如今人工智能與醫(yī)療行業(yè)的融合已經(jīng)深入,本文建立在基于人工智能的專(zhuān)病臨床輔助決策研發(fā)背景下,并將人工智能技術(shù)應(yīng)用到醫(yī)療健康臨床輔助診療決策中。在本文所研究的心電圖(Electrocardiogram,ECG)領(lǐng)域,用于檢測(cè)心率失常等心臟疾病的人工智能機(jī)器學(xué)習(xí)方法已經(jīng)有很多,例如卷積神經(jīng)網(wǎng)絡(luò)(CNN)、支持向量機(jī)(SVM)、決策樹(shù)(DT)等多種算法。目前也已有許多基于公開(kāi)數(shù)據(jù)集的心電數(shù)據(jù)分類(lèi)方法,并取得了良好的效果,但他們?nèi)狈ο鄳?yīng)的醫(yī)學(xué)可解釋性,并且在面臨真實(shí)世界數(shù)據(jù)集時(shí),往往會(huì)存在數(shù)據(jù)分布不均衡,數(shù)據(jù)標(biāo)注格式雜亂,用詞不統(tǒng)一,數(shù)據(jù)標(biāo)簽稀缺,使用傳統(tǒng)的分類(lèi)器準(zhǔn)確率低下等問(wèn)題。針對(duì)以上問(wèn)題,本文用SMOTE+ENN的集成算法改善了真實(shí)世界下數(shù)據(jù)分布不均衡的問(wèn)題;針對(duì)數(shù)據(jù)標(biāo)注雜亂與標(biāo)簽稀缺的問(wèn)題,本文主要參照了MIT-BIH心律失常數(shù)據(jù)庫(kù)(MITDB)中的專(zhuān)家標(biāo)注與臨床心電和相關(guān)醫(yī)學(xué)領(lǐng)域的背景與專(zhuān)業(yè)知識(shí),建立了面向上海某著名醫(yī)院的數(shù)據(jù)標(biāo)簽庫(kù);針對(duì)傳統(tǒng)的機(jī)器學(xué)習(xí)算法對(duì)真實(shí)世界數(shù)據(jù)準(zhǔn)確率低下的問(wèn)題,本文以隨機(jī)森林算法為基礎(chǔ),并對(duì)其進(jìn)行了調(diào)參和優(yōu)化。因?yàn)殡S機(jī)森林給出的預(yù)測(cè)率并不是準(zhǔn)確率,故本文采用袋...

【文章頁(yè)數(shù)】：69 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
1 緒論
    1.1 研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
    1.3 主要挑戰(zhàn)與解決方法
    1.4 本文研究?jī)?nèi)容與貢獻(xiàn)點(diǎn)
    1.5 論文組織結(jié)構(gòu)
2 相關(guān)問(wèn)題及研究方法
    2.1 心電圖相關(guān)背景與知識(shí)
    2.2 數(shù)據(jù)不均衡問(wèn)題
    2.3 數(shù)據(jù)處理
    2.4 常用的分類(lèi)模型
    2.5 本章小結(jié)
3 面向真實(shí)世界數(shù)據(jù)的標(biāo)簽生成
    3.1 數(shù)據(jù)集
    3.2 建立面向上海某著名醫(yī)院的標(biāo)簽生成
    3.3 本章小結(jié)
4 面向真實(shí)世界數(shù)據(jù)分布不均衡問(wèn)題研究
    4.1 醫(yī)療數(shù)據(jù)分布不均衡問(wèn)題
    4.2 真實(shí)世界數(shù)據(jù)分布不均衡問(wèn)題解決方法
    4.3 基于SMOTE+ENN集成算法的均衡數(shù)據(jù)模型
    4.4 本章小結(jié)
5 基于優(yōu)化的隨機(jī)森林的心電圖分類(lèi)診斷方法
    5.1 隨機(jī)森林算法評(píng)估-袋外數(shù)據(jù)
    5.2 隨機(jī)森林算法的優(yōu)化
    5.3 實(shí)驗(yàn)結(jié)果與分析
    5.4 本章小結(jié)
6 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
參考文獻(xiàn)
攻讀學(xué)位期間的研究成果目錄
附錄
致謝



本文編號(hào)：3860343