儿童青少年肺通气功能预测的后向传播神经网络方法

生理学报 Acta Physiologica Sinica, August 25, 2011, 63(4): 377–386 http://www.actaps.com.cn 377 Received 2011-01-18 Accepted 2011-03-23 This work was supported by National Key Technology Research and Development Program (No. 2008BAI52B02) and Key Basic Research Program (No. 2006FY110300) of Ministry of Science and Technology of China. *Corresponding author. Tel: +86-10-65296464; Fax: +86-10-65296476; E-mail: fengkui@sina.com 儿童青少年肺通气功能预测的后向传播神经网络方法 陈 鑫1，张正国1，冯 逵2,*，陈 莉2，韩少梅3，朱广瑾2 中国医学科学院基础医学研究所，北京协和医学院基础学院 1生物医学系；2生理学和病理生理学系；3流行病学和统计 学系，北京 100005 摘 要：本文旨在研究儿童青少年肺通气功能预测的后向传播神经网络(backpropagation neural network, BPNN)方法，以期得 到更准确的肺通气功能预计值。样本数据包括内蒙古自治区10~18岁汉族健康儿童青少年999人(男性500人，女性499人)，测 量身高和体重，使用肺功能仪检测肺通气功能。利用BPNN和多元逐步回归，对用力肺活量(forced vital capacity, FVC)、用力 呼气一秒量(forced expiratory volume in one second, FEV1)、最大呼气流量(peak expiratory flow, PEF)、用力呼出25%肺活量时 呼气流量(forced expiratory flow at 25% of forced vital capacity, FEF25%)、用力呼出50%肺活量时呼气流量(forced expiratory flow at 50% of forced vital capacity, FEF50%)、最大呼气中段流量(maximal mid-expiratory flow, MMEF)、用力呼出75%肺活量 时呼气流量(forced expiratory flow at 75% of forced vital capacity, FEF75%)，分性别建立BPNN预测模型和预计方程式，并利用 均方差异(mean squared difference, MSD)和相关系数(R)评价BPNN、基于本工作所建立的线性回归方程(LR方程)、香港Ip等 报道的Ip方程和国外较常用的Zapletal方程的预测准确程度。结果显示：无论性别，由BPNN所得各指标的预计值与实测值的 MSD均小于其它各个预计方程式，且其预计值与实测值的R均大于其它各个预计方程式；由LR方程所得各个指标的预计值 与实测值的MSD均小于Ip方程和Zapletal方程，且其R均大于Ip方程和Zapletal方程。FEF50%、MMEF、FEF75%等3个指标的 变异系数(coefficient of variance, CV)均大于其它肺通气功能指标，而这3个指标由BPNN所得预计值和实测值的R较LR方程所 得R的增幅ΔR(%)也相应大于其它指标。综上所述，进行肺通气功能预测的BPNN方法要优于传统的多元线性回归方法。肺 通气指标的CV越大时，BPNN较传统回归方法的预测优势也越明显。 关键词：用力呼气流量；用力肺活量；人工神经网络；儿童；青少年 中图分类号：R332 Prediction of ventilatory function in children and adolescents using backpropa- gation neural networks CHEN Xin1, ZHANG Zheng-Guo1, FENG Kui2,*, CHEN Li2, HAN Shao-Mei3, ZHU Guang-Jin2 1Department of Biomedical Engineering; 2Department of Physiology and Pathophysiology; 3Department of Epidemiology and Sta- tistics, Institute of Basic Medical Sciences, Chinese Academy of Medical Sciences, Peking Union Medical College, Beijing 100005, China Abstract: The aim of this study is to develop backpropagation neural networks (BPNN) for better prediction of ventilatory function in children and adolescents. Nine hundred and ninety-nine healthy children and adolescents (500 males and 499 females) aged 10–18 years, all of the Han Nationality, were selected from Inner Mongolia Autonomous Region, and their heights, weights, and ventilatory functions were measured respectively by means of physical examination and spirometric test. Using the approaches of BPNN and stepwise multiple regression, the prediction models and equations for forced vital capacity (FVC), forced expiratory volume in one second (FEV1), peak expiratory flow (PEF), forced expiratory flow at 25% of forced vital capacity (FEF25%), forced expiratory flow 研究论文 生理学报 Acta Physiologica Sinica, August 25, 2011, 63(4): 377–386 378 at 50% of forced vital capacity (FEF50%), maximal mid-expiratory flow (MMEF) and forced expiratory flow at 75% of forced vital capacity (FEF75%) were established. Through analyzing mean squared difference (MSD) and correlation coefficient (R) of the ventilatory function indexes, the present study compared the results of BPNN, linear regression equation based on this work (LR’s equation), prediction equations based on the studies of Ip et al. (Ip’s equation) and Zapletal et al. (Zapletal’s equation). The results showed, regardless of sex, the BPNN prediction models appeared to have smaller MSD and higher R values, compared with those from the other prediction equations; and the LR’s equation also had smaller MSD and higher R values compared with those from Ip’s and Zapletal’s equations. The coefficients of variance (CV) for FEF50%, MMEF and FEF75% were higher than those of the other ventilatory function parameters, and their increasing percentages of R values (ΔR, relative to R values by LR’s equation) derived by BPNN were correspondingly higher than those of the other indexes. In sum, BPNN approach for ventilatory function prediction out- performs the traditional regression methods. When CV of a certain ventilatory function parameter is higher, the superiority of BPNN would be more significant compared with traditional regression methods. Key words: forced expiratory flow rates; forced vital capacity; artificial neural networks; child; adolescent 对于儿童青少年肺生长发育的监测、各种相关 疾病的诊断及疗效的评价等，一般都需检测肺通气 功能，实测值占正常预计值百分比是评价肺通气功 能的基本指标。当肺通气功能的预计值不够精确时， 有可能导致对检测结果的误判 [1–3]。目前，使用多 元回归分析建立预计方程式是进行肺通气功能预测 的主要方法，但是这一方法很难进行高效的函数逼 近。例如，儿童青少年存在肺通气功能突增期 [4]， 使用线性方程来预测肺通气功能，很难较好地体现 出肺通气功能与其影响因子间的非线性关系，从而 导致预测精度难以进一步提高。 人工神经网络 (artificial neural network, ANN)是 模拟人脑及其信息处理功能而建立的一个理论化 的数学模型，由大量处理单元通过适当的方式互 连构成，是一种规模化的非线性自适应系统，其 重要优势就是能对非线性系统进行自动化逼近。 在多种ANN中，后向传播神经网络 (backpropagation neural network, BPNN)以其简洁、实用和高度的 非线性映射能力成为目前最流行的网络模型之一。 本质上，BPNN是利用误差反向传播算法的多层 前馈型神经网络 (multilayer feedforward neural net- work, MFNN)。在 ANN的实际应用中，大量的模 型采用 BPNN 或它的变化形式，BPNN 已成为 ANN最经典的一种应用 [5–7]。 目前有关利用 ANN进行肺通气功能预测的研究 报道较少，而且此类研究的对象基本为成年人群 [8,9]， 尚未有研究对象为儿童青少年的报道。本文利用本 课题组承担的科技部基础性工作专项“人体生理常 数数据库扩大人群调查”中内蒙古自治区的人群资 料，探讨 BPNN在预测儿童青少年肺通气指标方面 的应用，并与其它较常用预测方法相比较，以期提 供更加科学、精确的肺通气功能预测方法。 1 材料和方法 1.1 肺通气功能检测对象　　以 2009年 7月至 2010年 6月在内蒙古自治区调查现场进行的人体生 理常数调查资料为基础，选取已通过问卷调查、体 检、肺通气功能检查的 10~18岁健康汉族儿童青少 年受试者 999人，其中男性 500人，女性 499人。 此调查工作经中国医学科学院基础医学研究所伦理 委员会批准，并取得了受试者和受试者监护人的知 情同意。 1.2 肺通气功能检测方法 1.2.1 人群筛选调查　　采用整群抽样方法，从内 蒙古自治区的城市和农村 [分别为呼和浩特市 (省 会城市 )、乌兰察布市集宁区 (地级城市 )、巴彦淖 尔市五原县 (农村 )、锡林郭勒盟西乌珠穆沁旗 (蒙 族农牧民聚居区 )]各选取 2个点，对 9岁以上 (不 包括 9岁 )人群进行检测，样本量为 15 000名。受 试者首先填写调查问卷，内容主要包括体质特征、 健康状况 (慢性病史等 )、生活习惯 (吸烟史、饮酒 史、饮食情况等 )等内容。随后进行体格和生理功 能检查，包括身高、体重、三围、心率、血压、心 电图、肺功能、心功能、血常规、血液生化等项目。 1.2.2 肺通气功能受试者入选　　本项目抽样 过程考虑了城乡、职业、性别及年龄的差别。受试 者入选标准为：(1) 身体发育正常；(2) 无心、肺、肝、 肾等脏器的器质性疾病、无各类慢性疾病；(3) 近 期无感冒、发热等急性疾病；(4) 血液检验指标正常。 合格者进行肺通气功能检测。为减少混杂因素，去 陈 鑫等：儿童青少年肺通气功能预测的后向传播神经网络方法 379 除有吸烟史者。 1.2.3 项目质控　　为保证调查数据的可靠性和准 确性，数据质控小组当天在现场对每天的调查问卷 均进行数据审查 (完整率 98%)，使用 EpiData 3.0 软件对调查数据进行双录入和核对。所有用仪器 测量的数据均由仪器直接转出，数据准确性 100%。 1.2.4 肺通气功能检查　　应用德国 Jaeger公司 ScopeRotary便携式肺通气功能仪 (型号为 Master Screen Rotary，软件版本为 Lab5.10)进行肺通气功 能检查。测定取坐位，受试者处于安静状态下。肺 通气功能测量指标包括用力肺活量 (forced vital ca- pacity, FVC)、用力呼气一秒量 (forced expiratory volume in one second, FEV1)、一秒率 (FEV1/FVC)、 最大呼气流量 (peak expiratory flow, PEF)、用力呼 出 25%肺活量时呼气流量 (forced expiratory flow at 25% of forced vital capacity, FEF25%)用力呼出 50% 肺活量时呼气流量 (forced expiratory flow at 50% of forced vital capacity, FEF50%)、用力呼出 75%肺活 量时呼气流量 (forced expiratory flow at 75% of forced vital capacity, FEF75%)、最大呼气中段流量 (maximal mid-expiratory flow, MMEF)。 1.2.5 肺通气功能检查质控　　测试人员固定、仪 器固定、方法固定。肺通气功能仪每天使用前用标 准容积定标筒标化，并做室温、湿度、海拔、气压 校正。操作者对受试者培训并示范；参照美国胸科 协会要求，流速容量曲线无差异，时间容量曲线示 呼气相出现平台 [10,11]。受试者须连续 3次或多次测 试，直到合格为止，取测试值中最佳值作为最终结果。 1.3 统计学处理　　计量资料数据以 mean ± SD表 示。使用 SPSS 16.0和Microsoft excel 2010分别进 行统计分析和相关计算。组间比较采用独立样本 t 检验。肺通气指标实测值的变异系数 (coefficient of variance, CV)按公式 CV = Sd/μ计算，其中 Sd表示 标准误，μ表示均值。利用多元线性回归方法建立 肺通气指标的预计方程式：分别以 FVC等 7个肺 通气指标作为方程式的因变量，以年龄 (A)、身高 (H)、体重 (W)作为方程式的自变量，采用多元逐 步回归方法，建立多元线性回归方程式。以方程式 中复相关系数 (R)值最大而相应的标准误最小者为 最佳预计方程式。P < 0.05时认为差异具有统计学 意义。 1.4 建立基于 BPNN的肺通气功能预测模型及其示 例　　ANN的基本组成单元是单个的人工神经元 (以下简称“神经元”)，这些神经元如同人的神经 细胞一样互相关联。每个神经元中的权值和偏置值 都是可调整的参数，可被看做是神经元之间的连接。 两个或更多的神经元可以组合成一层，一个典型的 网络可包括一层或者多层，多层网络中的各层扮演 着不同的角色，其中给出网络输出的层叫做输出层， 所有其它的层叫做隐含层。BPNN利用输入数据计 算出一个输出值，然后与实际输出值比较，把两者 之间的差异作为误差反馈回神经网络，通过不断调 整权值和偏置值，最后达到理想的标准 [6]。实质上， BPNN实现了一个从输入到输出的映射功能。研究 已表明，对于一个两层网络，只要其隐含层神经元 数目足够多，同时在其隐含层中使用 S形传输函数， 在输出层中使用线性传输函数，它具有实现任何复 杂非线性映射的功能 [5]。 本文采用 BPNN对肺通气指标进行预测，软件 为MATLAB 7.11.0 (R2010b)。 BPNN在进行训练前，需将其样本数据集分为 独立的三部分：训练集、验证集和测试集。其中训 练集用来估计模型和更新网络参数，验证集用来确 定网络结构，而测试集不对网络的训练结果产生影 响，可用来检验不同网络模型的性能。本工作训练 集占总样本的 70%，验证集和测试集各占 15%，三 部分都是从样本中随机抽取 [6]。 将样本集划分完毕后开始训练网络。所谓训练 就是修改 ANN的权值和偏置值的方法和过程 (也 称这种过程是学习 )。不同 ANN的区别主要体现在 网络结构的不同和网络训练算法或学习规则的不 同。网络训练算法可分为三类：有监督学习、无监 督学习和增强 (或分级 )学习。其中，在有监督学 习当中，学习规则由一组描述网络行为的实例集合 (训练集 )给出： {p1, t1}, {p2, t2}... {pQ, tQ} 其中，p为网络输入，在本工作中为以身高、 体重、年龄为输入元素的三维数组，t为相应的目 标输出，在本工作中为某一个肺通气指标的实测值， Q为样本量的大小。当输入作用到网络时，网络将 输出与目标相比较，然后按学习规则调整网络的权 值和偏置值，从而使网络的实际输出越来越接近于 目标输出 [5]。 本工作采用基于 Levenberg-Marquardt后向传播 算法 (简称 LM-BP算法 )的MATLAB神经网络工 具箱函数实现对网络的训练。LM-BP算法学习速度 生理学报 Acta Physiologica Sinica, August 25, 2011, 63(4): 377–386 380 很快，但比其它算法需要更多的存储空间，对于中 等规模的网络来说，是比较常用的一种训练算法 [7]。 神经网络的流程分为7步：(1) 数据输入；(2) 生成网络；(3) 配置网络；(4) 初始化网络的权值和 偏置值；(5) 训练网络；(6) 验证网络；(7) 使用网络， 即进行肺通气功能指标的预测 [6]。 示例：以不同年龄、体重及身高的男、女性儿 童青少年为例，应用本神经网络预测模型进行示例 计算。 1.5 对肺通气功能预测方法的评价　　为了对不同 的肺通气功能预计方法进行效果评价，将对不同预 计方法所得预计值和实测值的均方差异 (mean squared difference, MSD)和 R进行比较，以 R值最 大而相应的MSD最小者为最佳预计方法。参与比 较的预计方法有：基于后向传播算法建立的 BPNN 预测模型；使用本工作人群建立的多元线性回归方 程式 (LR方程 )；选择年龄范围与本论文检测对象 接近的两组预计方程式，即香港 Ip等报道的 Ip方 程 [12]和国外较常用的 Zapletal方程 [13](Jaeger公司 肺功能仪默认配置的儿童青少年预计方程式即为此 组方程 )。 对于不同肺通气功能预测方法的效果评价，使 用MSD进行比较，MSD的计算公式如下： 其中，D指差异，差异 (%) = (预计值 − 实测值 )/ 预计值 × 100%[14]，N为样本的数量。 2 结果 2.1 受试儿童青少年体质和肺通气功能的一般情况 表 1为受试儿童青少年体质特征和肺通气功能 的一般情况。从表 1中可见，不同性别间年龄差异 无统计学意义，男性身高和体重均高于女性 (P < 0.05)。男性肺通气指标 FVC和 FEV1大于女性， 而 FEV1/FVC 小 于 女 性 (P < 0.05)。 男 性 PEF 和 FEF25%均大于女性 (P < 0.05)。不同性别间 FEF50% 和MMEF的差异无统计学意义，男性 FEF75%小于 女性 (P < 0.05)。表 2为肺通气指标实测值的变异系 数。从表 2中可见，不同性别间 FEF50%、MMEF 和 FEF75%的变异系数均明显大于其它指标。 2.2 肺通气指标的BPNN预测模型 分别以肺通气功能的 7个指标为因变量，以年 龄、身高、体重为自变量，分性别进行 BPNN的训 练，最终得到 14个 BPNN预计模型，其网络结构 具体如下：以身高、体重、年龄为输入变量，样本 输出为某一个肺通气指标。在网络结构上，从输入 到输出，有 1个隐含层，隐含层包含 30~100个神 经元，还有 1个输出层，输出层包含 1个神经元。 其中，隐含层的传递函数设置为双曲正切 S型函数， 输出层的传递函数设置为线性函数。如图 1所示， BPNN是基于 LM-BP算法的肺通气指标预测模型 的网络结构。 表1. 受试人群的体质和肺通气功能一般情况 Table 1. Anthropometric and respiratory parameters of the study participants Male (n = 500) Female (n = 499) Age (years) 13.61 ± 2.05 13.83 ± 2.11 Height (cm) 158.59 ± 11.48# 155.26 ± 7.63 Weight (kg) 48.75 ± 12.19# 47.24 ± 9.22 FVC (L) 3.46 ± 0.89# 3.00 ± 0.58 FEV1 (L) 3.18 ± 0.82# 2.86 ± 0.55 FEV1/FVC (%) 92.17 ± 5.87# 95.29 ± 4.76 PEF (L/s) 6.97 ± 1.80# 6.38 ± 1.30 FEF25% (L/s) 6.10 ± 1.56# 5.86 ± 1.19 FEF50% (L/s) 4.21 ± 1.25 4.25 ± 1.03 MMEF (L/s) 3.74 ± 1.14 3.82 ± 0.94 FEF75% (L/s) 2.14 ± 0.80# 2.28 ± 0.71 FVC: forced vital capacity; FEV1: forced expiratory volume in one second; PEF: peak expiratory flow; FEF25%: forced expira- tory flow at 25% of forced vital capacity; FEF50%: forced ex- piratory flow at 50% of forced vital capacity; MMEF: maximal mid-expiratory flow; FEF75%: forced expiratory flow at 75% of forced vital capacity. #P < 0.05 vs Female. 表2. 肺通气指标的变异系数 Table 2. CV of measured values of ventilatory function Male (%) Female (%) FVC 25.86 19.44 FEV1 25.70 19.20 PEF 25.82 20.30 FEF25% 25.56 20.36 FEF50% 30.11 24.31 MMEF 30.50 24.70 FEF75% 37.16 31.08 CV: coefficient of variance; FVC: forced vital capacity; FEV1: forced expiratory volume in one second; PEF: peak expiratory flow; FEF25%: forced expiratory flow at 25% of forced vital capacity; FEF50%: forced expiratory flow at 50% of forced vi- tal capacity; MMEF: maximal mid-expiratory flow; FEF75%: forced expiratory flow at 75% of forced vital capacity. 陈 鑫等：儿童青少年肺通气功能预测的后向传播神经网络方法 381 2.3 肺通气指标线性回归(LR)方程 以肺通气功能的各指标为因变量，以年龄、身 高、体重为自变量，分性别进行多元逐步回归，得 到的回归方程式见表 3和表 4。结果显示：无论性别， 受试者肺通气功能的各指标与年龄和身高呈正相 关，除 MMEF和 FEF75%外，肺通气功能各指标 与体重呈正相关。 2.4 各种肺通气功能预测方法的结果比较 表 5和表 6利用评价指标MSD，比较了肺通气 指标的实测值与各组预计方法 (BPNN、LR方程、 Ip方程和 Zapletal方程 )所得预计值的平均差异。 从表中可见，无论性别，对于肺通气指标 FVC、 F E V 1、P E F、F E F 2 5 %、F E F 5 0 %、M M E F、 FEF75%，BPNN所得预计值与实测值的MSD均较 其它方法小。同时，LR方程所得的预计值和实测 值的MSD又较 Ip方程和 Zapletal方程小。 表 7和表 8，利用指标 R比较了肺通气指标实 测值与各组预计方法 (BPNN、LR方程、Ip方程、 Zapletal方程 )所得预计值的 R大小。从表中可见， 无论性别，对于肺通气指标 FVC、FEV1、PEF、 FEF25%、FEF50%、MMEF、FEF75%，BPNN 所 得预计值与实测值的 R均较其它方法更大。同时， 图 1. 用于肺通气功能预测的神经网络结构图 Fig. 1. The diagram of neural network for the prediction of ventilatory function. In this network diagram, the input contains three vari- ables i.e. age, height and weight; The output contains one variable indicating the ventilatory function, like FVC, FEV1, PEF etc; The hidden layer contains 30–100 neurons with the weight matrix W and the bias b; The output layer contains one neuron. 表 3. 10~18男性儿童青少年肺通气功能多元回归预计方程式 Table 3. Predictive equations for ventilatory function of the males aged 10–18 years by linear regression Equation R Sd FVC (L) −5.002 + 4.109 × H + 0.021 × W + 0.069 × A 0.894 0.40137 FEV1 (L) −4.811 + 3.927 × H + 0.015 × W + 0.074 × A 0.897 0.36192 PEF (L/s) −7.362 + 5.823 × H + 0.033 × W + 0.257 × A 0.807 1.06618 FEF25% (L/s) −4.778 + 4.188 × H + 0.032 × W + 0.195 × A 0.742 1.04910 FEF50% (L/s) −4.883 + 4.216 × H + 0.016 × W + 0.120 × A 0.671 0.94181 MMEF (L/s) −5.985 + 5.188 × H + 0.110 × A 0.688 0.82888 FEF75% (L/s) −4.252 + 3.386 × H + 0.075 × A 0.651 0.60625 H: height (m); W: weight (kg); A: age (year). R: correlation coefficient; Sd: standard error. 表 4. 10~18岁女性儿童青少年肺通气功能多元回归预计方程式 Table 4. Predictive equations for ventilatory function of the females aged 10–18 years by linear regression Equation R Sd FVC (L) −2.779 + 2.635 × H + 0.026 × W + 0.032 × A 0.783 0.36413 FEV1 (L) −3.205 + 2.981 × H + 0.020 × W + 0.037 × A 0.786 0.34001 PEF (L/s) −4.247 + 4.515 × H + 0.035 × W + 0.142 × A 0.648 0.98894 FEF25% (L/s) −3.071 + 3.699 × H + 0.031 × W + 0.126 × A 0.604 0.95332 FEF50% (L/s) −3.375 + 3.590 × H + 0.018 × W + 0.087 × A 0.526 0.88103 MMEF (L/s) −5.056 + 4.893 × H + 0.092 × A 0.545 0.79209 FEF75% (L/s) −3.743 + 3.435 × H + 0.050 × A 0.473 0.62482 H: height (m); W: weight (kg); A: age (year). R: correlation coefficient; Sd: standard error. 生理学报 Acta Physiologica Sinica, August 25, 2011, 63(4): 377–386 382 表 5.由不同预计方法所得男性儿童青少年肺通气指标预计值与实测值的均方差异(MSD)比较 Table 5. Comparison of mean squared differences (MSD) between predicted and observed values of ventilatory function of male chil- dren and adolescents derived from different predicting methods FVC FEV1 PEF FEF25% FEF50% MMEF FEF75% MSD Rank MSD Rank MSD Rank MSD Rank MSD Rank MSD Rank MSD Rank BPNN 0.0104 1 0.0114 1 0.0168 1 0.0260 1 0.0440 1 0.0406 1 0.0547 1 LR 0.0133 2 0.0132 2 0.0221 2 0.0275 2 0.0478 2 0.0457 2 0.0745 2 Ip 0.0201 4 0.0232 4 - - - - 0.0553 3 - - - - Zapletal 0.0149 3 0.0143 3 0.0533 3 0.0611 3 0.0751 4 0.0683 3 0.1058 3 FVC: forced vital capacity; FEV1: forced expiratory volume in one second; PEF: peak expiratory flow; FEF25%: forced expiratory flow at 25% of forced vital capacity; FEF50%: forced expiratory flow at 50% of forced vital capacity; MMEF: maximal mid-expirato- ry flow; FEF75%: forced expiratory flow at 75% of forced vital capacity; Rank, MSD rank in ascending order; BPNN: backpropaga- tion neural network; LR: linear regression; Ip: Ip’s equation; Zapletal: Zapletal’s equation. Note: Ip’s equation set didn’t include equa- tions of PEF, FEF25%, MMEF and FEF75%. LR方程所得预计值和实测值的 R又较 Ip方程和 Zapletal方程更大。 表 9比较了各个肺通气指标 BPNN预计值和实 测值的 R较 LR方程预计值和实测值的 R增幅 ΔR(%)。从表中可见，无论性别，FEF50%、MMEF 和 FEF75%的 ΔR均较其它指标更大。 2.5 示例 示例 1：利用本工作所建立的 BPNN预测模型， 表 6.由不同预计方法所得女性儿童青少年肺通气指标预计值与实测值的均方差异(MSD)比较 Table 6. Comparison of mean squared differences (MSD) between predicted and observed values of ventilatory function of female children and adolescents derived from different predicting methods FVC FEV1 PEF FEF25% FEF50% MMEF FEF75% MSD Rank MSD Rank MSD Rank MSD Rank MSD Rank MSD Rank MSD Rank BPNN 0.0108 1 0.0101 1 0.0187 1 0.0234 1 0.0365 1 0.0415 1 0.0713 1 LR 0.0141 2 0.0130 2 0.0234 2 0.0260 2 0.0428 2 0.0430 2 0.0744 2 Ip 0.0242 3 0.0292 3 - - - - 0.0618 3 - - - - Zapletal 0.0343 4 0.0376 4 0.0411 3 0.0638 3 0.0984 4 0.1011 3 0.1707 3 FVC: forced vital capacity; FEV1: forced expiratory volume in one second; PEF: peak expiratory flow; FEF25%: forced expiratory flow at 25% of forced vital capacity; FEF50%: forced expiratory flow at 50% of forced vital capacity; MMEF: maximal mid-expirato- ry flow; FEF75%: forced expiratory flow at 75% of forced vital capacity; Rank, MSD rank in ascending order; BPNN: backpropaga- tion neural network; LR: linear regression; Ip: Ip’s equation; Zapletal: Zapletal’s equation. Note: Ip’s equation set didn’t include equa- tions of PEF, FEF25%, MMEF and FEF75%. 表 7.由不同预计方法所得男性儿童青少年肺通气指标预计值与实测值的相关系数(R)比较 Table 7. Comparison of correlation coefficient (R) between predicted and observed values of ventilatory function of male children and adolescents derived from different predicting methods FVC FEV1 PEF FEF25% FEF50% MMEF FEF75% R Rank R Rank R Rank R Rank R Rank R Rank R Rank BPNN 0.9209 1 0.9353 1 0.8581 1 0.8019 1 0.7511 1 0.7729 1 0.7479 1 LR 0.8941 2 0.8969 2 0.8074 2 0.7420 2 0.6706 2 0.6882 2 0.6510 2 Ip 0.8742 3 0.8817 3 - - - - 0.6557 3 - - - - Zapletal 0.8742 3 0.8816 4 0.7767 3 0.7101 3 0.6553 4 0.6804 3 0.6429 3 FVC: forced vital capacity; FEV1: forced expiratory volume in one second; PEF: peak expiratory flow; FEF25%: forced expiratory flow at 25% of forced vital capacity; FEF50%: forced expiratory flow at 50% of forced vital capacity; MMEF: maximal mid-expirato- ry flow; FEF75%: forced expiratory flow at 75% of forced vital capacity; Rank, R rank in descending order; BPNN: backpropagation neural network; LR: linear regression; Ip: Ip’s equation; Zapletal: Zapletal’s equation. Note: Ip’s equation set didn’t include equations of PEF, FEF25%, MMEF and FEF75%. 陈 鑫等：儿童青少年肺通气功能预测的后向传播神经网络方法 383 求年龄 10岁、身高 136 cm、体重 31 kg男性儿童 之肺通气指标的预计值，结果见表 10。 示例 2：利用本工作所建立的 BPNN预测模型， 求年龄 16岁、身高 175 cm、体重 61 kg女性青少 年之肺通气指标的预计值，结果见表 11。 3 讨论 应用 ANN进行肺通气功能预测，对样本数据 质量有一定要求。本工作研究对象集中在 10~18岁 的健康汉族儿童青少年，排除了吸烟人群，样本量 较大，同时严格按照美国胸科学会标准采样，使得 表 8.由不同预计方法所得女性儿童青少年肺通气指标预计值与实测值的相关系数(R)比较 Table 8. Comparison of correlation coefficient (R) between predicted and observed values of ventilatory function of female children and adolescents derived from different predicting methods FVC FEV1 PEF FEF25% FEF50% MMEF FEF75% R Rank R Rank R Rank R Rank R Rank R Rank R Rank BPNN 0.8396 1 0.8393 1 0.7231 1 0.6660 1 0.6063 1 0.6339 1 0.5792 1 LR 0.7834 2 0.7863 2 0.6484 2 0.6043 2 0.5264 2 0.5446 2 0.4735 2 IP 0.7091 3 0.7298 4 - - - - 0.4778 4 - - - - Zapletal 0.7091 3 0.7301 3 0.5746 3 0.5314 3 0.4784 3 0.5122 3 0.4541 3 FVC: forced vital capacity; FEV1: forced expiratory volume in one second; PEF: peak expiratory flow; FEF25%: forced expiratory flow at 25% of forced vital capacity; FEF50%: forced expiratory flow at 50% of forced vital capacity; MMEF: maximal mid-expirato- ry flow; FEF75%: forced expiratory flow at 75% of forced vital capacity; Rank, R rank in descending order; BPNN: backpropagation neural network; LR: linear regression; Ip: Ip’s equation; Zapletal: Zapletal’s equation. Note: Ip’s equation set didn’t include equations of PEF, FEF25%, MMEF and FEF75%. 表 9. BPNN较线性回归方程(LR)肺通气指标预计值和实测值 相关系数(R)的增幅(%) Table 9. Increasing percentage of correlation coefficient (ΔR) between the predicted and observed ones derived by BPNN compared with that derived by LR’s prediction equation Male Female ΔRFVC (%) 3.00 7.17 ΔRFEV1 (%) 4.28 6.74 ΔRPEF (%) 6.28 11.52 ΔRFEF25% (%) 8.07 10.21 ΔRFEF50% (%) 12.00 15.18 ΔRMMEF (%) 12.31 16.40 ΔRFEF75% (%) 14.88 22.32 表 10. 年龄10岁、身高136 cm、体重31 kg男性少年之肺通气指标的测量值和预计值 Table 10. Measured and predicted values of ventilatory function indexes from a 10 years old boy (height: 136 cm, weight: 31 kg) FVC (L) FEV1 (L) PEF (L/s) FEF25% (L/s) FEF50% (L/s) MMEF (L/s) FEF75% (L/s) Predicted value 2.38 2.04 4.10 3.93 2.56 1.99 1.30 Measured value 2.43 2.04 3.89 3.70 2.30 2.03 1.07 FVC: forced vital capacity; FEV1: forced expiratory volume in one second; PEF: peak expiratory flow; FEF25%: forced expiratory flow at 25% of forced vital capacity; FEF50%: forced expiratory flow at 50% of forced vital capacity; MMEF: maximal mid-expirato- ry flow; FEF75%: forced expiratory flow at 75% of forced vital capacity. 表 11. 年龄16岁、身高175 cm、体重61 kg女性少年之肺通气指标的测量值和预计值 Table 11. Measured value and predicted values of ventilatory function indexes from a 16 years old girl (height: 175 cm, weight: 61 kg)