BP neural network and multimedia course-wareevaluation [J]. Multimedia tools and applications， 2017， 76（ 9） ： 11961-11974.

[8] MA L， YAO Y， WANG M. The optimizing design of wheeledrobot tracking system by PID control algorithm based on BPneural network [C]// Proceeding of International Conference onIndustrial Informatics-Computing Technology ， Intelligent Tech-nology， Industrial Information Integration. Hangzhou： IEEE， 2017 ： 147-153.

[9] WANG Q， MENG W， MA Y F. et al. Prediction of chlorophyll-a concentration in Dahuofang reservoir based on BP neural net-work [J]. Journal of Northeastern University， 2013， 34（12） ：1792-1795.

[10] LIN Y C. CHEN D D， CHEN M S， et al. A precise BP neu-ral network-hased online model predictive control strategy fordie forging hydraulic press machine [J]. Neural computing andapplications . 2016（ 1） ： 226-239.

[11] GAO Guanbin. ZHANG Hongwei， SAN Hongjun. et al. Mod-eling and error compensation of robotic articulated arm coordi-nate measuring machines using BP neural network [J]. Com-plexity， 2017， 21（4） ： 1-8.

[12] TAN X， JI Z. ZHANG Y. Non - invasive continuous bloodpressure measurement based on mean impact value method，BP neural network， and genetic algorithm [J]. Technology andhealth care， 2018， 26（6） ： 1-15.

[13] ZHANG R C， YANG K， WU Q Y. et al. Research on low-voltage arc fault detection based on BP neural network [J]. Ap-plied mechanics and materials. 2014（17） ： 651-653.

作者簡(jiǎn)介：董軻（1971-），男，陜西成陽人，博士，副教授，研究方向?yàn)閷?shí)驗(yàn)診斷學(xué)。

盧毅（1981-），男，陜西西安人，博士研究生，高級(jí)工程師，研究方向?yàn)槲锫?lián)網(wǎng)與人工智能。

張惠中（1961-），天津人，博士，教授，博士生導(dǎo)師，主任醫(yī)師，主要從事惡性腫瘤生物治療及疫苗研發(fā)方面的研究。