主成分神经网络模型在疾病预测中的应用

针对在医学卫生领域,疾病受到许多因素的影响,很难用结构式的因果模型加以解释的问题,根据神经网络来预测是一种行之有效的方法。径向基函数(RBF)神经网络应用于疾病的月发病人数预测时,由于影响它的气象因素:月平均气压,月平均气温,月平均相对湿度,月平均风速,月平均降水量本身具有很大的相关性,且维数较高,RBF神经网络的预测精度会下降,针对这一问题,文中提出了利用主成分分析(PCA)方法对原输入空间进行重构,并根据各主成分的贡献率来确定网络结构,从而有效的解决了预测精度下降的问题。最后以2001年8月至2006年9月张家川支气管肺炎月发病人数的资料验证该方法的有效性。至此,应该充分考虑人在各时间段的发病特征,以便更有重点地进行健康防治工作,有效地降低支气管肺炎对人类的危害,保障人类的生活品质。

青海省海西州肺心病月发病率的ARIMA模型及预测

目的探讨季节时间序列自回归集成滑动平均(ARIMA)模型在时间序列资料中的应用,建立青海省海西州地区肺心病月发病率的预测模型。方法用SPSS 13.0软件对肺心病发病监测资料进行统计分析,对海西州2001年1月—2007年12月肺心病月发病率资料绘制时序分布图,观察疾病发展趋势,作发病人数的自相关和偏相关图,根据模型定阶原则且残差没有相关性,建立ARIMA模型,并进行预测值比较。结果海西州地区肺心病月发病率成逐年上升趋势,有明显的季节性特征,发病高峰在每年的1月及附近;作偏相关和自相关图,进行时间序列模型拟合;最终得到时间序列模型ARIMA及其相关数学表达式,列表进行实际值与预测值的比较,得到预测的相对误差和绝对误差。作实际值与预测值的序列图,预测值虽然与实际值有差异,但基本趋势一致。结论通过时间序列模型得到的数学表达式,可以算出未来1年的海西州地区肺心病的月发病人数,通过预测出的数据考虑各季节的发病特征,更有重点的进行季节性健康防治工作。

上呼吸道感染月发病率的主成分神经网络预测模型

在医学卫生领域,疾病受许多因素的影响,很难用结构式因果模型解释,根据神经网络预测是一种行之有效的方法。径向基函数(RBF)神经网络应用于疾病的月发病人数预测时,由于影响它的气象因素,如月平均气压、月平均气温、月平均相对湿度、月平均风速、月平均降水量等本身具有很大的相关性,且维数较高,RBF神经网络的预测精度会下降。针对这一问题,本文提出了利用主成分分析方法对原输入空间进行重构,并根据各主成分的贡献率确定网络结构,从而有效地解决了预测精度下降问题。最后,以2001年8月至2006年9月甘肃省武威市上呼吸道感染炎月发病人数的资料验证该方法的有效性。至此,应该充分考虑人在各时间段的发病特征,以便更有重点地进行健康防治工作,有效地降低支气管肺炎对人类的危害,保障人类的生活品质。