慢性心率血壓疾病是一個(gè)世界性的公共衛(wèi)生問(wèn)題。在我國(guó),心力衰竭的發(fā)病率逐年上升,但是治療的效果差且成本高;全國(guó)約有35%的人群患有不同程度的血壓疾病,這些疾病和心臟疾病形成更為嚴(yán)重的并發(fā)癥,嚴(yán)重威脅我國(guó)居民的身體健康。據(jù)不完全統(tǒng)計(jì),2018年接受降壓和新增治療的慢性心率血壓疾病患者人數(shù)超過(guò)3200萬(wàn)人,預(yù)計(jì)到2020年將超過(guò)4000萬(wàn)人。2018年末,國(guó)家心腦血管疾病基金會(huì)在慢性心腦血管疾病工作組發(fā)表了一篇報(bào)告:報(bào)告顯示慢性心率血壓疾病患病率很高,而有慢性心率血壓疾病的死亡率是無(wú)血壓疾病的10到30倍�；谏鲜�,我們可以看到,心率血壓?jiǎn)栴}已經(jīng)越來(lái)越成為影響我國(guó)居民身體健康的重要因素。因此,如何在早期及時(shí)發(fā)現(xiàn)疾病是一個(gè)亟待解決的問(wèn)題。本文在此背景下,首先介紹了慢性心率血壓疾病常見(jiàn)的預(yù)測(cè)算法,進(jìn)而給出了本文中使用算法的詳細(xì)介紹,然后進(jìn)行慢性心率血壓疾病預(yù)測(cè)設(shè)計(jì):數(shù)據(jù)提取、參數(shù)選取等的詳解,并得到了基于長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)的慢性心率血壓疾病預(yù)測(cè)模型的預(yù)測(cè)結(jié)果,最后找出基于長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)的慢性心率血壓疾病預(yù)測(cè)模型的缺欠。為了優(yōu)化長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)的結(jié)構(gòu),提出了改進(jìn)的長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)的慢性心率血壓疾病預(yù)測(cè)模型... 

【文章來(lái)源】：大連交通大學(xué)遼寧省

【文章頁(yè)數(shù)】：65 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 本文的研究背景
    1.2 國(guó)內(nèi)外的研究近況
    1.3 本文的研究目的與意義
        1.3.1 本文的研究目的
        1.3.2 本文的研究意義
第二章 慢性心率血壓疾病概述預(yù)測(cè)方法
    2.1 慢性心率血壓疾病概述
    2.2 慢性心率血壓疾病概述預(yù)測(cè)
        2.2.1 時(shí)間序列預(yù)測(cè)算法
        2.2.2 自動(dòng)化預(yù)測(cè)算法
        2.2.3 模糊綜合預(yù)測(cè)算法
        2.2.4 機(jī)器學(xué)習(xí)預(yù)測(cè)算法
第三章 算法簡(jiǎn)介
    3.1 RNN算法介紹
        3.1.1 RNN算法原理
        3.1.2 RNN算法特點(diǎn)
    3.2 LSTM算法介紹
        3.2.1 LSTM算法原理
        3.2.2 LSTM算法特點(diǎn)
    3.3 GRU算法介紹
        3.3.1 GRU算法原理
        3.3.2 GRU算法特點(diǎn)
第四章 改進(jìn)的長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)慢性疾病預(yù)測(cè)模型
    4.1 模型的數(shù)據(jù)選取
        4.1.1 慢性心率血壓疾病特征
        4.1.2 課題數(shù)據(jù)選取
    4.2 慢性心率血壓疾病預(yù)測(cè)設(shè)計(jì)
        4.2.1 數(shù)據(jù)提取
        4.2.2 特征映射
        4.2.3 參數(shù)選取
        4.2.4 Epoch個(gè)數(shù)的調(diào)節(jié)
        4.2.5 批數(shù)據(jù)batch size的影響(這里我們固定訓(xùn)練參數(shù)為1000步)
        4.2.6 雙層結(jié)構(gòu)神經(jīng)元的數(shù)量(這里我們固定訓(xùn)練參數(shù)為1000步,batch_size選取為32的情況)
    4.3 基于常規(guī)LSTM網(wǎng)絡(luò)的慢性疾病預(yù)測(cè)
    4.4 基于改進(jìn)的LSTM的慢性心率血壓疾病預(yù)測(cè)
        4.4.1 問(wèn)題分析
        4.4.2 改進(jìn)方法
        4.4.3網(wǎng)絡(luò)的傳播過(guò)程
        4.4.4使用GRU改進(jìn)LSTM的慢性心率血壓疾病預(yù)測(cè)
    4.5 性能對(duì)比
    4.6結(jié)果分析
第五章 系統(tǒng)實(shí)現(xiàn)
    5.1 引言
    5.2 慢性心率血壓疾病預(yù)測(cè)模擬系統(tǒng)概述
        5.2.1 系統(tǒng)需求分析
        5.2.2 可行性分析
        5.2.3 相關(guān)技術(shù)
        5.2.4 系統(tǒng)開(kāi)發(fā)環(huán)境
    5.3 系統(tǒng)總體設(shè)計(jì)
        5.3.1 系統(tǒng)總體設(shè)計(jì)概述
        5.3.2 數(shù)據(jù)管理模塊
        5.3.3 模型預(yù)測(cè)模塊
    5.4 數(shù)據(jù)庫(kù)設(shè)計(jì)
    5.5 系統(tǒng)展示
        5.5.1 數(shù)據(jù)展示模塊
        5.5.2 模型預(yù)測(cè)模塊
第六章 總結(jié)與展望
    6.1 全文總結(jié)
    6.2 展望
參考文獻(xiàn)
攻讀碩士學(xué)位期間發(fā)表的學(xué)術(shù)論文
致謝


【參考文獻(xiàn)】：
期刊論文
[1]城市化對(duì)慢性非傳染性疾病影響的相關(guān)研究現(xiàn)狀[J]. 李哲,劉劍君,韓曉燕,么鴻雁.  中國(guó)慢性病預(yù)防與控制. 2019(01)
[2]基于樹(shù)結(jié)構(gòu)長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)的金融時(shí)間序列預(yù)測(cè)[J]. 姚小強(qiáng),侯志森.  計(jì)算機(jī)應(yīng)用. 2018(11)
[3]改進(jìn)型LSTM變形預(yù)測(cè)模型研究[J]. 許寧,徐昌榮.  江西理工大學(xué)學(xué)報(bào). 2018(05)
[4]LSTM與DeepLearning技術(shù)在疾病診斷中的應(yīng)用[J]. 李曉坤,鄭永亮,劉磊,陳虹旭,邵娜,楊磊.  黑龍江大學(xué)工程學(xué)報(bào). 2018(03)
[5]基于小波包與長(zhǎng)短時(shí)記憶融合的鐵路旅客流量預(yù)測(cè)模型[J]. 成強(qiáng).  計(jì)算機(jī)系統(tǒng)應(yīng)用. 2018(07)
[6]大數(shù)據(jù)視閾下糖尿病患者管理模式探析[J]. 閆冠韞,陳洪恩,李舜,王長(zhǎng)義,尹梅.  中國(guó)全科醫(yī)學(xué). 2018(09)
[7]機(jī)器學(xué)習(xí)在神經(jīng)精神疾病診斷及預(yù)測(cè)中的應(yīng)用[J]. 文宏偉,陸菁菁,何暉光.  協(xié)和醫(yī)學(xué)雜志. 2018(01)
[8]基于LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)的故障時(shí)間序列預(yù)測(cè)[J]. 王鑫,吳際,劉超,楊海燕,杜艷麗,牛文生.  北京航空航天大學(xué)學(xué)報(bào). 2018(04)
[9]心血管疾病變化趨勢(shì)預(yù)測(cè)方法研究[J]. 王語(yǔ),高婷,韓冰柔.  九江學(xué)院學(xué)報(bào)(自然科學(xué)版). 2017(03)
[10]基于長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)的旋轉(zhuǎn)機(jī)械狀態(tài)預(yù)測(cè)研究[J]. 趙建鵬,周俊.  噪聲與振動(dòng)控制. 2017(04)

碩士論文
[1]基于LDBN的心臟病發(fā)病風(fēng)險(xiǎn)模型研究[D]. 朱靜陽(yáng).鄭州大學(xué) 2017
[2]基于BP神經(jīng)網(wǎng)絡(luò)的心臟病預(yù)測(cè)研究與實(shí)現(xiàn)[D]. 龐顯濤.吉林大學(xué) 2012



本文編號(hào)：3640812