目前由于人類(lèi)生活環(huán)境受到了比較嚴(yán)重的污染以及人們生活節(jié)奏較為快速,患病人數(shù)不斷增加,疾病病因越來(lái)越復(fù)雜化,導(dǎo)致人類(lèi)的健康受到了嚴(yán)重的威脅,針對(duì)患者是否患病的正確診斷顯得尤為重要。本文以2型糖尿病視網(wǎng)膜病變?yōu)槔?提出將機(jī)器學(xué)習(xí)傳統(tǒng)方法和深度學(xué)習(xí)方法相結(jié)合,設(shè)計(jì)并實(shí)現(xiàn)了三種模型,共同解決兩大問(wèn)題,一是對(duì)該疾病特征進(jìn)行分析,重點(diǎn)輸出該疾病的重要性特征排序;二是對(duì)該疾病進(jìn)行診斷。目前在疾病診斷領(lǐng)域中,深度學(xué)習(xí)方法更依賴(lài)所獲取的圖像進(jìn)行診斷分析,本課題使用電子醫(yī)療記錄信息進(jìn)行相關(guān)實(shí)驗(yàn),主要工作如下:（1）建立了基于邏輯回歸的疾病特征分析模型,著重對(duì)疾病特征進(jìn)行重要性排序,以便找出對(duì)疾病影響最為關(guān)鍵的指標(biāo),為醫(yī)生提供診斷參考。實(shí)驗(yàn)分析結(jié)果顯示,糖化血紅蛋白濃度與慢性腎病是2型糖尿病視網(wǎng)膜病變的危險(xiǎn)因素。（2）建立了基于多層感知機(jī)的診斷模型,以便自動(dòng)精準(zhǔn)地對(duì)病人病情進(jìn)行診斷。實(shí)驗(yàn)結(jié)果顯示,該模型取得了91.01%的診斷準(zhǔn)確率。（3）提出一種基于卷積神經(jīng)網(wǎng)絡(luò)的診斷模型—BNCNN,該模型可以有效地防止梯度彌散,加速網(wǎng)絡(luò)訓(xùn)練。實(shí)驗(yàn)結(jié)果顯示,BNCNN模型取得了97.6%的診斷準(zhǔn)確率。 

【文章來(lái)源】：中國(guó)石油大學(xué)(華東)山東省 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：76 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

決策樹(shù)結(jié)構(gòu)圖

感知機(jī)Fig2-2Perceptron

第二章相關(guān)理論與技術(shù)概述22根據(jù)算法的形式來(lái)看兩種算法都是相同的，但是兩種算法在進(jìn)行計(jì)算的時(shí)候?qū)嶋H上有著很大的區(qū)別，其差異為：①算法1需要依據(jù)對(duì)感知機(jī)輸出的誤差進(jìn)行分析以后才能夠?qū)崿F(xiàn)對(duì)權(quán)值的更新。而算法2則需要依據(jù)對(duì)輸入的非閾值化線(xiàn)性組合的誤差進(jìn)行分析以后才能夠?qū)崿F(xiàn)對(duì)權(quán)值的更新。②使用增量法則進(jìn)行訓(xùn)練的時(shí)候，每一次都需要對(duì)全部的訓(xùn)練樣本進(jìn)行遍歷，并且對(duì)每一個(gè)訓(xùn)練樣本所獲得的權(quán)向量的差值進(jìn)行累加，最終將得到的這個(gè)差值與初始權(quán)向量進(jìn)行相加得到最終的結(jié)果。而使用感知器學(xué)習(xí)規(guī)則進(jìn)行訓(xùn)練的時(shí)候每增加一個(gè)訓(xùn)練樣本都會(huì)進(jìn)行權(quán)值的更新，最終將獲得損失函數(shù)相對(duì)較小的權(quán)向量。使用增量法則在進(jìn)行訓(xùn)練的時(shí)候其訓(xùn)練的效率較低。3.多層感知機(jī)多層感知器（Multi-LayerPerceptrons,MLP），包含多層計(jì)算。一個(gè)典型MLP的組成結(jié)構(gòu)如圖2-3所示。圖2-3多層感知機(jī)Fig2-3Multi-LayerPerceptrons2.2.2卷積神經(jīng)網(wǎng)絡(luò)卷積神經(jīng)網(wǎng)絡(luò)作為一種高效識(shí)別算法實(shí)際上是近些年才開(kāi)始逐漸發(fā)展的，并在出現(xiàn)以后就得到了廣泛的關(guān)注[58]。1960年，Hubel和Wiesel在研究貓腦皮層中作用于局部敏感和方向選擇的神經(jīng)元時(shí)發(fā)現(xiàn)了其比較獨(dú)特的網(wǎng)絡(luò)結(jié)構(gòu)能夠使反饋神經(jīng)網(wǎng)絡(luò)的復(fù)雜性降低，并提出了CNN[58]。目前該網(wǎng)絡(luò)已經(jīng)在很多領(lǐng)域都成為了研究熱點(diǎn)，尤其是模式分

【參考文獻(xiàn)】：
期刊論文
[1]基于深度學(xué)習(xí)方法的慢性阻塞性肺疾病危重度分類(lèi)研究[J]. 應(yīng)俊,楊策源,李全政,薛萬(wàn)國(guó),黎檀實(shí),曹文哲.  生物醫(yī)學(xué)工程學(xué)雜志. 2017(06)
[2]自然語(yǔ)言處理中的深度學(xué)習(xí):方法及應(yīng)用[J]. 林奕歐,雷航,李曉瑜,吳佳.  電子科技大學(xué)學(xué)報(bào). 2017(06)
[3]用于糖尿病視網(wǎng)膜病變檢測(cè)的深度學(xué)習(xí)模型[J]. 龐浩,王樅.  軟件學(xué)報(bào). 2017(11)
[4]預(yù)測(cè)惡性孤立性肺結(jié)節(jié)logistic回歸診斷模型的建立[J]. 喻微,葉波,續(xù)力云,王兆宇,王善軍,曹捍波,陳志軍,張永奎.  溫州醫(yī)科大學(xué)學(xué)報(bào). 2017(09)
[5]基于增強(qiáng)AlexNet的深度學(xué)習(xí)的阿爾茨海默病的早期診斷[J]. 呂鴻蒙,趙地,遲學(xué)斌.  計(jì)算機(jī)科學(xué). 2017(S1)
[6]面向自然語(yǔ)言處理的深度學(xué)習(xí)研究[J]. 奚雪峰,周?chē)?guó)棟.  自動(dòng)化學(xué)報(bào). 2016(10)
[7]基于非監(jiān)督特征學(xué)習(xí)的興趣點(diǎn)檢測(cè)算法[J]. 周來(lái)恩,王曉丹.  計(jì)算機(jī)科學(xué). 2016(09)
[8]感染性疾病實(shí)驗(yàn)室診斷方法的Logistic回歸分析[J]. 王春暉,劉露,吳學(xué)朕,廖惠貞.  檢驗(yàn)醫(yī)學(xué)與臨床. 2016(07)
[9]基于彈性網(wǎng)-SVM的疾病診斷關(guān)鍵特征識(shí)別[J]. 梁麗軍,劉子先,王化強(qiáng).  計(jì)算機(jī)應(yīng)用研究. 2015(05)
[10]一種新的組合分類(lèi)器學(xué)習(xí)方法[J]. 郭華平,袁俊紅,張帆,鄔長(zhǎng)安,范明.  計(jì)算機(jī)科學(xué). 2014(07)

碩士論文
[1]基于深度學(xué)習(xí)的心腦血管疾病預(yù)測(cè)方法研究[D]. 馬宗帥.西安建筑科技大學(xué) 2015
[2]基于深度學(xué)習(xí)的圖像識(shí)別算法研究[D]. 豐曉霞.太原理工大學(xué) 2015
[3]基于ROC的分類(lèi)算法評(píng)價(jià)方法[D]. 駱名劍.武漢科技大學(xué) 2005



本文編號(hào)：3430193