大家好，欢迎来到精品学习网，小编今天为大家带来分析ANN技术的理论在临床神经学中的应用，希望大家喜欢!

关键词　人工神经网络 反向传播 BP网络 遗传算法 模式识别 诊断 预测

在临床上有许多疾病情况不能用单一的参数来进行判断,代写论文而是需要对多个临床病理表现(症状、体征)和检测指标进行综合分析后才能得出结论。因此,人们将人工神经网络(ANN)这项新的分析工具引入了临床疾病的诊断与疗效预测。这项技术能够分析错综复杂的非线性数据集,由此而受到了临床医师的特别关注。本文主要介绍ANN技术的理论背景,同时探讨当代和将来这一技术在临床诊疗中可能的应用前景。

1　人工神经网络的发展历史所有的人工神经网络都是一种神经元计算机模拟系统。人的大脑是由神经元网络体系构成的,感觉神经元通过感受器接受周围环境的各种变化(即刺激),并把刺激能量转化为神经冲动,经传入神经传至中枢,经过中枢的分析综合,然后将信息沿传出神经传至效应器,以支配和调节各器官的活动。一些神经元接受来自其它神经元的信号输入而产生兴奋或抑制,当兴奋达到一定的阈值时,神经元就产生冲动,而且这一过程本身可以重复。正因为如此,一个神经元的输出总是与其输入是一对一的关系。同样,人类的适应和学习过程也是如此,必须通过神经元之间联系强度的改变来诱导。一个神经元使另一神经元兴奋的能力不是恒定的,可以随“经验”而变化,在一个神经元网络中,其输出仍然可以通过输入的相关函数来计算。由于网络中的关联强度是可变的,网络的输出与其输入的相关性可以随“经验”而改变,这就是Hebb[海布]最早提出的生物神经细胞之间的作用规律,这种调节规则称之为海布法则(Hebbian):当神经元输入与输出节点的状态相同(即同时兴奋或抑制)时,从第j个到第i个神经元之间的连接强度则增强,否则则减弱[1]。

1.1　20世纪40年代,美国的心理学家W.McCul-loch[麦卡洛克]和数学家W.Pitts[皮茨]在分析和研究了人脑细胞神经元后用电路构成了简单的神经网络数学模型(简称MP模型)。这种网络是一个由简单几个神经元构成的理论数学模型,可以计算任意有限的基础性Boolean逻辑函数,包括符号逻辑。

1.2　50年代,是ANN发展的一个重要阶段,有一位心理学家,叫Rosenblatt[罗森布拉特],他将人脑看成为学习联想器,对刺激所产生的反应进行计算分类。Rosenblatt不是将识别看成为一种符号逻辑函数,而是假定一种基于统计学可分性的神经元分析方法,所以他开发了一类称之为感知器的网络系统(图1)。最简单的感知器网络是由3层神经元细

胞组成,来自第一层的输入通过部分的或随机的基底节连接到细胞的中间层或关联层,这些神经元然后以随机的方式连接到感应层的神经元。感应神经元产生网络的输出,同时相互抑制,不接受来自关联神经元的输入。所以,当一个感知器以输入的方式存在时,各种关联细胞被激活,并且可依次激活一些感应细胞。接受最强输入的感应细胞抑制其它感应细胞,而其本身的感应变成输出。已经证实感知器能进行综合归纳(即对一个输入相类似的陈述能给出相同的反应),况且,感知器还具有学习的能力。

1.3　1959年,美国的B.Widrow[威德罗]和M.Hoff[霍夫]是ANN实际应用的先驱者,他们首先开发了一种简易的类似于感知器的元件,叫做ADA-LINE(adaptive linear element,自适应线性元件),和称之为MADALINE (multiple adalines)的ADA-LINEs网络系统。这类元件现在已经用于长途电话线路的适应性回声抑制器和MODEMs(调制解调器)的噪音抑制器。Widrow和Hoff还创建了一种W-H学习法则,也称之为最小均方差(least meansquare,LMS)规则,能够得到比感知器更快的收敛速度和更高的精度,这种学习算法至今还在广泛应用。

1.4　70年代,Teuvo Kohonen[科荷伦]创建了关联记忆理论,就是将一对样本储存,当这两个成对样本中的一个出现时,可直接提出关联样本,而不需要任何方式的寻找。所以,关联记忆实际上是地址性内容。Kohonen还创立了一种自组织映射网络,当外界输入不同的样本到Kohonen白组织映射网络中,一开始时输入样本引起输出兴奋的位置各不相同,但通过网络自组织后会形成一些输出群,它们分别代表了输入样本的分布,反映了输入样本的图形分布特征,所以Kohonen网络常被称之为特征图。人脑的许多功能区域都表现为地图学结构,生物细胞中的这种功能柱现象在Kohonen网络模型中有所反映。

1.5　1982年,美国加洲工学院物理学家J.Hopfield[霍普非尔德]发表了一篇对人工神经网络研究颇有影响的论文[1]。他提出了一种具有相互联接的反馈型人工神经网络模型,并将Lyapunov能量函数的概念引入到Hopfield网络的研究中,给出了网络的稳定性判据,并用来求解约束优化问题,如旅行商问题(traveling salesman problem,TSP)的求解,实现A/D转换等。Hopfield网络已成功地应用于多种场合,现在仍常有新的应用的报道。具体应用方向主要集中在以下方面:图像处理、语音处理、信号处理、数据查询、容错计算、模式分类、模式识别等。神经网络研究中一个最重要的发展就是多层前向网络权值修正学习算法的发现,这一算法称之为反向传播(Back-Propagation,BP算法),是美国哈佛(Haevard)大学博士Paul Werbos创立的,它由两部分组成:信息的正向传递与误差的反向传播。这一重要发明促进了神经网络在解决非线性问题方面的应用,同时也扩展了神经网络在解决某些实际问题方面的应用,包括一些医疗中常见的问题。反向传播网络(Back-Propagation Network,简称BP网络)是对非线性可微分函数进行权值训练的多层前向网络。在人工神经网络的实际应用中,80%~90%的人工神经网络模型是采用BP网络或它的变化形式,它主要用于以下几个方面:函数逼近:用输入矢量和相应的输出矢量训练一个网络逼近一个函数;模式识别:用一个特定的输出矢量将它与输入矢量联系起来;分类:把输入矢量以所定义的合适方式进行分类;数据压缩:减少输出矢量维数以便于传输或储存。可以说,BP网络是人工神经网络中前向网络的核心内容,体现了人工神经网络最精华的部分。

2　人工神经网络的工作原理神经网络有许多类型,在医学上,最常见的是多层前向感知器(Multilayer feedforward perceptron)(MLP或MLFF),这种类型的网络体现了大多数网络的一般原理。一旦设计出了ANN软件,就必须对其进行训练和有效化。ANN的工作原理实际是一种有效的学习算法,根据ANN类型及其应用目的,有多种学习算法可以采用,而最常用的学习算法是反向传播。

小编为您准备的分析ANN技术的理论在临床神经学中的应用，希望可以帮到您!