基于BP神经网络的实验诊断学教学数据分析与处理技术研究

来源:用户上传      作者:

　　摘要：针对传统教学数据处理方法具有较强的主观性与不准确的问题，文中提出一种基于BP神经网络对实验诊断学教学数据进行处理和分析的方法。该方法根据实验诊断学课程的特点采集学生具体操作步骤的得分与学生对这门课程的评价数据，并使用BP神经网络来自适应地学习数据间的关系，从而克服传统质量评估中主观性过强的问题。实验仿真与测试结果表明，文中所提出的方法能得到更为满意的结果，且具有更强的适应性。
　　关键词：实验诊断学;教学数据;数据分析;BP神经网络;自适应学习;仿真测试
　　中图分类号：TN711-34;TP183
　　文献标识码：A
　　文章编号：1004-373X（ 2019）24-0129-04
　　0 引言
　　实验诊断学是医学教学的主干课程之一，其通过运用各种方法与技术来检验病人的标本，从而获得反映病人机体状态、病因和病理变化的客观数据，其连接了临床医学和基础医学[1]。但实验诊断学需要学生学习各种临床案例，并熟练掌握临床医学基础知识、操作步骤[2-3]。不同于其他课程的是，实验诊断学具有教学内容抽象、难以理解和教学课程多的特点，导致这门课程的学习给学生带来了极大的困难，也给教学评估带来了重大的挑战[4-6]。
　　目前，借助于数据挖掘、数据仓库和联机分析等技术，国内外学者提出了各种教学数据处理与分析技术来辅助不同课程的教学评估[7-9]。例如Desire2Learn公司开发的成绩管理系统实现了教学数据驱动的学业管理和干预功能[10];美国马鞍封社区学院使用教学数据实现学生的个性化教育。由于各教学课程的内容与形式不同，导致教学评估系统对教学数据的需求与处理方式也不同[11]。因此，针对不同的课程设置，需要建立不同的教学处理和分析方法。
　　本文根据实验诊断学的教学特点，提出一种基于BP神经网络[12-13]的实验诊断学教学数据分析与处理方法。该方法通过搜集和整理大量实验诊断学的教学数据来构建数据库，使用BP神经网络来建立各教学数据与实验诊断学的教学质量和教学水平间的关联关系。该方法为实现实验诊断学的教学评估与加强教学质量，提供了一条可行的途径。
　　1 实验诊断学教学数据
　　目前，實验诊断学的课程主要包括理论教学和实验教学两部分。其中实验教学根据课程标准要求掌握的重难点和临床项目的实际应用情况，设置了不同的代表性实验，并合理安排学生的学时进行授课，以期实现更优的教学效果。因此，本文通过挖掘不同专业的实验课数据并对其进行分析与处理，以辅助进行实验诊断学的教学评估。
　　目前，实验诊断学教学课程包括理论课和实验课两部分。其中：理论课主要包括临床生物化学、临床免疫学、肾功能检测、肝功能检测、分泌及排泄物检测、贫血的实验室检测、血液学检测、出凝血检测、传染性疾病的检测、骨髓细胞血检测;而实验课包括肝功能检测、体液检测、血液学检测。
　　在理论课程中通过考试和随堂测试来评估学生的学习效果，在实验课程中通过对学生的操作步骤进行评分，从而评估学生对这些课程的掌握情况。
　　同时，在实验诊断学教学数据分析中，不仅需要考核学生对教学课程的掌握情况，还需督促教师保证授课质量。因此，本文也采集了学生对这门课程的评价数据。评价数据主要是由调查问卷的形式获取，具体内容如表1所示。表中学生对不同项目内容进行选择评价，包括：较赞同、一般赞同和不赞同这3项。本文通过分析、处理这些评价数据来评估教师的授课质量，进而辅助进行实验诊断学的教学评估。
　　2 基于BP神经网络的教学数据分析
　　传统的教学数据分析方式，只是进行简单的数据操作处理来对各项教学质量评估指标进行加权求和，而未考虑到各项指标的权重或主观地对不同指标进行赋权，其质量评估结果通常具有较强的主观性导致总体结果不准确。
　　针对上述问题，本文提出一种基于BP神经网络对实验诊断学教学数据进行处理与分析方法。首先将第一部分采集到的数据进行量化处理，然后将量化后的数据作为BP神经网络的输入来训练模型，最后使用训练好的模型分析、预测实验诊断学的教学质量。本文网络训练的目标为最小化网络输出与之前得到的教学效果间的误差，该方法不仅能通过自适应学习数据间的关系来克服传统质量评估中主观性较强的问题，且还能得到更为满意的结果。下面具体介绍本文方法的原理和流程。BP神经网络是一种使用误差反向传播训练的前馈网络，该网络不需事先建立输入与输出间的具体数学模型，仅通过数据训练、梯度搜索技术和最小化网络输出与期望目标间的误差，即可得到给定输入时最接近期望目标的输出结果。
　　BP神经网络的模型架构如图1所示。从图中可以看出，该网络包括输入层、隐含层和输出层3层架构，具有前向传播和误差反向传播两个过程。其中，前向传播使用隐含层对给定的输入数据进行非线性变换，经输出层得到输出信号;反向传播时先计算输出信号与目标间的误差，并沿着正向传播的反方向进行回传，沿误差的梯度方向进行多次训练，确保网络输出与期望目标间的误差最小。
　　为了适应实验诊断学教学数据的特点，下面具体介绍该网络层的设置与数据处理过程。
　　输入层：根据第一部分采集的数据，本文共选取了15项不同的评估指标。其中8项指标为调查问卷的评分，剩余7项指标分别为：学生结业考试得分1项，肝功能检测（谷丙转氨酶检测）、体液检测（尿蛋白检测）、血液学检测（白细胞计数）3项实验操作，以及3份实验报告的得分。因此，设置输入层节点的数量为15。
　　隐含层：该层节点的数量是根据输入层与输出层节点的数量确定的，通常取：
　　h=（a+b）1/2+c式中：h为隐含层节点的数量;a为输入层节点数量;b为输出层节点数量。
　　输出层：该层用于预测实验诊断学的教学质量，因此其节点数为1。
　　本文基于上述数据和设计的BP神经网络进行实验诊断学的教学质量预测，具体流程如下： 　　1）數据整理和归一化;
　　2）设置BP神经网络的输入层、隐含层和输出层节点数量，并初始化网络参数;
　　3）使用预处理后的数据训练网络参数，最小化网络输出与之前得到的教学效果间的误差;
　　4）选取一定的评价指标对网络的输出结果进行分析与评价。
　　在实验过程中，对于给定的输入数据x，BP神经网络的正向传播过程为：
　　3 仿真测试与实验结果
　　本文通过搜集、整理历年来的实验诊断学教学数据，使用Matlab平台进行仿真实验。首先从数据中随机选取1 000位不同学生的数据作为训练集，选取另外100位不同学生的数据作为测试集。表2为部分数据归一化后的结果。
　　基于此数据，本文训练后的BP神经网络在测试集上的结果如表3所示。
　　从表中可以看出，本文提出的方法在训练数据集中具有较高的精度，在测试数据集上也能达到85%的精度。同时笔者发现随着训练数据的逐渐增加，验证精度也能随之增加。因此，提出的方法不仅能通过自适应学习数据间的关系来克服传统质量评估中的主观性过强的问题，且还能得到更为满意的结果。
　　图2为本文BP神经网络的训练过程。横轴为迭代次数，纵轴为损失变化，粗线为训练损失变化情况，虚线为测试损失变化情况。从图中可以看出，文中网络能较准确地拟合数据的分布，得到更为精确的结果。
　　4 结语
　　本文针对传统教学数据处理方法具有较强的主观性与不准确的问题，提出了一种基于BP神经网络对实验诊断学教学数据进行处理和分析的方法。该方法使用学生在实验诊断学课程中的具体操作步骤的评分和学生对这门课程的评价数据作为输入，采用BP神经网络模型来分析、处理这些数据，从而得到实验诊断学的教学效果。
　　实验仿真与测试结果表明，所提出的方法不仅能通过自适应学习数据间的关系来克服传统质量评估中的主观性过强的问题，还能得到更为满意的结果。为实现实验诊断学的教学评估与加强教学质量提供了一条可行的途径。
　　注：本文通讯作者为张惠中。
　　参考文献
　　[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.
　　作者簡介：董轲（1971-），男，陕西成阳人，博士，副教授，研究方向为实验诊断学。
　　卢毅（1981-），男，陕西西安人，博士研究生，高级工程师，研究方向为物联网与人工智能。
　　张惠中（1961-），天津人，博士，教授，博士生导师，主任医师，主要从事恶性肿瘤生物治疗及疫苗研发方面的研究。
转载注明来源:https://www.xzbu.com/8/view-15189115.htm