论文部分内容阅读
摘 要：预测产妇能否顺利分娩，确定采用何种分娩方式在产科临床中具有非常重要的意义。文章提出了基于蚁群聚类算法辅助决策的方法，通过孕妇和胎儿的相关指标建议采用相应的分娩方式。对降低难产率和剖宫产率有显著的意义。
关键词：蚁群算法；人工智能；分娩方式
中图分类号：TP301.6
在临床工作中，对于具有绝对剖宫产指征的孕妇，大部分在足月临产前就进行了剖宫产，而没有明显异常状况的孕妇进入了产程试产。大部分产妇能顺利经阴分娩，但总有相当部分产妇因各种原因产程停滞改行剖宫产。如此一来不仅增加了医患纠纷几率，也使本可自然分娩的孕妇要求改行剖宫产，从而增加剖宫产率。如何预测和合理安排分娩方式，是产科工作者面临的一个难题[1]。
蚁群算法（ant colony optimization，ACO），又称蚂蚁算法，是一种用来寻找最优解决方案的机率型技术。它由Marco Dorigo于1992年在他的博士论文中引入，其灵感来源于蚂蚁在寻找食物过程中发现路径的行为。其主要特点就是：通过正反馈、分布式协作来寻找最优路径。这是一种基于种群寻优的启发式搜索算法。它充分利用了生物蚁群能通过个体间简单的信息传递，搜索从蚁巢至食物间最短路径的集体寻优特征，以及该过程与旅行商问题求解之间的相似性。得到了具有NP难度的旅行商问题的最优解答。同时，该算法还被用于求解Job-Shop调度问题、二次指派问题以及多维背包问题等，显示了其适用于组合优化类问题求解的优越特征。
本文对蚁群算法预测分娩方式的问题进行了一些研究，希望通过分娩前的相关数据信息和分娩方式之间的规律，为临床工作提供参考。
1 蚁群算法基本原理
蚁群算法受生物界中蚂蚁觅食的行为启发而来，据昆虫学家的观察和研究，发现生物界中的蚂蚁有能力在没有任何可见提示下找出从蚁穴到食物源的最短路径，并且能够随环境的变化而变化地搜索新的路径，产生新的选择。蚂蚁之所以能够智能地觅食，依靠的是一种相当简单的生理机制：蚂蚁在觅食走过的路径上释放一种蚂蚁特有的分泌物——信息激素（Pheromone）。蚂蚁个体之间正是通过这种信息激素进行信息传递，从而能相互协作，蚂蚁在觅食过程中，当它们碰到一个还没过的路口时，就随机地挑选一条路径前行，同时释放出与路径长度有关的信息素。蚂蚁走的路径越长，则释放的信息量越小。当后来的蚂蚁再次碰到这个路口的时候，选择信息量较大路径的概率相对较大，这样便形成了一个正反馈机制。最优路径上的信息量越来越大，而其他路径上的信息量却随着时间的流逝而逐渐消减，当一些路径通过的蚂蚁越多，则留下的信息激素轨迹（trail）也就越多，使得后来更多的蚂蚁选择该路径的概率也越高，于是该路径的信息素越强，最终整个蚁群回找出最优路径。同时蚁群还能够适应环境的变化，当蚁群的运动路径上突然出现障碍物时，蚂蚁也能很快地重新找到最优路径。
2 蚁群算法描述
以TSP问题为例，蚁群算法描述如下：
（1）将m只蚂蚁随机分配到n个城市中去。
（2）位于城市c上的蚂蚁k以概率Pk（c，s）选择一条从城市c到城市s的道路，其中Jk（c）表示蚂蚁k还没有访问的城市列表；表示边（c，s）上的信息素浓度，启发函数，这两个参数反映了信息素和启发函数的相对重要性。
（3）当所有蚂蚁完成环游，按下述公式进行信息素更新是信息素挥发因子，其中Lk是第k只蚂蚁的环游长度。
（4）看是否满足结束条件，如不满足则转到第二步。
3 蚁群聚类算法基本原理
蚁群聚类算法是基于蚁穴清理行为的聚类算法。在诸多聚类算法中，蚁群算法是一种较新且较高效率的算法。蚁群算法在数据挖掘聚类中的应用所采用的生物原型为蚁群的蚁穴清理行为和蚁群觅食行为。在蚁群蚁穴清理行为中，蚁群会将蚁穴中分布分散的蚂蚁尸体堆积成相对集中的几个大堆。在聚类分析中，将这些分散分布的蚂蚁尸体视为待分析的数据集合，而最终堆积而成的大堆则对应于最终的聚类结果。在蚁群的觅食行为中，蚂蚁依据一定的概率选择觅食路径，使得蚂蚁所寻找的路径呈现多样化状态。在基于蚁群觅食行为的聚类分析中，将数据视为具有不同属性的蚂蚁，而将聚类结果视为食物源，所不同的是，此时认为存在多个食物源。这样各个蚂蚁通过一定的概率实现移动，并聚集在不同的食物源而实现聚类。这种聚类方法是J.L.Deneubourg于1991年最早提出的，而后E.Lumer和B.Faieta将该模型应用到了数据分析领域。
设t时刻某只蚂蚁在地点r处发现数据对象Oi，对象Oi与其邻域内对象Oj的平均相似度表示为：
（1）
其中，α为相似度参数，ν为蚂蚁的移动速度，νmax为该蚂蚁的最大移动速度，Neights×s（r）为地点r处以s为边长的正方形区域，d（Oi，Oj）为数据对象Oi和Oj的空间距离.常用的距离度量方法有欧氏距离和余弦函数法，其中以余弦函数法最为常用，本文采用余弦函数法度量：
d（Oi，Oj）=1-sim（Oi，Oj） （2）
sim（Oi，Oj）为数据对象Oi和Oj的相似度，用两个对象的属性向量余弦夹角相似度度量，即
（3）
m为对象的属性数，Oi，k为对象i的第k个属性值.数据对象越相似，则sim（Oi，Oj）的值越趋近于1，反之则趋近于0。
聚类过程中，蚂蚁总是拾起与邻域最不相似的点，并将其放在与邻域节点最为相似的方格中，拾起与丢弃的概率由概率转换函数决定，可由f（Oi，）的函数得到，即：
（4）
（5）
其中，Pp、Pd分别为拾起和丢弃概率，k1、k2为阈值常量，f（Oi，）越大则Pp小，Pd越大，反之亦然。
3 基于蚁群聚类算法的分娩方式 3.1 基于蚁群聚类的分娩方式选择系统的体系结构
本文尝试采用基于蚂蚁觅食原理的蚁群聚类方法，选取扬州妇幼生育保健管理信息系统数据库中孕妇以及其他指标作为输入参数，将分娩方式主要归类为三种：
（1）阴道产。
（2）产钳助产。
（3）剖宫产。
基于蚁群聚类算法的分娩方式预测系统体系结构如图1所示：
图1
3.2 基于蚁群聚类的分娩方式选择系统实验数据
首先建立实验数据集Test，其中样本个数1000，特征参数7，聚类个数3。本实验中的研究数据全部来自2012年1月至2013年12月在扬州妇幼保健医院建卡并且在该院分娩室（或手术室）分娩的产妇病例。
筛选条件为以下七个条件：
（1）孕妇年龄。
（2）分娩前体重。
（3）孕妇身高。
（4）胎位。
（5）胎儿心率。
（6）血氧含量。
（7）胎盘及脐带情况。
这些数据经过特征参数选择以及预处理。实验数据采集样本，来自扬州妇幼生育保健信息管理系统，系统主要运行界面如图2。
图2
3.3 基于蚁群聚类的分娩方式选择系统实验结果分析
本次实验的参数如下设置：对数据集Test，蚁群类个数为3，迭代次数最大为NC=40，设蚂蚁个数为M1=200，局部搜索的个数P=3，选取阈值Q1=0.6作为转换概率规则，信息素的衰减系数设为k=0.2，以及局部概率阈值pls=0.04。实验结果如表1所示，对于阴道产聚类正确率为86.6%，对于剖宫产的正确率为87.5%，产钳助产的正确率为90%。
4 结束语
我们选用了取自扬州妇幼生育保健管理信息系统数据库中的数据，对这些数据进行数据筛选以及预处理，并运用基于蚂蚁觅食原理的蚁群聚类算法来对这些数据进行聚类。实验结果表明，通过该方法预测分娩方式效果很好。
参考文献：
[1]田敬霞.基于人工神经网络的胎儿体重及孕妇分娩方式预测[D].山东大学，2008.
作者简介：张小冬（1976.12-），男，江苏扬州人，工程师，本科，工程硕士，研究方向：数据挖掘。
作者单位：扬州市妇幼保健院，江苏扬州 225001
关键词：蚁群算法；人工智能；分娩方式
中图分类号：TP301.6
在临床工作中，对于具有绝对剖宫产指征的孕妇，大部分在足月临产前就进行了剖宫产，而没有明显异常状况的孕妇进入了产程试产。大部分产妇能顺利经阴分娩，但总有相当部分产妇因各种原因产程停滞改行剖宫产。如此一来不仅增加了医患纠纷几率，也使本可自然分娩的孕妇要求改行剖宫产，从而增加剖宫产率。如何预测和合理安排分娩方式，是产科工作者面临的一个难题[1]。
蚁群算法（ant colony optimization，ACO），又称蚂蚁算法，是一种用来寻找最优解决方案的机率型技术。它由Marco Dorigo于1992年在他的博士论文中引入，其灵感来源于蚂蚁在寻找食物过程中发现路径的行为。其主要特点就是：通过正反馈、分布式协作来寻找最优路径。这是一种基于种群寻优的启发式搜索算法。它充分利用了生物蚁群能通过个体间简单的信息传递，搜索从蚁巢至食物间最短路径的集体寻优特征，以及该过程与旅行商问题求解之间的相似性。得到了具有NP难度的旅行商问题的最优解答。同时，该算法还被用于求解Job-Shop调度问题、二次指派问题以及多维背包问题等，显示了其适用于组合优化类问题求解的优越特征。
本文对蚁群算法预测分娩方式的问题进行了一些研究，希望通过分娩前的相关数据信息和分娩方式之间的规律，为临床工作提供参考。
1 蚁群算法基本原理
蚁群算法受生物界中蚂蚁觅食的行为启发而来，据昆虫学家的观察和研究，发现生物界中的蚂蚁有能力在没有任何可见提示下找出从蚁穴到食物源的最短路径，并且能够随环境的变化而变化地搜索新的路径，产生新的选择。蚂蚁之所以能够智能地觅食，依靠的是一种相当简单的生理机制：蚂蚁在觅食走过的路径上释放一种蚂蚁特有的分泌物——信息激素（Pheromone）。蚂蚁个体之间正是通过这种信息激素进行信息传递，从而能相互协作，蚂蚁在觅食过程中，当它们碰到一个还没过的路口时，就随机地挑选一条路径前行，同时释放出与路径长度有关的信息素。蚂蚁走的路径越长，则释放的信息量越小。当后来的蚂蚁再次碰到这个路口的时候，选择信息量较大路径的概率相对较大，这样便形成了一个正反馈机制。最优路径上的信息量越来越大，而其他路径上的信息量却随着时间的流逝而逐渐消减，当一些路径通过的蚂蚁越多，则留下的信息激素轨迹（trail）也就越多，使得后来更多的蚂蚁选择该路径的概率也越高，于是该路径的信息素越强，最终整个蚁群回找出最优路径。同时蚁群还能够适应环境的变化，当蚁群的运动路径上突然出现障碍物时，蚂蚁也能很快地重新找到最优路径。
2 蚁群算法描述
以TSP问题为例，蚁群算法描述如下：
（1）将m只蚂蚁随机分配到n个城市中去。
（2）位于城市c上的蚂蚁k以概率Pk（c，s）选择一条从城市c到城市s的道路，其中Jk（c）表示蚂蚁k还没有访问的城市列表；表示边（c，s）上的信息素浓度，启发函数，这两个参数反映了信息素和启发函数的相对重要性。
（3）当所有蚂蚁完成环游，按下述公式进行信息素更新是信息素挥发因子，其中Lk是第k只蚂蚁的环游长度。
（4）看是否满足结束条件，如不满足则转到第二步。
3 蚁群聚类算法基本原理
蚁群聚类算法是基于蚁穴清理行为的聚类算法。在诸多聚类算法中，蚁群算法是一种较新且较高效率的算法。蚁群算法在数据挖掘聚类中的应用所采用的生物原型为蚁群的蚁穴清理行为和蚁群觅食行为。在蚁群蚁穴清理行为中，蚁群会将蚁穴中分布分散的蚂蚁尸体堆积成相对集中的几个大堆。在聚类分析中，将这些分散分布的蚂蚁尸体视为待分析的数据集合，而最终堆积而成的大堆则对应于最终的聚类结果。在蚁群的觅食行为中，蚂蚁依据一定的概率选择觅食路径，使得蚂蚁所寻找的路径呈现多样化状态。在基于蚁群觅食行为的聚类分析中，将数据视为具有不同属性的蚂蚁，而将聚类结果视为食物源，所不同的是，此时认为存在多个食物源。这样各个蚂蚁通过一定的概率实现移动，并聚集在不同的食物源而实现聚类。这种聚类方法是J.L.Deneubourg于1991年最早提出的，而后E.Lumer和B.Faieta将该模型应用到了数据分析领域。
设t时刻某只蚂蚁在地点r处发现数据对象Oi，对象Oi与其邻域内对象Oj的平均相似度表示为：
（1）
其中，α为相似度参数，ν为蚂蚁的移动速度，νmax为该蚂蚁的最大移动速度，Neights×s（r）为地点r处以s为边长的正方形区域，d（Oi，Oj）为数据对象Oi和Oj的空间距离.常用的距离度量方法有欧氏距离和余弦函数法，其中以余弦函数法最为常用，本文采用余弦函数法度量：
d（Oi，Oj）=1-sim（Oi，Oj） （2）
sim（Oi，Oj）为数据对象Oi和Oj的相似度，用两个对象的属性向量余弦夹角相似度度量，即
（3）
m为对象的属性数，Oi，k为对象i的第k个属性值.数据对象越相似，则sim（Oi，Oj）的值越趋近于1，反之则趋近于0。
聚类过程中，蚂蚁总是拾起与邻域最不相似的点，并将其放在与邻域节点最为相似的方格中，拾起与丢弃的概率由概率转换函数决定，可由f（Oi，）的函数得到，即：
（4）
（5）
其中，Pp、Pd分别为拾起和丢弃概率，k1、k2为阈值常量，f（Oi，）越大则Pp小，Pd越大，反之亦然。
3 基于蚁群聚类算法的分娩方式 3.1 基于蚁群聚类的分娩方式选择系统的体系结构
本文尝试采用基于蚂蚁觅食原理的蚁群聚类方法，选取扬州妇幼生育保健管理信息系统数据库中孕妇以及其他指标作为输入参数，将分娩方式主要归类为三种：
（1）阴道产。
（2）产钳助产。
（3）剖宫产。
基于蚁群聚类算法的分娩方式预测系统体系结构如图1所示：
图1
3.2 基于蚁群聚类的分娩方式选择系统实验数据
首先建立实验数据集Test，其中样本个数1000，特征参数7，聚类个数3。本实验中的研究数据全部来自2012年1月至2013年12月在扬州妇幼保健医院建卡并且在该院分娩室（或手术室）分娩的产妇病例。
筛选条件为以下七个条件：
（1）孕妇年龄。
（2）分娩前体重。
（3）孕妇身高。
（4）胎位。
（5）胎儿心率。
（6）血氧含量。
（7）胎盘及脐带情况。
这些数据经过特征参数选择以及预处理。实验数据采集样本，来自扬州妇幼生育保健信息管理系统，系统主要运行界面如图2。
图2
3.3 基于蚁群聚类的分娩方式选择系统实验结果分析
本次实验的参数如下设置：对数据集Test，蚁群类个数为3，迭代次数最大为NC=40，设蚂蚁个数为M1=200，局部搜索的个数P=3，选取阈值Q1=0.6作为转换概率规则，信息素的衰减系数设为k=0.2，以及局部概率阈值pls=0.04。实验结果如表1所示，对于阴道产聚类正确率为86.6%，对于剖宫产的正确率为87.5%，产钳助产的正确率为90%。
4 结束语
我们选用了取自扬州妇幼生育保健管理信息系统数据库中的数据，对这些数据进行数据筛选以及预处理，并运用基于蚂蚁觅食原理的蚁群聚类算法来对这些数据进行聚类。实验结果表明，通过该方法预测分娩方式效果很好。
参考文献：
[1]田敬霞.基于人工神经网络的胎儿体重及孕妇分娩方式预测[D].山东大学，2008.
作者简介：张小冬（1976.12-），男，江苏扬州人，工程师，本科，工程硕士，研究方向：数据挖掘。
作者单位：扬州市妇幼保健院，江苏扬州 225001