（流行病与卫生统计学专业论文）利用人工神经网络模型预测原发性高血压的研究.pdf

目录 iilr l l lf l l lr lr lr ir llll 17 6 8 6 14 一、摘要 中文论著摘要1 英文论著摘要6 二、英文缩略语1 3 三、论文 前言“1 4日i j 舌“1 4 研究对象与方法1 5 结果”18 讨论2 4 结论“2 6 四、本研究创新性的自我评价2 7 五、参考文献2 8 六、附录 综述“3 0 致谢4 4 个人简介4 5 中文论著摘要 利用人工神经网络模型预测原发性高血压的研究 刖吾 原发性高血压( e s s e n t i a lh y p e r t e n s i o n ，e h ) 是常见的心血管疾病之一，近年来， 随着我国经济发展，生活节奏明显增快，产生了一系列的不健康的生活方式，导 致我国心脑血管疾病死亡率、发病率和患病率持续上升。高血压既是一种独立的 疾病，又是引发心脑血管疾病的重要危险因素，发生高血压危象及高血压脑病等 严重并发症时可危及生命。因此，高血压的防治工作不容忽视。 国内外研究表明，高血压是一种多因子疾病【2 】，致病因素多，各因素间关系复 杂，是高血压研究的重要特点。目前疾病预测的方法以传统的l o g i s t i c 回归 ( l o g i s t i cr e g r e s s i o n ，l r ) 为主，l o g i s t i c 回归模型要求变量满足独立性且不能处 理变量之间的共线性问题。因此，应用l o g i s t i c 回归模型进行预测高血压这样的 复杂疾病具有一定的局限性。人工神经网络( a r t i f i c i a ln e u r a ln e t w o r k s ，a n n s ) ， 简称为神经网络( n n s ) ，是模拟生物神经网络进行信息处理的一种数学模型【4 】。 神经网络具有强大的解决共线性效应和变量问的交互作用的能力【2 1 ，善于处理非 线性的、模糊的、含有噪声的数据情况。目前，人工神经网络在医学上的应用还 远没有传统的l o g i s t i c 回归那么广泛。 本研究所选择的现场是辽宁省彰武县农村，经调查该人群高血压标化患病率 高达3 5 t 5 1 ，全国罕见。本研究利用这些调查数据建立b p 人工神经网络( b a c k p r o p a g a t i o n a n n s ) 预测模型，并与l o g i s t i c 回归模型进行比较，利用受试者工作 特征曲线( r e c e i v e ro p e r a t o rc h a r a c t e r i s t i cc u l v e ，r o c 曲线) 评价人工神经网络模型 的预测性能。以探讨和评价a n n s 用于疾病预测的效果和特点，为高血压等复杂疾 病的预测探索新的方法，同时对农村高血压病的防治也有一定的参考价值。 研究对象与方法 一、研究对象的选择 本研究利用之前在辽宁省彰武县农村进行的e h 流行病学调查的资料进行统 计、预测分析。该调查采用整群多级随机抽样的方法总计调查5 2 0 8 人，最后3 0 岁 以上常住人群共计4 1 2 6 名调查对象被纳入本次研究，其中女1 9 4 2 人，男2 1 8 4 人。 二、调查内容和检测指标 在现场以问询和测量的方式填写调查表，调查内容主要包括：一般特征，吸 烟史，饮酒史等；测量血压、体重、身高等 现场每人采血5 m l ( 隔夜空腹) ，经离心后分离血清，分装冰冻保存用于血清指 标检测。 三、诊断标准和测量方法： 高血压诊断是根据1 9 9 9 年1 h 0 i s h 公布的高血压诊断标准1 ：收缩压 1 4 0 m m h g 和或舒张压9 0m m h g 或既往确诊的原发性高血压者。血压测量及其他 血清生化检测指标由专业医护人员在标准条件下进行测量。 胆固醇、甘油三酯、h d l 、l d l 、血清钠、血清钾、血清铁、血清钙等指标 的水平采用日本第一化学提供的7 1 5 0 型全自动生化分析仪，用比色法进行分析。 血糖水平采用美国强生公司生产的稳捷基础型血糖分析仪，用滴血法进行分析。 四、神经网络模型的建立 a n n s 模型采用含有一个隐含层的三层b p 神经网络模型。模型输入层的神经元 为单因素分析中p 0 0 5 的与高血压相关的因素，输出层有1 个神经元( 即按照诊 断标准判断研究对象是否患高血压) ，隐含层的神经元个数通过实验根据均方误差 择优确定。隐含层的激活函数为t a n s i g ，输出层的激活函数为l o g s i g 。 本研究将4 1 2 6 例资料按照性别、年龄进行均衡后按3 ：1 的比例随机分为训 练总集( 3 0 9 6 例) 和测试集( 1 0 3 0 例) 两部分，分别用于模型的建立和测试。为 了防止a n n s 过渡拟合，在a n n s 模型的训练过程中，又将训练总集( 3 0 9 6 例) 按 3 ：1 的比例随机分为训练集( 2 3 3 4 例) 和检验集( 7 6 2 例) ，利用检验集时时地 检查训练效果。 五、资料统计分析方法 用m a t l a b 7 1 软件编程建立a n n s 预测模型。用s p s s l 3 0 统计软件建立二分 2 类非条件l o g i s t i c 回归的高血压预测模型和绘制模型预测识别的r o c 曲线。预测 概率的判别标准为0 5 ，即p o 5 时预测结果为患高血压，否则为不患高血压。 统计学显著性水平规定为q = 0 0 5 。 结果 一、非条件单因素l o g is tic 回归模型进行高血压预测 对调查数据进行高血压的单因素分析，筛选出p o 0 5 的因素作为预测模型的 输入变量，共2 2 个因素与高血压有关。 二、非条件多因素l o g is t ic 回归模型进行高血压预测 ( 一) 建立非条件多因素l o g i s t i c 回归模型 对训练总集的3 0 9 6 例样本进行非条件多因素l o g i s t i c 回归分析，将单因素 筛选出的指标作为自变量( 身高、体重己转化为b m i 故未进入模型) ，以研究对象 是否患高血压为因变量建立多因素l o g i s t i c 回归模型。模型采用最大似然估计前 进法进行逐步回归分析，入选变量的标准是p o 1 0 。 经逐步回归后，共有9 个因素进入模型，模型改善情况检验( x2 = 4 3 3 5 ) 和整个 模型检验( x2 = 1 4 3 9 4 5 7 ) 。整个训练总集的分类一致率为7 8 4 2 ，特异度为 8 0 4 5 ，灵敏度为7 6 6 2 ， ( 二) 利用非条件多因素l o g i s t i c 回归模型预测 用上述l o g i s t i c 回归模型预测测试集( 1 0 3 0 例) 研究对象是否患高血压。经 模型预测，测试集一致率为7 7 4 8 ，特异度为8 0 ，灵敏度为7 4 8 5 。 三、b p 神经网络模型进行预测 ( 一) 建立b p 神经网络模型 建立一个三层的b p a n n s 模型，以单因素筛选出的全部2 2 个因素作为输入变 量，其隐含层设为2 2 个神经元，输出层1 个神经元( 即是否患e h ) 。目标误差取 0 0 1 ，学习速率取0 1 ，最大训练周期2 0 0 0 。经过1 7 步训练，此时训练中均方误 差m s e 为0 1 2 6 2 6 2 ，梯度g r a d i e n t 为1 3 7 2 7 6 l e - 0 1 0 ，网络的训练由于检验集 均方误差达到极小值而结束。测试训练好的b p a n n s 模型的拟合效果，训练集的分 类一致率为8 1 0 6 ，检验集的分类一致率为7 7 9 5 ，整个训练总集的分类一致率 为8 0 3 0 ，特异度为8 4 4 8 ，灵敏度为7 6 1 6 。 ( 二) 利用b p 神经网络模型进行预测 用上述b p a n n s 模型预测测试集( 1 0 3 0 例) 研究对象是否患高血压，测试结果 见表5 。其测试集分类一致率为7 8 8 3 ，特异度为8 1 5 7 ，灵敏度为7 6 4 2 。 四、b p 神经网络模型与l o g is tic 回归模型高血压预测比较 ( 一) 预测结果的比较 神经网络模型的分类一致率、灵敏度、特异度均高于l o g i s t i c 回归模型。 ( 二) r o c 曲线面积比较 利用s s p s l 3 0 绘出多因素l o g i s t i c 回归模型和b p a n n s 模型的r o c 曲线，多 因素l o g i s t i c 回归模型的r o e 曲线下面积为0 7 8 2 ，9 5 可信区间为 0 7 6 8 ， 0 7 9 7 ，b p a n n s 模型的r o c 曲线下面积为0 8 0 0 ，9 5 可信区间为 0 7 8 6 ，0 8 1 4 。 讨论 高血压的病因复杂，影响高血压患病的危险因素是多方面的，一些危险因素之 间可能存在交互作用、多重共线性，这些复杂的关系影响预测模型的拟合，严重 干扰了高血压的预测和病因研究工作。因此本研究利用辽宁省彰武县农村人群的 调查资料建立高血压的神经网络预测模型，并与传统方法的l o g i s t i c 回归模型相 比较，以探讨神经网络模型预测高血压发病的能力。 神经网络模型建立过程中各函数、参数的设置并没有统一的标准，需要针对 具体问题具体分析。本研究建立的模型是以误差反向后传学习算法而得名的b p 神 经网络，它是医学领域应用最广泛的一种神经网络，集中体现了神经网络中最精 华的部分。因为对于任何在闭区间内的一个连续函数都可以用单隐含层的b p 神经 网络逼近n0 l ，所以本研究采用了含有一个隐含层的三层b p 神经网络。考虑到输入 层神经元个数过多对样本量的要求较高，所以只选择了与高血压密切相关的因素 作为输入变量，即单因素分析中p o 0 5 的因素。对于输入变量中的多分类变量( 如 民族) 采取设置哑变量的处理方法，以方便模型更好的利用数据信息。隐含层的 4 神经元个数和训练函数是根据试验来确定的，试验显示，相对于其他取值，神经 元个数为2 2 训练函数为t r a i n l m 时均方误差既小又稳定，网络的初始权值取( 0 1 ) 区间的随机数，由于初始值不同建立a n n s 模型也不同，所以经多次试验选出最 优的模型。为了避免过度拟合，本研究利用检验集在训练过程中随时监督训练。 在本研究中，神经网络模型的分类一致率、灵敏度、特异度均高于l o g i s t i c 回归模型，l o g i s t i c 回归模型的分类一致率为7 7 4 8 ，神经网络模型为7 8 8 3 。 可以看出神经网络模型的预测能力略优于l o g i s t i c 回归模型。本研究利用r o c 曲 线来评价两种模型的预测效果，l o g i s t i c 回归模型和i n n s 模型的a u c 分别为 0 7 8 2 ，0 8 0 0 ，同样提示，对于高血压这样的致病因素多而且各因素间关系复杂 的疾病，神经网络模型的拟合效果略好一些。 神经网络尚存在一些问题有待解决。首先，神经网络的建立随着参数、函数、 初始值等的设置而变化，这些设置的正确性缺乏理论依据，只能依靠经验和试验 来确定口副；其次，神经网络不能像l o g i s t i c 回归模型那样有一个公认的模型输入 变量的准入和剔出原则；再次，各因素对因变量作用的医学解释尚不明确，以及 其假设检验方法和可信区间等问题仍有待进一步研究。 结论 试验表明对于高血压这样的复杂疾病，神经网络预测模型的预测能力略优于 l o g i s t i c 回归模型。因此可以作为l o g i s t i c 回归模型的必要补充，神经网络在 复杂疾病的预测方面具有广阔应用前景。 关键词 神经网络；高血压预测；l o g i s t i c 回归 英文论著摘要 p r e d i c t i o nu s i n ga r t i f i c i a ln e u r a ln e t w o r km o d e lo f e s s e n t i a lh y p e r t e n s i o n p r e f a c e e s s e n t i a lh y p e r t e n s i o n ( e h ) i so n eo ft h ec o m m o nc a r d i o v a s c u l a rd i s e a s e ，i nr e c e n t y e a r s ，a st h ee c o n o m i cd e v e l o p m e n tp a c eo f l i f ei ss i g n i f i c a n t l yi n c r e a s e d ，r e s u l t i n gi na s e r i e so fu n h e a l t h yl i f e s t y l e s ，l e a d i n go u rc o u n t r ym o r t a l i t y , m o r b i d i t ya n dp r e v a l e n c e o fc a r d i o v a s c u l a rd i s e a s ec o n t i n u e dt or i s e h y p e r t e n s i o nn o to n l yi sa ni n d e p e n d e n t d i s e a s e ，b u ta l s oi sr i s kf a c t o r sl e a d i n gt oi m p o r t a n tc a r d i o v a s c u l a rd i s e a s e ，e v e nt h e e v e n to fs e r i o u s c o m p l i c a t i o n s s u c ha s h y p e r t e n s i v e c r i s i sa n d h y p e r t e n s i v e e n c e p h a l o p a t h ym a yb el i f e - t h r e a t e n i n g t h e r e f o r e ，p r e v e n t i o n a n dc o n t r o lo f h y p e r t e n s i o nc a nn o tb ei g n o r e d r e s e a r c hh a ss h o w nt h a th y p e r t e n s i o ni sam u l t i f a c t o r i a ld i s e a s e , l a r g en u m b e ro f r i s kf a c t o r sa n dc o m p l e x i t yo fr e l a t i o n s h i pb e t w e e nv a r i o u sf a c t o r si sa ni m p o r t a n t f e a t u r eo fh y p e r t e n s i o n c u r r e n t l y , m e t h o do fd i s e a s ep r e d i c t i o ni sm a i n l yt r a d i t i o n a l l o g i s t i cr e g r e s s i o n ( l r ) ，b u tl o g i s t i cr e g r e s s i o nm o d e lr e q u i r ev a r i a b l e sm u s ts a t i s f y t h ei n d e p e n d e n c ea n dc a nn o td e a lw i t ht h ep r o b l e mo fc o l l i n e a r i t yb e t w e e nt h e v a r i a b l e s t h e r e f o r e ，u s i n gl o g i s t i cr e g r e s s i o nm o d e lt op r e d i c ts u c hac o m p l e xd i s e a s e ， h i g hb l o o dp r e s s u r e ，h a ss o m el i m i t a t i o n s a r t i f i c i a ln e u r a ln e t w o r k s ( a n n s ) ，r e f e r r e d t o 舔n e u r a ln e t w o r k sf n n s ) i sam a t h e m a t i c a lm o d e lo fs i m u l a t i n gt h eb i o l o g i c a l n e u r a ln e t w o r kt oi n f o r m a t i o np r o c e s s n e u r a ln e t w o r kh a st h es t r o n ga b i l i t yt os o l v e t h ec o l l i n e a r i t ye f f e c ta n dt h ei n t e r a c t i o nb e t w e e nv a r i a b l e s ，a n da r eg o o da th a n d l i n g n o n - l i n e a r , f u z z y , n o i s yd a t ac a s e c u r r e n t l y , a r t i f i c i a ln e u r a ln e t w o r ka p p l i c a t i o n si n m e d i c i n ei sf a rl e s sw i d e s p r e a dt h a nt h et r a d i t i o n a ll o g i s t i cr e g r e s s i o n t h es e l e c t e ds c e n ei nt h i ss t u d yi sz h a n g w uc o u n t yi nl i a o n i n gp r o v i n c e b y i n v e s t i g a t i o n ，t h es t a n d a r d i z e dp r e v a l e n c eh y p e r t e n s i o nr a t ew a s3 5 ，n a t i o n a lr a r e i n 6 t h i ss t u d y , w eu s e do ft h e s es u r v e yd a t as e tu pab a c kp r o p a g a t i o na n n s ( b p a n n s ) p r e d i c t i o nm o d e l ，c o m p a r i n gw i t ht h el o g i s t i cr e g r e s s i o nm o d e l ，a n de v a l u a t e dt h e f o r e c a s tp e r f o r m a n c eo fa n n sb yr e c e i v e ro p e r a t o rc h a r a c t e r i s t i cc u r v e ( r o cc u r v e ) w ea l s os t u d i e da n de v a l u a t e dt h ea n n sf o rt h ep r e d i c t i o ne f f e c t sa n dc h a r a c t e r i s t i c s ， t oe x p l o r en e wp r e d i c t i o nw a y sf o rt h ec o m p l e xd i s e a s e ss u c ha sh i g hb l o o dp r e s s u r e a n dp r o v i d ear e f e r e n c ef o rp r e v e n t i o na n dt r e a t m e n to fh y p e r t e n s i o ni nr u r a la r e a s s u b j e e t sa n dm e t h o d s 1 t h es e l e c t i o no fs t u d ys u b je c t s t h i ss t u d yu s e dt h es u r v e yd a t aw h i c hc a m ef r o mt h ee p i d e m i o l o g i c a li n v e s t i g a t i o n i n z h a n g w uc o u n t y i n l i a o n i n g p r o v i n c eb e f o r et os t a t i s t i c sa n df o r e c a s t a n a l y s i s u s i n gc l u s t e r i n gm u l t i s t a g es a m p l i n gm e t h o d5 2 0 8p e o p l ew e r et o t a ls u r v e y e d ， a tl a s t4 1 2 6r e s p o n d e n t so v e r3 0y e a r so l dw e r ee n r o l l e di nt h i ss t u d y , o fw h i c hw o m e n w e r e19 4 2 p e o p l e ，m e nw e r e2 18 4p e o p l e 2 t h ec o n t e n t so fi n v e s t i g a t i o na n dm e a s u r e m e n ti n d i c a t o r s q u s e t i o n n a i r e sw e r ef i l l e db ym e a n so fi n q u i r i n ga n dm e a s u r e m e n ti ns i t e s t h e c o n t e n t so fs u r v e yi n c l u d e d ：g e n e r a lc h a r a c t e r i s t i c s ，s m o k i n gh a b i t s ，a l c o h o li n t a k ea n d s oo n m e a s u r eb l o o dp r e s s u r e ，b o d yh e i g h ta n dw e i g h t ，e ta 1 f i v em i l l i t i t e r sb l o o d s a m p l e s w e r e d r a w na f t e ra n o v e m i g h t f a s t a f t e r c e n t r i f u g a t i o n ，t h es e r u mf r a c t i o nw a sr e m o v e da n df r o z e ni na l i q u o t su n t i la s s a y e d 3 d i a g n o s i ss t a n d a r da n d m e a s u r e m e n tm e t h o d s t h ed i a g n o s i ss t a n d a r do fe h t ：a c c o r d i n gt o19 9 9w h o - i s hg u i d e l i n e sf o rt h e m a n a g e m e n to fh y p e r t e n s i o n ，h y p e r t e n s i o nw a sd e f i n e da sas y s t o l i cb l o o dp r e s s u r e ( s b p 她1 4 0 m m h g a n d o rad i a s t o l i cb l o o d p r e s s u r e ( d b p 皿9 0 m m h g t h e m e a s u r e m e n to fb l o o dp r e s s u r es h o u l db ec a r r i e do u ta c c o r d i n gt ot h eu n i f i e ds t a n d a r d u n d e rs t a n d a r dc o n d i t i o n s c h o l e s t e r o l ，t r i g l y c e r i d e ，h i g hd e n s i t yl i p o p r o t e i n ( h d l ) ，l o wd e n s i t yl i p o p r o t e i n ( l d l ) ，s e l l i n ls o d i u m ，s e r u n lp o t a s s i u m ，s e r u n li r o n , s e r u mc a l c i u mw e r em e a s u r e db y 7 a u t o m a t i cb i o c h e m i s t r ya n a l y z e r715 0 ( h i t a c h i ，j a p a n ) ，t h eb l o o ds u g a rw a s m e a s u r e db yb l o o ds u g a ra n a l y z e r ( j o h n s o n j o h n s o n ，a m e r i c a ) 4 t h ee s t a b l i s h m e n to f a n n s a n n sm o d e lu s e dt h et h r e el a y e r sb pn e u r a ln e t w o r km o d e lw i t hah i d d e nl a y e r i n p u tl a y e rn e u r o n so ft h em o d e lw e r et h ef a c t o r sr e l a t e dt oh y p e r t e n s i o na n dp 0 0 5b y u n i v a r i a t ea n a l y s i s ，o u t p u tl a y e rh a do n e n e u r o n ( t h a tw a ss t u d i e dw h e t h e rh y p e r t e n s i o n a c c o r d i n gt od i a g n o s t i cc r i t e r i a ) ，a n dn u m b e ro fn e u r o n si nt h eh i d d e nl a y e rt h r o u g ht h e e x p e r i m e n tw a s m e r i t e dt od e t e r m i n eb a s i n go nt h em e a ns q u a r ee r r o r t h eh i d d e nl a y e r a c t i v a t i o nf u n c t i o nw a s t a n s i g , a n dt h eo u t p u tl a y e ra c t i v a t i o nf u n c t i o nw a sl o g s i g t h ed a t a ( 412 6c a s e s ) a c c o r d i n gt ot h er a t i oo f3 ：1a f t e rb a l a n c i n gb yg e n d e ra n d a g ew e r er a n d o m l yd i v i d e di n t ot h et o t a ls e to ft r a i n i n g ( 3 0 9 6c a s e s ) a n dt e s ts e t ( 10 3 0 c a s e s ) ，a n dw e r er e s p e c t i v e l yu s e dt os e tu pa n dt e s t i no r d e rt op r e v e n to v e rf i t t i n gt h e t o t a ls e to ft r a i n i n ga c c o r d i n gt ot h er a t i oo f3 ：1w e r er a n d o m l yd i v i d e di n t ot r a i ns e t ( 2 3 3 4c a s e s ) a n dc h e c ks e t ( 7 6 2c a s e s ) ，u s i n gc h e c ks e tf r o mt i m et ot i m et oc h e c kt h e r e s u l t so f t r a i n i n g 5 s t a t i s t i c a lm e t h o d s t h ea n n sp r e d i c t i o nm o d e lo f h y p e r t e n s i o nw a sc r e a t e db ym a t l a b 7 1 s o f t w a r e ，t h el o g i s t i cr e g r e s s i o np r e d i c t i o nm o d e lw a sc r e a t e da n dr o cc u r v ew a s d r a wb ys p s s l 3 0 c r i t e r i af o rp r e d i c t e dp r o b a b i l i t yw a s0 5 ，t h a t i s ，w h e np 芝0 5 p r e d i c t e di n f e s t a t i o no fh y p e r t e n s i o n ，o rh i g hb l o o dp r e s s u r ew a sn o t a2 - s i d e dv a l u e o fa = o 0 5w a sr e g a r d e da ss t a t i s t i c a l l ys i g n i f i c a n t r e s u l t s 1 p r e d i c t i o no fh y p e r t e n s i o n u s i n gu n c o n d i t i o n a ls i n g l e f a c t o r l o g i s t i cr e g r e s s i o nm o d e l u n i v a r i a t ea n a l y s i so fh y p e r t e n s i o nw a sc o n d u c t e df o rt h es u r v e yd a t a t h ef a c t o r s t h a ti sp o 0 5 ，at o t a lo fh y p e r t e n s i o n - r e l a t e df a c t o r si s2 2 ，w a ss e l e c t e da n dt a k e na s i n p u tv a r i a b l e sp r e d i c t i v em o d e l 8 2 p r e d i c t i o no fh y p e r t e n s i o nu s i n gm u l t i v a r i a t en o n c o n d i t i o n a l l o g i s t i cr e g r e s s i o nm o d e l ( 1 ) t h ee s t a b l i s h m e n to f m u l t i - f a c t o rn o n - c o n d i t i o n a ll o g i s t i cr e g r e s s i o nm o d e l t h et o t a ls e to ft r a i n i n g ( 3 0 9 6c a s e s ) w a sc a r r i e do u tm u l t i v a r i a t en o n - c o n d i t i o n a l l o g i s t i cr e g r e s s i o na n a l y s i s t h ec h o s e ni n d i c a t o r sb ys i n g l ef a c t o ra n a l y s i ss e r v e da s i n d e p e n d e n tv a r i a b l e s ( h e i g h t ，w e i g h th a sb e e nt r a n s f o r m e di n t ob m i ，s od i dn o te n t e r t h em o d e l ) ，a n dw h e t h e rs u b j e c t sa r es u f f e r i n gf r o mh i g hb l o o dp r e s s u r es e r v e da st h e d e p e n d e n tv a r i a b l e ，a n di nt h i sw a yam u l t i - f a c t o rl o g i s t i cr e g r e s s i o nm o d e lw a ss e t u p m o d e lu s e d t h em a x i m u ml i k e l i h o o de s t i m a t i o nm e t h o d , f o r w a r d s t e p w i s e r e g r e s s i o na n a l y s i s ，t h ea c c e s sc r i t e r i as e l e c t e dv a r i a b l e si sp 0 10 a f t e rs t e p w i s er e g r e s s i o n , 9f a c t o r se n t e rt h e m o d e l ，i no m n i b u st e s t so fm o d e lc o e f f i c i e n t st h es t e pw a s 矿= 4 3 3 5 ，a n dt h em o d e l t e s tw a sf = 1 4 3 9 4 5 7 t h ec o n s i s t e n c yr a t eo ft h et o t a ls e to ft r a i n i n gw a s7 8 4 2 ， s p e c i f i c i t yw a s8 0 4 5 ，s e n s i t i v i t y7 6 6 2 ( 2 ) t h ep r e d i c t i o nu s i n gm u l t i - f a c t o rn o n c o n d i t i o n a ll o g i s t i cr e g r e s s i o nm o d e l t h es u b j e c t so ft e s ts e t ( 10 3 0c a s e s ) w e r ep r e d i c t e dw h e t h e rt h e yw e r es u f f e r i n g f r o mh i 。g l ab l o o dp r e s s u r eb yt h el o g i s t i cr e g r e s s i o nm o d e l t h ep r e d i c t e dr e s u l t sw a s t h a tt h ec o n s i s t e n c yr a t ew a s7 7 4 8 ，s p e c i f i c i t yw a s8 0 ，s e n s i t i v i t y7 4 8 5 3 t h ep r e d i c t i o no fh y p e r t e n s i o nu s i n gb p a n n s ( 1 ) t h ee s t a b l i s h m e n to fb p a n n s b p a n n sw a sat h r e e - t i e rm o d e l ，t h e2 2c h o s e ni n d i c a t o r sb ys i n g l ef a c t o ra n a l y s i s s e r v e da si n p u tv a r i a b l e ，t h e r ew e r e2 2h i d d e nl a y e rn e u r o n si nt h eh i d d e nl a y e r , t h e r e w a so n en e u r o ni no u t p u tl a y e r ( w h e t h e rw a st h er i s ko fe h ) t h et a r g e te r r o rt o o ko 0 1 ， a n dl e a r n i n gr a t et o o ko 1 ，t h em a x i m u mt r a i n i n gp e r i o dt o o k2 0 0 0 a f t e r17 一s t e p t r a i n i n g , t h e nt r a i n i n gm e a n e ds q u a r ee r r o rm s e w a so 12 6 2 6 2 g r a d i e n tg r a d i e n tw a s 1 3 7 2 7 6 l e - 0 1 0 ，t h en e t w o r kt r a i n i n ge n d e d ，w h e nt e s ts e tt ot h em i n i m u mm e a n s q u a r ee r r o r f i t t i n gr e s u l t so ft h a tt e s tt r a i n e db p a n n sm o d e lw a s ，t h ec o n s i s t e n c yr a t e 9 o ft h et r a i ns e t ，t h ec h e c ks e tw a sr e s p e c t i v e l y81 0 6 ，a n d7 7 9 5 ，a n dt h ec o n s i s t e n c y r a t e ，s p e c i f i c i t ya n ds e n s i t i v i t yo ft h et o t a ls e tw a sr e s p e c t i v e l y8 0 3 0 ，8 4 4 8 ， 7 6 1 6 ( 2 ) t h ep r e d i c t i o nu s i n go fb p a n n s t h es u b j e c t so ft e s ts e t ( 10 3 0c a s e s ) w e r ep r e d i c t e dw h e t h e rt h e yw e r es u f f e r