[发明专利]2型糖尿病发病危险因素对血糖影响的定量分析方法

权利要求书

1.2型糖尿病发病危险因素对血糖影响的定量分析方法，其特征在于，所述方法包括以下步骤：

步骤1，获取人群体检数据，形成未患有2型糖尿病的全国抽样人群体检数据源S。

步骤2，对数据源S筛选引起2型糖尿病的主要危险因素。

步骤3，根据性别和年龄，对经步骤2得到的全国抽样人群体检数据源S进行划分，生成细化人群。

步骤4，使用经步骤3得到的细化人群分别训练BP神经网络模型，进而计算出不同危险因素对血糖影响的敏感度，利用敏感度实现定量分析。

2.根据权利要求1所述的方法，其特征在于，所述对数据源S筛选主要危险因素的步骤具体包括：

步骤1，数据处理实验参数设定模块。根据数据源S选择进行主要危险因素筛选的算法，并设定算法的参数。

步骤2，EM聚类算法模块。对数据源S进行聚P类或q类的聚类实验，改变参与实验的危险因素的数量和种类，观察实验结果，得到能够较好反映出人群特点的聚类结果，记录参与聚类的危险因素。

步骤3，EM聚类、C4.5分类组合实验。EM聚类实验部分的参与因素为上述聚类实验所得的最佳聚类因素，进行聚P类或q类的聚类实验，将数据源S按不同人群健康特点分开，在对不同健康特点的人群分别使用C4.5算法进行分析，分类参与因素为全部l维危险因素，分类实验的标定门限值分别为A、B、C和D，得到不同健康特点人群所对应的分类决策树。

步骤4，对实验结果进行统计，得到c维主要危险因素，根据医学认知，进一步筛选得到u维主要危险因素。

3.根据权利要求1所述的方法，其特征在于，所述使用经步骤3得到的细化人群分别训练BP神经网络模型，进而计算出不同危险因素对血糖影响的敏感度，利用敏感度实现定量分析，具体方法为：

步骤1，在给定主要危险因素维数u下，使用n组细化人群训练生成n个BP神经网络模型，每个模型的生成方法为：

步骤1.1，选取处理后训练数据的u维危险因素，作为模型的输入，血糖作为模型的输出，利用信息的正向传播和误差的反向传播训练生成BP神经网络模型。输入危险因素从输入层经隐含层逐层计算传递到输出层，每一层神经元只影响下一层神经元的状态，如果输出层没有得到期望输出，则计算输出层的误差变化值，然后进行反向传播，通过网络将误差信号沿原来的连接通路反传回来调整各神经元的权值，经过多次迭代，直至达到平均相对误差小于σ，训练生成BP神经网络模型，计算模型输出平均相对误差。

步骤1.2，再把验证数据输入已生成的BP神经网络模型，计算输出血糖值，通过误差计算得到验证数据的平均相对误差。

步骤2，通过BP神经网络模型计算多因素对血糖影响的敏感度。敏感度是通过分析不同参数组合对模型模拟效果的影响，确定出的模型参数对模型输出的贡献率或影响程度。通过对不同危险因素进行敏感度分析，得到各发病危险因素对血糖变化的定量分析结果。

4.根据权利要求1所述的方法，其特征在于，所述细化人群生成方法为：首先按性别划分，得到男性人群和女性人群；再分别按年龄大于e岁和小于等于e岁进行划分，共得到d组细化人群。

5.根据权利要求1所述的方法，其特征在于，危险因素对血糖影响的敏感度计算方法为：

设有n-L-1前向网络(n为BP神经网络模型输入变量的个数，L为BP神经网络模型的隐含层数目，1为模型输出变量的个数)，网络输出有如下形式：y=f(x₁，…，x_n)（x为BP神经网络模型的输入，y为BP神经网络模型的输出）。以2个输入危险因素为例，通过对该式求二阶偏导来考察两个输入变量对输出变量的敏感度。设神经网络的隐层激活函数为对数S型函数

f(x)=11+e-x]]>

通过雅克比矩阵

dydxT=(∂y∂x)m×n]]>

式中：T为矩阵的转置运算，m为所用数据源的样本数目，n为输入变量的个数。把第j个输入x_j变化与第j个输出y_j=f(x_j)改变联系起来意味着网络输出的敏感度依赖于输入的微小扰动。对于n个输入、具有L个神经元的隐含层和一个输出层的神经网络，第t个样本上输入变量x_i和x_k对输出变量y的敏感度为

Sikt=S2Σj=1Lwijvj1Ijt(1-Ijt)Σj=1Lwkjvj1Ijt(1-Ijt)+S1Σj=1Lwijwkjvj1Ijt(1-Ijt)(1-2Ijt)]]>

式中：S₁为输出层激活函数对其输入的一阶导数，S₂为输出层激活函数对其输入的二阶导数。为第t个样本上第j个隐层神经元的响应，v_j1为输出神经元和第j个隐层神经元间的权重，w_ij为第i个输入神经元和第j个隐层神经元间的权重，w_kj为第k个输入神经元和第j个隐层神经元间的权重。