Анализ вида болезни позвоночника с использованием нейросети

Анализ вида болезни позвоночника с использованием нейросети

Предпосылки и значимость исследования

Добрый день! Уважаемые члены комиссии и присутствующие! Меня зовут Ван Юе. Моя исследовательская тема - анализ вида болезни позвоночника с использованием нейросети.

Страница 2

Болезнь позвоночника являются распространенным и заболеваниями костей. По данным Всемирной организации здравоохранения, «более половины людей в мире в настоящее время страдают от различных проблем с болями в спине».

В данной работе мы попытались построить нейронную сеть для оценивания состояния позвоночника пациента на основе данных таза и поясницы пациента.

Страница 3

Биомедицинский набор данных, использованный в этом исследовании, был создан доктором Энрике да Мота.

Наборы данных разделены на три категории: нормальные (включая 100 пациентов), межпозвонковая грыжа (включая 60 пациентов) или спондилолистез (включая 150 пациентов). Каждый пациент представлен в наборе данных шестью биомеханическими признаками, полученными из формы и ориентации таза и поясничного отдела позвоночника: заболеваемость таза, наклон таза, угол поясничного лордоза, наклон крестца, радиус таза и степень спондилолистеза.

Страница 4

В этом исследовании мы использовали нейронную сеть, а нейронная сеть – прямого распространения с обучением по алгоритму обратного распространения ошибки.

Топология нейронной сети имеет решающее значение для оценки точности набора данных обучения и тестирования. Выбор архитектуры нейронной сети обычно основан на опыте. В ходе экспериментов было установлено, что трехслойная нейронная сеть обладает самой высокой точностью прогнозирования.Входной слой содержит шесть нейронных единиц (соответствующих шести признакам), а выходной слой содержит три нейронных единицы (соответствующих трем результатам классификации). Нейронные единицы, содержащиеся в скрытом слое, мы изначально определили по эмпирической формуле:

[pic 1]

m - количество нейронов в скрытом слое, l - количество нейронов в выходном слое, α - константа от одного до десяти.

После нескольких сравнений обучения, когда число нейронных единиц скрытого слоя равно 10, нейронная сеть имеет самую быструю скорость обучения и лучшую производительность.

Страница 5

При исследовании многомерных объектов, желательны одинаковые масштабы признаков, чтобы помочь алгоритму градиентного спуска сходиться быстрее. Здесь мы используем min-max нормализацию.

[pic 2]

где X - пример данных, Xmin - минимальное значение образца данных, Xmax – максимальное значение образца данных.