劉麟，占順堂，王克偉，陳裕光，胡曄，肖社平

廣州醫(yī)科大學(xué)附屬順德醫(yī)院耳鼻喉科，廣東 佛山 528315

阻塞性睡眠呼吸暫停低通氣綜合征（OSAHS）為臨床常見病，近些年來，這一疾病的發(fā)病率顯著提高，這意味著我國居民罹患該疾病者的數(shù)量明顯增多，且居民的健康狀況同樣顯著下降[1]。OSAHS患者，具有死亡率高，預(yù)后差的特點(diǎn)，患者發(fā)生心腦血管嚴(yán)重并發(fā)癥的風(fēng)險(xiǎn)高。需于發(fā)病并確診后，及早給予治療，并積極對疾病進(jìn)行預(yù)防，方可使居民的健康狀況得到改善。

近些年來，我國學(xué)者對OSAHS的研究逐漸深入，且取得了顯著的成果，但研究基本集中于疾病的診斷以及治療過程中，針對疾病的流行病學(xué)特點(diǎn)的研究相對較少。少部分學(xué)者，雖從流行病學(xué)角度對OSAHS進(jìn)行了分析，但受橫斷面調(diào)查參照物不同的影響，調(diào)查結(jié)果存在較大的差異[2]。國外的各學(xué)者，同樣對該問題進(jìn)行了研究，主要通過問卷調(diào)查、數(shù)據(jù)分析兩種手段，對OSAHS疑似人群進(jìn)行了篩查。在此之后，對其進(jìn)行了連續(xù)監(jiān)測，最終得到了該疾病發(fā)病率的相關(guān)數(shù)據(jù)。同樣有學(xué)者指出，OSAHS患者，根據(jù)病情嚴(yán)重程度的不同，患者的預(yù)后同樣不同。針對疾病發(fā)病次數(shù)＞20次/h，患者5年病死率可達(dá)到11%-13%。此外，該類型的患者，8年內(nèi)死亡率同樣明顯提高。

1 資料與方法

1.1 BP神經(jīng)網(wǎng)絡(luò)模型的基本原理 掌握BP神經(jīng)網(wǎng)絡(luò)模型的基本原理，是利用其OSAHS發(fā)病率進(jìn)行分析的關(guān)鍵。該網(wǎng)絡(luò)模型，主要由三部分構(gòu)成，分別為輸入層、中間層與輸出層。上述各層中，輸入層的功能在對信號進(jìn)行輸入，而接受層則可接收相應(yīng)的樣本信號。三層之中，中間層的功能在于對信號進(jìn)行傳遞，并對其進(jìn)行處理，使信號能夠?qū)崿F(xiàn)正向傳播。而正向傳播，則指信號自輸入層傳輸至接收層的過程。相反，如信號自接收層傳遞至輸入層，則表明出現(xiàn)了反向傳播。一旦發(fā)現(xiàn)該問題，應(yīng)立即對不同單元的權(quán)重進(jìn)行調(diào)整，從而降低誤診率，改善數(shù)據(jù)分析結(jié)果。值得注意的是，對模型進(jìn)行訓(xùn)練的過程中，應(yīng)反復(fù)對權(quán)重以及偏差進(jìn)行校正，以最大可能減小乃至消除誤差，使精確度得以提升[3]。

BP精神網(wǎng)絡(luò)算法，包括傳統(tǒng)方法與改進(jìn)算法兩種。采用傳統(tǒng)方法對時(shí)間進(jìn)行分析，收斂速度相對較慢，效率較低。為彌補(bǔ)常規(guī)算法存在的缺陷，提高OSAHS發(fā)病率預(yù)測的精確度與準(zhǔn)確性，本院以Levenberg-M arquardt為基礎(chǔ)，對數(shù)據(jù)算法進(jìn)行了優(yōu)化。該優(yōu)化方式，能夠有效提高數(shù)據(jù)的收斂速度，對其訓(xùn)練效果的改善，能夠起到一定的促進(jìn)作用。

1.2 數(shù)據(jù)收集 本文與2002年-2017年間，選取國家衛(wèi)生和計(jì)劃生育委員會數(shù)據(jù)作為樣本，對OSAHS的發(fā)病率數(shù)據(jù)進(jìn)行了分析。納入標(biāo)準(zhǔn)：①18-65歲；②患者無意識異常，無精神異常，具備溝通理解能力，無語言功能障礙；③患者自愿參與研究。排除標(biāo)準(zhǔn)：①肝腎功能障礙；②軀體功能障礙；③無法依從者排除。

1.3 樣本數(shù)據(jù)的準(zhǔn)備 確保樣本數(shù)據(jù)準(zhǔn)確，是對OSAHS未來發(fā)病率進(jìn)行預(yù)測與分析的關(guān)鍵?？紤]到原始數(shù)據(jù)具有大小不一致的特點(diǎn)，如采用相應(yīng)模型對數(shù)據(jù)進(jìn)行訓(xùn)練，難度往往較大。為了解決上述問題，本院首先對往年的數(shù)據(jù)進(jìn)行了歸一化處理。該處理方法，可有效降低輸入值偏差，且能夠減少誤差，使樣本數(shù)據(jù)的訓(xùn)練速度加快，提高訓(xùn)練效率。歸一化訓(xùn)練方法中，可應(yīng)用的較多。本研究中，對發(fā)病率進(jìn)行了選擇，并采用該數(shù)據(jù)除以某個(gè)數(shù)值，使發(fā)病率出于0-1之間，做好了樣本數(shù)據(jù)的準(zhǔn)確工作。

1.4 BP神經(jīng)網(wǎng)絡(luò)模型的基本參數(shù) 明確網(wǎng)絡(luò)模型的基本參數(shù)，是對發(fā)病率數(shù)據(jù)進(jìn)行訓(xùn)練的基礎(chǔ)。本研究中，需要輸入的基本參數(shù)，以輸入層節(jié)點(diǎn)、中間層節(jié)點(diǎn)、層數(shù)以及節(jié)點(diǎn)數(shù)等為主。此外，有關(guān)人員還需掌握相應(yīng)的傳遞函數(shù)。BP神經(jīng)網(wǎng)絡(luò)的基本原理指出，在閉區(qū)間之中，所有連續(xù)函數(shù)，均可采用隱層的網(wǎng)絡(luò)逼近。因此，僅僅1個(gè)BP網(wǎng)絡(luò)，其映射能力便可滿足數(shù)據(jù)分析的要求。本研究中，主要應(yīng)用了3層網(wǎng)絡(luò)模型，對數(shù)據(jù)進(jìn)行了分析。上述數(shù)據(jù)中，共包括3個(gè)輸入層節(jié)點(diǎn)數(shù)，1個(gè)輸出點(diǎn)。針對輸出層而言，其傳遞參數(shù)以Sigmoid函數(shù)為主。針對中間層而言，其傳遞函數(shù)同樣以Sigmoid函數(shù)為主，該函數(shù)為正切函數(shù)。

1.5 BP神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練及檢驗(yàn) 對BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練以及檢驗(yàn)，有助于明確當(dāng)前的OSAHS發(fā)病率，并實(shí)現(xiàn)對疾病未來發(fā)病率的預(yù)測。在此期間，有關(guān)人員應(yīng)利用已有的數(shù)據(jù)，對模型進(jìn)行訓(xùn)練。訓(xùn)練后，應(yīng)對不同單元的權(quán)重進(jìn)行調(diào)整，以降低各類型誤差的發(fā)生率。當(dāng)各單元權(quán)重的數(shù)值，逐漸達(dá)到期望精度以下時(shí)，則代表訓(xùn)練過程已經(jīng)完成。在此階段，采用BP模型所預(yù)測的發(fā)病率，與實(shí)際發(fā)病率之間的誤差，便可有所縮小，這對發(fā)病率預(yù)測精確度的提高，具有重要價(jià)值[4]。

以新陳代謝預(yù)測法為基礎(chǔ)，對OSAHS發(fā)病率進(jìn)行預(yù)測，可以以事先預(yù)定的參數(shù)為基礎(chǔ)，實(shí)現(xiàn)對發(fā)病率的分析。本研究主要選取了3年的OSAHS發(fā)病率作為研究對象，組成了輸入序列。當(dāng)輸入上述三年的發(fā)病率后，第4年的發(fā)病率便可被預(yù)測出。此時(shí)，輸入序列中每次輸入1個(gè)新的數(shù)據(jù)，最前方的1個(gè)數(shù)據(jù)便需被舍棄。本研究所選樣本，年份以2002-2004年為主。通過對2016年的發(fā)病率進(jìn)行預(yù)測，得到了相應(yīng)結(jié)果。將2016年預(yù)測發(fā)病率結(jié)果與實(shí)際發(fā)病率進(jìn)行對比發(fā)現(xiàn)，預(yù)測值準(zhǔn)確率較高。

圖1 OSAHS發(fā)病率的真實(shí)值與預(yù)測值的曲線比較

1.6 數(shù)據(jù)統(tǒng)計(jì)分析 采用SPSS 20.0處理數(shù)據(jù)，采用二分類Logistic回歸分析篩選出佛山市OSAHS患者預(yù)后影響因素，然后使用MatlabR 7.0工具包進(jìn)行基于BP神經(jīng)網(wǎng)絡(luò)構(gòu)建佛山市樂從社區(qū)OSAHS患者預(yù)后預(yù)警神經(jīng)網(wǎng)絡(luò)。P＜0.05，為差異有統(tǒng)計(jì)學(xué)意義。

2 結(jié)果

2.1 仿真預(yù)測及模型的檢驗(yàn)情況 2017年OSAHS的預(yù)測發(fā)病率為21%，而實(shí)際發(fā)病率為20.87%，相對誤差0.2649%，詳見圖1、表1。

表1 BP網(wǎng)絡(luò)模型處理結(jié)果

2.2 對未來3年OSAHS的預(yù)測 通過對未來4年預(yù)測結(jié)果的觀察發(fā)現(xiàn)，OSAHS 2018-2021年發(fā)病率（反歸一化值）分別為2.16%、19.9%、19.4%和21.2%。

3 討論

神經(jīng)網(wǎng)絡(luò)模型，屬于數(shù)據(jù)挖掘方法中重要的一類模型。近年來，該模型的應(yīng)用價(jià)值已經(jīng)得到了證實(shí)。神經(jīng)網(wǎng)絡(luò)模型，可應(yīng)用到預(yù)測、判斷分類問題的解決過程中，可供有關(guān)人員了解并掌握事物的本質(zhì)。本研究中，主要將BP神經(jīng)網(wǎng)絡(luò)模型應(yīng)用到了OSAHS發(fā)病率的分析過程中，在選取以往樣本的基礎(chǔ)上，對未來4年的OSAHS發(fā)病率進(jìn)行了分析。通過研究結(jié)果的觀察發(fā)現(xiàn)，平均相對誤差為0.7597%，相對誤差0.2649%。通過對未來4年預(yù)測結(jié)果的觀察發(fā)現(xiàn)，OSAHS 2018-2021年發(fā)病率（反歸一化值）分別為2.16%、19.9%、19.4%和221.2%[5]。該研究結(jié)果，證實(shí)了BP神經(jīng)網(wǎng)絡(luò)模型在OSAHS發(fā)病率預(yù)測中的應(yīng)用價(jià)值，有關(guān)人員應(yīng)給予重視以及推廣應(yīng)用。