類神經網路基本模型

類神經網路它可以利用一組範例，即系統輸入與輸出所組成的資料，建立系統模型（輸 入與輸出間的關係）。有了這樣的系統模型便可用於推估、預測、決策、診斷。而類神 經網路由許多人工細胞(又可稱類神經元、人工神經元及處理單元)組成，每一類神經元 的輸出則成為其他類神經元的輸入(廖述賢、溫志皓，民98)。

類神經元的輸出、輸入值計算式可用下列則函數表示：

Yj ：類神經元模型的輸出訊號。

f ：類神經元模型轉換函數(activation function)，將其他類神經元輸入的輸入值加權 乘 積轉換成類神經元的輸出值。

Wij ：類神經網路的神經節強度，亦稱為加權值(weights)。

Xi ：類神經元模型的輸入訊號。

θj ：類神經元模型的門檻值(threshold)，亦稱內部臨界值或偏移值。

圖5 類神經元模型(Haykin, 2009)

X：稱為神經元的輸入（input）。 W：稱為加權值（weights）。

b ：稱為閥值（bias），有偏移的效果。

Σ ：稱為加法單元（summing junction），此部分是將每一個輸入與加權值相乘後做一加 總的動作。

φ( )：稱之為活化函數（activation function），通常是非線性函數，有數種不同的型式，

其目的是將加法單元的值做映射得到所需要的輸出。

Y：稱之為輸出（output），亦即我們所需要的結果。

2.5.3類神經網路網路架構

類神經網路的架構概分為三層，輸入層、隱藏層與輸出層。

一、輸入層：負責接收外界的資訊或變數，以線性轉換的方式轉換後再交由隱藏層處理。

二、隱藏層：專司變數間相互關係的處理，使用非線性轉換的方式處理資訊或變數。隱 藏層可以是需求或設計的理念，分為單層式或多層式。

三、輸出層： 將隱藏層處理後的資訊以線性轉換的方式輸出，讓使用者可以運用。

圖6 類神經網路架構圖(鄭信鈴，民96)

2.5.4類神經網路運作模式

整體而言，類神經網路的運作模式可以分為兩大階段：學習階段（learning）與回想階段

（recalling）。在學習過程中，網路輸入訓練樣本，透過訓練學習推論輸出值，經由不 斷的調整修正網路權重值，使訓練達到穩定狀態，此時推論輸出值與目標輸出值將接近 到可容許範圍，網路則學習完畢。網路學習之後，將進入回想階段，意即輸入測試樣本，

根據網路學習推論出測試樣本的輸出值，以評估網路的學習效益。由於不同的網路架構 會有不一樣的學習過程，以下則針對類神經網路的種類作整體性的探討，類神經網路的 種類大致上可分為以下三大類(葉怡成，民92)：

一、監督式學習網路（supervised learning network）：監督式學習網路必須有明確的期 望目標輸出值，從訓練樣本取得輸入變數與輸出變數，並透過網路學習輸入與輸出之間 的關係，將目標輸出值與實際輸出值的差值作比較，以調整神經元的權重，直到網路學 習 達 到 穩 定 狀 態 ， 此 類 型 網 路 包 括 感 知 器 網 路 （ Perceptron ） 、 倒 傳 遞 網 路

（Back-propagation network，BPN）、機率神經網路（Probabilistic neural network，PNN）、

學 習 向 量 量 化 網 路 （ Learning vector quantization ， LVQ ） 、 與 反 傳 遞 網 路

（ Counter-propagation network ， CPN ） 等 網 路 皆 為 監 督 式 學 習 ， 倒 傳 遞 神 經 網 路 (Back-Propagation Neural Network, BPN)模式，在目前類神經網路學習中最具代表性，也 是應用最普遍的預測模式。此類的學習網路常應用於分類（如：醫療診斷）及預測領域

（如：股價預測）。

倒傳遞神經網路(Back-Propagation Neural Network, BPN)模式為網路中的監督式學習架 構，在目前類神經網路學習中最具代表性，也是應用最普遍的預測模式。其主要精神是 以最陡坡降法(the gradient steepest descent method)調整網路的權重值，最小化網路實際 輸出值(Y)與期望目標值(T)之誤差函數E，函數定義如下：

BPN 之學習過程可分為五個步驟，其說明如下：

(一)將具代表性的訓練範例集，轉成輸入向量作為網路的輸入變數。

二、無監督式學習網路（unsupervised learning network）：無監督式學習網路的訓練樣 本只有輸入變數，網路的學習模式採用內在聚類的方式，不須依賴監督並自行調整權 重，產生類同的輸出值，這種網路學習的模式通常適用於處理監督式學習的前端作業，

此類型網路包括有自組織映射圖網路（Self-organizing map network）、自適應共振理論 網路（Adaptive resonance theory network）等。

三、聯想式學習（associative learning network）：聯想式學習的模式乃為從訓練樣本中 取得內在記憶的規則，並將此規則儲存於網路中，當輸入新的案例或不完整的變數值

時，即可利用網路儲存的內在規則進行推估其完整的輸出值，此類型的網路有霍普菲爾 網路（Hopfield neural network）、雙向聯想記憶網路（Bi-directional associative memory network）。霍普菲爾-坦克網路（ Hopfield-tank neural network）以及退火神經網路

（Annealed neural network）等，此類的學習模式常應用於資料擷取與過濾雜訊等相關領 域。

2.5.5類神經網路的優點

類神經網路雖不能達到生物神經網路一般具有高度學習、判斷能力，但是已經有下列四 個優點引起眾多研究者投入有關類神經網路的研究。

一、平行處理的特性：類神經網路是以生物的樹狀神經網路為藍本的設計，就是以平行 分散的方式作式子運算，如此便可以同時處理大量的資料，具有高速的計算能力。

二、容錯特性：其在操作上具有很高之容忍度，整個神經網路都會參與解決問題之運作。

如果輸入資料混雜少許雜訊干擾，仍然不影響其運作之正確。而且即使小部分的神經網 路失效，仍能照常運作，適合於影像鑑別以及聯想上的應用。

三、結合式記憶的特性：其又稱為內容定址記憶，它可以記憶曾經訓練過的輸入樣式以 及對應的理想輸出值。我們只要給予一部份的資料，便可以得到全部的資料並且可以容 忍錯誤，就像人類只要看到某一部份的影像可以回憶起全部的影像，這便是結合式記憶 的效果。

四、學習能力：由於神經元之間透過突觸連結，而突觸是可以調整的，因此能依輸入自 我修正、調整，而達到學習效果

2.6類神經網路在醫療上的應用

在國內外類神經網路領域除了用在顧客關係管理的部份很多外，在醫學上的實用例子也

不少。國外部份：例如 Tomida 等學者採用類神經網路的方法，收集過敏病患資料，預 測過敏疾病的種類，其研究結果表示正確率高達 78％(Tomida, et al., 2002)。Santos-Garcia 等學者以類神經網路技術預測病患進行肺部切除手術後發生併發症的可能性，研究結果 發現類神經網路預測的正確率為 98％，具有明顯的績效(Santos-Garcia, Varela, Novoa, &

Jimenez, 2004)。Gulliford 等學者以攝護腺惡性腫瘤病患為研究對象，利用類神經網路模 型預測此類病患進行放射線治療後正常細胞可能受影響的比率與異常細胞控制的狀 況，加強醫療提供者診療時的參考依據，研究結果發現該模型預測的敏感度與特異度大 約為 55％(Gulliford, Webb, Rowbottom , Corne, & Dearnaley, 2004)。Cooper 等學者同樣 以肺炎病患為研究對象，類神經網路為研究工具，預測此類病患的平均住院日、加護病

第三章 研究方法

3.1 研究架構

資料選取與整合 資料庫

資料前置處理

研究變數篩選

類神經網路 Logistic 迴歸

建立預測模型

選出最佳模型

結果分析與討論

圖 7 研究架構

3.2 資料收集

本研究資料來源是回溯性為國內北部某教學醫院的健檢民眾，研究資料的蒐集範圍為 2005年07月至2006年07月間，共收集806位健檢民眾的資料，所使用的分析資料以健檢 民眾檢查報告資料、醫師填寫健檢民眾未來10年腦中風風險評分(依據Framingham Heart Study)及健檢民眾所填寫的中風危險因子問卷來進行研究分析。

本研究所預測的依變數為腦血管動脈粥狀硬化，由專科醫師以腦血管超音波診斷為依 據，藉由超音波傳導方式偵測腦頸部血管及血流，偵測有無狹窄。其腦血管動脈粥狀硬 化診斷分別為正常及異常為輸出變數。

腦血管超音波可分為：(1)顱外頸動脈超音波：檢查頸部動脈，包含總頸動脈、內頸動脈、

外頸動脈及脊椎動脈。(2)顱內血管超音波：檢查顱內之大動脈，包含中大腦動脈、前大 腦動脈、後大腦動脈及基底動脈。

圖8 腦頸部血管

由於影響腦中風與動脈粥狀硬化的因素很多也很複雜，本研究經由文獻資料及與醫師討 論之後，選擇影響腦中風與動脈粥狀硬化發生的輸入變數，以下將針對所選取的輸入變 數作逐一說明。在年齡的計算方式以出生之西元年、月、日為基礎，本研究以健檢民眾 實際年齡為資料來源；在檢查報告資料取得方面，本研究以健檢民眾的檢查項目39項；

在腦中風風險評分分數方面，包含年齡未接受治療之血壓值、接受治療之血壓值、糖尿 病史、現仍抽菸、心血管疾病、心房顫動、左心室肥大；在健檢民眾個人歷史資料取得 方面，包含個人生活習慣(是否曾經吸菸、喝酒)、疾病史（包含是否曾經罹患糖尿病、

膽固醇、三酸甘油脂、心臟相關疾病、腦部或頸部動脈狹窄、腦中風或輕微中風疾病）、

家族疾病史（健檢民眾之直系家族成員是否曾經罹患高血壓、糖尿病、心臟相關疾病、

腦部或頸部動脈狹窄、腦中風或輕微中風疾病）。

3.3 變數選取

本研究在研究變數的輸入可分成下列三種方式來選取：

3.3.1三十九項輸入變數(將全部的健康檢查項目共計三十九項作為本研究的輸入變 數)，如表1：

表1 三十九項輸入變數(三十九項健康檢查項目的變數)

序號 變數名稱 類型 序號 變數名稱 類型

1 性別 類別 21 膽固醇總量 連續

2 年齡 連續 22 高密度脂蛋白 連續

3 身高 連續 23 低密度脂蛋白 連續

4 體重 連續 24 高低比值 連續

5 BMI 連續 25 三酸甘油脂 連續

6 脈搏 連續 26 鈉 連續

7 呼吸 連續 27 鉀 連續

8 體溫 連續 28 氯 連續

9 血壓收縮壓 連續 29 血紅素 連續

10 血壓舒張壓 連續 30 血球容積 連續

11 部份活化酶原時間 連續 31 紅血球比容 連續

12 凝血酶原時間 連續 32 紅血球 連續

14 高半胱胺酸 連續 39 血小板總數 連續