目前,信息技術(shù)的發(fā)展愈發(fā)迅速以及信息技術(shù)成果的不斷普及,許多醫(yī)院都已經(jīng)普遍配備信息系統(tǒng)和數(shù)字化設(shè)備。隨著看病人數(shù)的增加,有關(guān)數(shù)據(jù)庫中病人的相關(guān)數(shù)據(jù)也不斷地累積,比如影像數(shù)據(jù)（如CT影像數(shù)據(jù)）、信號（如心電圖）、數(shù)字?jǐn)?shù)據(jù)（如血液、尿液檢測結(jié)果）、文本數(shù)據(jù)（如醫(yī)生診療結(jié)果、患者癥狀描述）等等不同類型的醫(yī)學(xué)數(shù)據(jù)。由于醫(yī)生水平的不同或者主觀判斷不一致,在診斷過程中,可能會產(chǎn)生誤診。所以,對醫(yī)療數(shù)據(jù)進(jìn)行數(shù)據(jù)挖掘來獲得所含的信息的需求也愈加迫切。通過對這些醫(yī)療數(shù)據(jù)進(jìn)行挖掘,可以從其中獲得具有寶貴價值的關(guān)聯(lián)規(guī)則信息,從而可以為醫(yī)生對疾病的診斷提供更加科學(xué)的依據(jù),降低誤診率。因此,對醫(yī)學(xué)數(shù)據(jù)進(jìn)行分類,并挖掘出其中的關(guān)聯(lián)規(guī)則具有重大的研究意義和應(yīng)用價值。對醫(yī)學(xué)數(shù)據(jù)分類最終目的是選擇好的分類模型,傳統(tǒng)的數(shù)據(jù)分類通常使用決策樹模型作為分類模型,但決策樹模型無法適用數(shù)據(jù)中的模糊性和不確定性。因此,將模糊理論和決策樹模型相結(jié)合構(gòu)建模糊決策樹模型,可以大大增強(qiáng)在處理醫(yī)學(xué)數(shù)據(jù)時,決策樹模型對其中存在的模糊性和不確定性的適用性,以此更加準(zhǔn)確和有效的對醫(yī)療數(shù)據(jù)進(jìn)行分類和挖掘。首先,對比兩種決策樹算法——模糊決策樹算法和... 

【文章來源】：蘭州交通大學(xué)甘肅省

【文章頁數(shù)】：58 頁

【學(xué)位級別】：碩士

【部分圖文】：

k=2隸屬度函數(shù)示意圖

優(yōu)化模糊決策樹在醫(yī)學(xué)數(shù)據(jù)分類中的研究與應(yīng)用-20-20106.83()(106.83)/(183.75106.83)106.83183.751183.75=Txxxxx(3.5)當(dāng)k=3時，可以將胰島素濃度(RI)用低、中、高三個模糊概念描述，其隸屬度函數(shù)分別為：1125()(25)/(123.225)25123.20123.2=Txxxxx(3.6)1025(25)/(123.225)25123.2()(183.75)/(183.75123.2)123.2183.750183.75=Txxxxxxx(3.7)10123.2()(123.2)/(183.75123.2)123.2183.751183.75=Txxxxx(3.8)當(dāng)k=2時，隸屬度函數(shù)示意圖如3.1所示。圖3.1k=2隸屬度函數(shù)示意圖當(dāng)k=3時，隸屬度函數(shù)示意圖如3.2所示。圖3.2k=3隸屬度函數(shù)示意圖

優(yōu)化模糊決策樹在醫(yī)學(xué)數(shù)據(jù)分類中的研究與應(yīng)用-30-12c=c=2，0.95,0.4,startend==算法結(jié)束條件設(shè)置為迭代次數(shù)超過1000。4.4.2對比函數(shù)為了更加直觀地評價本章提出的算法的收斂速度和全局搜索能力，本章選取了3個不同的PSO算法與IPSO算法在上述測試函數(shù)中進(jìn)行仿真測試比較，比較算法有SPSO[50]、HPSO[51]、CPSO[52]。其中SPSO算法是基本PSO算法其慣性權(quán)重為固定權(quán)重；CPSO算法則是改進(jìn)了PSO算法中的慣性權(quán)重的改變策略，其策略為慣性權(quán)重采用一條開口向下的拋物線，是一種非線性遞減的策略；HPSO算法則是一種慣性權(quán)重線性遞減的策略。在本章實驗中，這些對比算法的參數(shù)設(shè)置如表4.3所表述。慣性權(quán)重對比如圖4.3所示。圖4.3慣性權(quán)重對比圖表4.3對比算法參數(shù)算法參數(shù)設(shè)置SPSO===120.95,cc2CPSO=0.95,=0.4,startend==12cc2HPSO=1,=0.5,startend==12cc24.4.3實驗結(jié)果與分析本章利用表4.2種的4種測試函數(shù)進(jìn)行對比實驗。種群粒子數(shù)均為30，最大迭代次數(shù)1000次，實驗統(tǒng)計結(jié)果包括最優(yōu)值的均值和方差。

【參考文獻(xiàn)】：
期刊論文
[1]基于SOM聚類的多模態(tài)醫(yī)學(xué)圖像大數(shù)據(jù)挖掘算法[J]. 李曉峰,李東.  西安工程大學(xué)學(xué)報. 2019(04)
[2]基于CART的高校教師亞健康決策模型構(gòu)建[J]. 易俗,張一川,殷慧文.  實驗室研究與探索. 2019(08)
[3]冠心病不穩(wěn)定型心絞痛患者陽虛證卡方自動交互檢測決策樹識別模式研究[J]. 史琦,孔艷華,趙慧輝,陳建新,李友林,王偉.  中醫(yī)雜志. 2019(15)
[4]基于決策樹及神經(jīng)網(wǎng)絡(luò)的高血壓病陰陽兩虛證診斷模型的研究[J]. 趙書穎,張新雅,李運(yùn)倫.  中華中醫(yī)藥學(xué)刊. 2019(05)
[5]基于決策樹的住院燒傷患者醫(yī)療救治流程優(yōu)化及規(guī)則挖掘[J]. 劉文寶,任東彥,陶峰,陳國良.  第二軍醫(yī)大學(xué)學(xué)報. 2018(12)
[6]基于決策樹和神經(jīng)網(wǎng)絡(luò)的高血壓病痰濕壅盛證診斷模型研究[J]. 田艷鵬,丁學(xué)義,朱羽碩,李運(yùn)倫,郭偉星.  中華中醫(yī)藥雜志. 2018(08)
[7]利用決策樹建立慢性阻塞性肺病中醫(yī)診斷模型[J]. 蘇翀,任曈,王國品,殷杰.  計算機(jī)工程與應(yīng)用. 2019(03)
[8]數(shù)據(jù)挖掘常用算法及其在醫(yī)學(xué)大數(shù)據(jù)研究中的應(yīng)用[J]. 孫雪松,王曉麗.  中國數(shù)字醫(yī)學(xué). 2018(03)
[9]基于數(shù)據(jù)挖掘方法的冠心病心絞痛合并糖尿病患者理化指標(biāo)與氣陰兩虛證診斷模式的建立[J]. 張軍鵬,徐學(xué)功,徐變玲,張理,李芳,程雪,王偉偉,馬燕楠,史琦,王偉.  中國中醫(yī)基礎(chǔ)醫(yī)學(xué)雜志. 2018(01)
[10]數(shù)據(jù)挖掘與乳腺癌診斷的研究進(jìn)展[J]. 鄒菊,梁慶模.  生物醫(yī)學(xué)工程學(xué)雜志. 2012(02)

博士論文
[1]基于公理模糊集的模糊決策樹算法研究[D]. 馮興華.大連理工大學(xué) 2013

碩士論文
[1]支持向量機(jī)在糖尿病數(shù)據(jù)中的應(yīng)用研究[D]. 胡凌.北京郵電大學(xué) 2017
[2]多目標(biāo)粒子群優(yōu)化算法的研究及應(yīng)用[D]. 吳雪娟.南京郵電大學(xué) 2016
[3]基于聚類的數(shù)據(jù)預(yù)處理對模糊決策樹歸納的影響[D]. 謝凱.河北大學(xué) 2006



本文編號：3399544