[发明专利]一种基于WASP-BAS的肾小球滤过率估计方法

摘要

本发明公开了一种基于WASP‑BAS的肾小球滤过率估计方法，本发明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。

主权项

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。