發(fā)布時間：2018-04-14 03:30

  本文選題：心血管疾病 + CVD��； 參考：《鄭州大學(xué)》2017年碩士論文

【摘要】：心血管疾病(Cardiovascular disease,CVD)作為城鄉(xiāng)居民健康的頭號殺手,在基層社區(qū)對CVD進(jìn)行初篩需求強(qiáng)烈。通過CVD風(fēng)險預(yù)測制定針對性的干預(yù)措施,能有效降低發(fā)病率,其中核心的技術(shù)環(huán)節(jié)是建立準(zhǔn)確性高的預(yù)測模型。經(jīng)濟(jì)社會發(fā)展推動人們生活方式和環(huán)境的快速變化,使得CVD危險因素變得復(fù)雜,建立新的面向復(fù)雜因素的CVD預(yù)測模型具有重要應(yīng)用價值和現(xiàn)實(shí)意義。傳統(tǒng)的CVD預(yù)測用Logistic回歸、Cox回歸等數(shù)理預(yù)測法建立公式化的預(yù)測模型,受公式的線性擬合能力約束,納入的因素均為連續(xù)型和二分類變量,以非線性數(shù)據(jù)表述的多分類復(fù)雜因素不能適用。而復(fù)雜因素中可能包含了重要的潛在信息,對準(zhǔn)確地預(yù)測CVD貢獻(xiàn)較大。神經(jīng)網(wǎng)絡(luò)在非線性數(shù)據(jù)處理中的學(xué)習(xí)能力、適應(yīng)能力較強(qiáng),為解決上述問題提供了思路。以實(shí)現(xiàn)面向復(fù)雜因素的CVD預(yù)測為目標(biāo),首先分析回歸模型無法面向復(fù)雜因素進(jìn)行CVD預(yù)測的具體原因,利用啞變量將復(fù)雜因素線性化解決該問題;其次利用淺層神經(jīng)網(wǎng)絡(luò)將非線性的復(fù)雜因素映射到高維空間進(jìn)行線性的回歸擬合,以實(shí)現(xiàn)面向復(fù)雜因素的CVD預(yù)測,并研究提高模型的AUC(The area under ROC curve)值;最后設(shè)計基于深度學(xué)習(xí)的CVD預(yù)測,利用無監(jiān)督學(xué)習(xí)改善淺層神經(jīng)網(wǎng)絡(luò)參數(shù)的初始化策略,降低預(yù)測結(jié)果的方差值。主要研究工作及結(jié)果如下:(1)從模型機(jī)理上分析回歸模型對復(fù)雜因素不適用的原因,采用對復(fù)雜因素設(shè)置啞變量的方法應(yīng)用回歸模型。實(shí)驗(yàn)以Logistic回歸為例,包含復(fù)雜因素條件下,改進(jìn)模型的AUC值由Logistic的0.7634、0.6700提升到了0.8784、0.7999,符合傳統(tǒng)回歸模型的0.78~0.86,表明回歸模型不能直接納入復(fù)雜因素。(2)針對CVD復(fù)雜因素數(shù)據(jù)的非線性特征,建立基于淺層神經(jīng)網(wǎng)絡(luò)的CVD預(yù)測模型,并通過改進(jìn)網(wǎng)絡(luò)參數(shù)的初始值提高模型預(yù)測的準(zhǔn)確性。實(shí)驗(yàn)結(jié)果顯示,模型的平均AUC值提高到了0.9024、0.8423。(3)利用深度學(xué)習(xí)逐層提高CVD數(shù)據(jù)特征的表達(dá)能力,以學(xué)習(xí)到的最優(yōu)參數(shù)初始化神經(jīng)網(wǎng)絡(luò),解決神經(jīng)網(wǎng)絡(luò)參數(shù)隨機(jī)初始化導(dǎo)致的預(yù)測不穩(wěn)定問題,降低預(yù)測結(jié)果的方差值,提高模型的預(yù)測穩(wěn)定性。實(shí)驗(yàn)結(jié)果顯示,模型的預(yù)測結(jié)果方差由12.665、9.051降為5.723、4.642,AUC值進(jìn)一步提高到0.9198、0.8959。
[Abstract]:Cardiovascular disease (CVD), as the leading killer of urban and rural residents' health, has a strong demand for primary screening of CVD in grass-roots communities.It is effective to reduce the incidence of CVD risk by making relevant intervention measures, among which the key technique is to set up accurate prediction model.The development of economy and society promotes the rapid change of people's life style and environment, and makes the risk factors of CVD become more complicated. It is of great value and practical significance to establish a new CVD prediction model for complex factors.The traditional CVD prediction model is formulated by Logistic regression and Cox regression, which is constrained by the linear fitting ability of the formula, and the factors included are continuous and binary variables.Multi-classification complex factors expressed by nonlinear data cannot be applied.Complex factors may contain important potential information and contribute greatly to accurate prediction of CVD.The learning ability and adaptability of neural network in nonlinear data processing is strong, which provides a way to solve the above problems.In order to realize the CVD prediction for complex factors, firstly, the specific reasons why the regression model can not predict CVD for complex factors are analyzed, and the complex factors are linearized by dummy variables to solve the problem.Secondly, the shallow neural network is used to map the nonlinear complex factors to the high-dimensional space for linear regression fitting to realize the CVD prediction for complex factors, and to improve the AUC(The area under ROC curvevalue of the model.Finally, CVD prediction based on deep learning is designed to improve the initialization strategy of shallow neural network parameters by using unsupervised learning to reduce the square difference of prediction results.The main research work and results are as follows: (1) the reason why the regression model is not applicable to complex factors is analyzed from the model mechanism, and the method of setting mute variables for complex factors is used to apply the regression model.The experiment takes Logistic regression as an example, under the condition of complex factors,The AUC value of the improved model was raised from 0.7634 / 0.6700 of Logistic to 0.8784 / 0.7999, which is in line with the traditional regression model's 0.780.86, which indicates that the regression model can not directly incorporate the complex factors. (2) aiming at the nonlinear characteristics of CVD complex factor data, a CVD prediction model based on shallow neural network is established.The accuracy of model prediction is improved by improving the initial value of network parameters.The experimental results show that the average AUC value of the model is increased to 0.9024 and 0.8423.3) the expression ability of CVD data features is improved layer by layer by depth learning, and the neural network is initialized with the optimal parameters.The problem of prediction instability caused by random initialization of neural network parameters is solved, the square difference of prediction results is reduced, and the prediction stability of the model is improved.The experimental results show that the variance of the predicted results of the model decreased from 12.665U 9.051 to 5.723N4.642AUC further increased to 0.9198N0.8959.
【學(xué)位授予單位】：鄭州大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：R54;O212.1

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 云中客;新的神經(jīng)網(wǎng)絡(luò)來自于仿生學(xué)[J];物理;2001年10期

2 劉彩紅;唐萬梅;;基于組合神經(jīng)網(wǎng)絡(luò)的教師評價模型研究[J];重慶師范大學(xué)學(xué)報(自然科學(xué)版);2008年04期

3 鐘義信;;神經(jīng)網(wǎng)絡(luò):成就、問題與前景[J];科學(xué);1992年02期

4 莫恭佑;;神經(jīng)網(wǎng)絡(luò)及其在英國的應(yīng)用[J];國際科技交流;1992年03期

5 閔志;;神經(jīng)網(wǎng)絡(luò):使計算機(jī)具有快速學(xué)習(xí)功能[J];國際科技交流;1992年03期

6 馮建峰,錢敏平;神經(jīng)網(wǎng)絡(luò)中的退火——非時齊情形[J];北京大學(xué)學(xué)報(自然科學(xué)版);1993年03期

7 唐功友;離散Hopfield神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性[J];青島海洋大學(xué)學(xué)報;1994年S2期

8 靳蕃;;中國神經(jīng)網(wǎng)絡(luò)學(xué)術(shù)大會在西南交通大學(xué)隆重召開[J];學(xué)術(shù)動態(tài)報道;1996年04期

9 彭宏,張素;帶有時滯的神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性[J];杭州大學(xué)學(xué)報(自然科學(xué)版);1997年04期

10 陳新,孫道恒,黃洪鐘;結(jié)構(gòu)分析有限元系統(tǒng)與神經(jīng)網(wǎng)絡(luò)[J];起重運(yùn)輸機(jī)械;1999年06期

相關(guān)會議論文 前10條

1 徐春玉;;基于泛集的神經(jīng)網(wǎng)絡(luò)的混沌性[A];1996中國控制與決策學(xué)術(shù)年會論文集[C];1996年

2 周樹德;王巖;孫增圻;孫富春;;量子神經(jīng)網(wǎng)絡(luò)[A];2003年中國智能自動化會議論文集（上冊）[C];2003年

3 羅山;張琳;范文新;;基于神經(jīng)網(wǎng)絡(luò)和簡單規(guī)劃的識別融合算法[A];2009系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)會議論文集[C];2009年

4 郭愛克;馬盡文;丁康;;序言(二)[A];1999年中國神經(jīng)網(wǎng)絡(luò)與信號處理學(xué)術(shù)會議論文集[C];1999年

5 鐘義信;;知識論:神經(jīng)網(wǎng)絡(luò)的新機(jī)遇——紀(jì)念中國神經(jīng)網(wǎng)絡(luò)10周年[A];1999年中國神經(jīng)網(wǎng)絡(luò)與信號處理學(xué)術(shù)會議論文集[C];1999年

6 許進(jìn);保錚;;神經(jīng)網(wǎng)絡(luò)與圖論[A];1999年中國神經(jīng)網(wǎng)絡(luò)與信號處理學(xué)術(shù)會議論文集[C];1999年

7 金龍;朱詩武;趙成志;陳寧;;數(shù)值預(yù)報產(chǎn)品的神經(jīng)網(wǎng)絡(luò)釋用預(yù)報應(yīng)用[A];1999年中國神經(jīng)網(wǎng)絡(luò)與信號處理學(xué)術(shù)會議論文集[C];1999年

8 田金亭;;神經(jīng)網(wǎng)絡(luò)在中學(xué)生創(chuàng)造力評估中的應(yīng)用[A];第十二屆全國心理學(xué)學(xué)術(shù)大會論文摘要集[C];2009年

9 唐墨;王科俊;;自發(fā)展神經(jīng)網(wǎng)絡(luò)的混沌特性研究[A];2009年中國智能自動化會議論文集（第七分冊）[南京理工大學(xué)學(xué)報（增刊）][C];2009年

10 張廣遠(yuǎn);萬強(qiáng);曹海源;田方濤;;基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的故障診斷方法研究[A];第十二屆全國設(shè)備故障診斷學(xué)術(shù)會議論文集[C];2010年

相關(guān)重要報紙文章 前10條

1 美國明尼蘇達(dá)大學(xué)社會學(xué)博士 密西西比州立大學(xué)國家戰(zhàn)略規(guī)劃與分析研究中心資深助理研究員 陳心想;維護(hù)好創(chuàng)新的“神經(jīng)網(wǎng)絡(luò)硬件”[N];中國教師報;2014年

2 北京安貞醫(yī)院心內(nèi)科副主任醫(yī)師 喬巖;消極情緒易致心血管疾病[N];保健時報;2014年

3 記者 吳平;心血管疾病人類主要?dú)⑹�？[N];新華每日電訊;2001年

4 高原;壓力過大會顯著增加患心血管疾病風(fēng)險[N];中國中醫(yī)藥報;2008年

5 記者 卞晨光;心血管疾病仍是人類死亡首要原因[N];科技日報;2008年

6 記者 蔣秀娟;中青年是心血管疾病重點(diǎn)預(yù)防人群[N];科技日報;2009年

7 記者 李天舒;華裔心血管疾病相對低發(fā)[N];健康報;2010年

8 劉濤;我市心血管疾病發(fā)病呈年輕化趨勢[N];太原日報;2010年

9 記者 劉海英;飛機(jī)噪音或增加患心血管疾病風(fēng)險[N];科技日報;2013年

10 記者 田雅婷;我國每10秒有一人死于心血管疾病[N];光明日報;2014年

相關(guān)博士學(xué)位論文 前10條

1 楊旭華;神經(jīng)網(wǎng)絡(luò)及其在控制中的應(yīng)用研究[D];浙江大學(xué);2004年

2 李素芳;基于神經(jīng)網(wǎng)絡(luò)的無線通信算法研究[D];山東大學(xué);2015年

3 石艷超;憶阻神經(jīng)網(wǎng)絡(luò)的混沌性及幾類時滯神經(jīng)網(wǎng)絡(luò)的同步研究[D];電子科技大學(xué);2014年

4 王新迎;基于隨機(jī)映射神經(jīng)網(wǎng)絡(luò)的多元時間序列預(yù)測方法研究[D];大連理工大學(xué);2015年

5 付愛民;極速學(xué)習(xí)機(jī)的訓(xùn)練殘差、穩(wěn)定性及泛化能力研究[D];中國農(nóng)業(yè)大學(xué);2015年

6 李輝;基于粒計算的神經(jīng)網(wǎng)絡(luò)及集成方法研究[D];中國礦業(yè)大學(xué);2015年

7 王衛(wèi)蘋;復(fù)雜網(wǎng)絡(luò)幾類同步控制策略研究及穩(wěn)定性分析[D];北京郵電大學(xué);2015年

8 張海軍;基于云計算的神經(jīng)網(wǎng)絡(luò)并行實(shí)現(xiàn)及其學(xué)習(xí)方法研究[D];華南理工大學(xué);2015年

9 李艷晴;風(fēng)速時間序列預(yù)測算法研究[D];北京科技大學(xué);2016年

10 陳輝;多維超精密定位系統(tǒng)建模與控制關(guān)鍵技術(shù)研究[D];東南大學(xué);2015年

相關(guān)碩士學(xué)位論文 前10條

1 李奇航;面向復(fù)雜因素的心血管疾病預(yù)測研究[D];鄭州大學(xué);2017年

2 章穎;混合不確定性模塊化神經(jīng)網(wǎng)絡(luò)與高校效益預(yù)測的研究[D];華南理工大學(xué);2015年

3 賈文靜;基于改進(jìn)型神經(jīng)網(wǎng)絡(luò)的風(fēng)力發(fā)電系統(tǒng)預(yù)測及控制研究[D];燕山大學(xué);2015年

4 李慧芳;基于憶阻器的渦卷混沌系統(tǒng)及其電路仿真[D];西南大學(xué);2015年

5 陳彥至;神經(jīng)網(wǎng)絡(luò)降維算法研究與應(yīng)用[D];華南理工大學(xué);2015年

6 董哲康;基于憶阻器的組合電路及神經(jīng)網(wǎng)絡(luò)研究[D];西南大學(xué);2015年

7 武創(chuàng)舉;基于神經(jīng)網(wǎng)絡(luò)的遙感圖像分類研究[D];昆明理工大學(xué);2015年

8 李志杰;基于神經(jīng)網(wǎng)絡(luò)的上證指數(shù)預(yù)測研究[D];華南理工大學(xué);2015年

9 陳少吉;基于神經(jīng)網(wǎng)絡(luò)血壓預(yù)測研究與系統(tǒng)實(shí)現(xiàn)[D];華南理工大學(xué);2015年

10 張韜;幾類時滯神經(jīng)網(wǎng)絡(luò)穩(wěn)定性分析[D];渤海大學(xué);2015年

，

本文編號：1747536