發(fā)布時間：2021-01-05 20:13

　　尿路感染是當今老齡化時代的一種常見疾病。隨著年齡的增長,該疾病的患病風險也隨之提高;特別是老年人或者行動不便的人群,由于其身體的健康等原因,比其他人群更容易罹患尿路感染疾病。目前,醫(yī)院對于尿路感染疾病的檢測方式,特別是針對老年人或者身體有一定行動能力限制的人群,主要是通過常規(guī)尿檢或者導尿管取尿的方式來進行的�？紤]到上述易感染人群行動不便、導尿管容易增加尿路感染疾病風險等因素,論文作者所在實驗室開發(fā)了一套智能化可嵌入尿不濕的即時尿檢設(shè)備系統(tǒng),可以有效解決老年人或者行動能力受限制的人的尿液樣本收集與即時檢驗。本論文的研究工作是該智能化尿檢系統(tǒng)課題研究的一部分,并且基于該系統(tǒng)進行建模與實驗驗證。該智能尿檢化系統(tǒng)包含了對五種尿液生物指標物（包括血液紅細胞、亞硝酸鹽、葡萄糖、白細胞和蛋白質(zhì)）的比色法檢測。在利用尿檢設(shè)備對尿液進行取樣以及即時檢驗后,利用智能手機攝像頭采集尿檢比色結(jié)果圖片并對圖像進行了顏色還原處理;然后利用MATLAB軟件,分別讀取結(jié)果圖片的固定像素的RGB通道值作為生物指標物的特征向量。然后利用K近鄰模型分別對這五種生物指標物進行分類研究,并與支持向量機、隨機森林、CART決策樹... 

【文章來源】：重慶工商大學重慶市

【文章頁數(shù)】：66 頁

【學位級別】：碩士

【部分圖文】：

技術(shù)路線圖

重慶工商大學碩士學位論文第2章相關(guān)分類模型以及模型評估方法14OVO是通過每兩個類構(gòu)成一個SVM子分類器實現(xiàn)多分類任務(wù)，如此，假設(shè)某一樣本集共含有K類，那么OVO需要構(gòu)造出12K(K1)個子分類器。輸入測試樣本點，結(jié)合概率輸出，每個子分類器都輸出該樣本點隸屬為各類的概率，可以得到一個K階的概率矩陣M：M=[01221011(1)(1)0]式（2.18）其中，表示測試樣本在由第i類和第j類構(gòu)成的子分類器中，隸屬于第i類的概率值；∈[0,1],+=1。最后通過投票方式?jīng)Q定該樣本點歸屬于哪一類�？梢�，OVO的缺點是當類別比較多的時候，所需要產(chǎn)生的子分類器也隨之增加，會增加計算時間；但是優(yōu)點是如果有新增加的類，無需重新訓練模型，只需要增加訓練新類樣本與其他類別樣本構(gòu)成的子分類器即可。2.1.3隨機森林模型隨機森林模型[29,30]（RandomForest）是Breiman于2001年提出的一種以決策樹作為基學習器的集成學習分類器。其基本思想是利用自助抽樣法（Bootstrap）從數(shù)據(jù)集中抽取N個樣本，每個樣本的樣本容量與原數(shù)據(jù)集相同；對N個樣本分別建造N個決策樹模型，則會有N個決策分類結(jié)果；根據(jù)N個結(jié)果進行投票表決對該數(shù)據(jù)記錄進行分類，其生成示意圖如下圖2-1所示。圖2-1隨機森林算法生成示意圖在隨機森林模型中，任意兩棵決策樹的相關(guān)性越高，分類結(jié)果錯誤率就越大；而且每一棵決策樹的分類能力越強，最終的分類結(jié)果也就越準確。隨機森林算法的

重慶工商大學碩士學位論文第3章智能化尿液檢測設(shè)備與數(shù)據(jù)預處理23檢測模塊105正上方的隔離層10500，并通過隔離層10500的孔隙進入生物指標反應(yīng)塊10501，隔離層10500可以使得尿液快速均勻地分布到每一個反應(yīng)塊上。圖3.1尿液收集檢測設(shè)備實物圖圖3.2尿液收集檢測設(shè)備3d圖圖3.3尿液收集檢測設(shè)備不完整切面圖圖3.4尿液收集檢測設(shè)備完整切面圖100101103102104105001104101104001050110310610500104011040210110400105

【參考文獻】：
期刊論文
[1]基于ML-KNN算法的冠心病辨證模型研究[J]. 孫鑫亮,楊濤,章穎,董海艷,胡孔法,謝佳東,史話躍.  山東中醫(yī)藥大學學報. 2019(05)
[2]尿干化學法、尿沉渣分析和顯微鏡鏡檢在泌尿系腫瘤患者尿液檢測中對比應(yīng)用研究[J]. 陶曉麗,朱惠,朱自力.  國際泌尿系統(tǒng)雜志. 2019 (03)
[3]基于切比雪夫距離的密度計算與K-means的聚類方法研究[J]. 楊威,龍華,邵玉斌,杜慶治.  通信技術(shù). 2019(04)
[4]基于CART決策樹的沖壓成形仿真數(shù)據(jù)挖掘[J]. 王偉,黃宇星,余鴻敏.  工程科學學報. 2018(11)
[5]基于梯度提升決策樹的微博虛假消息檢測[J]. 段大高,蓋新新,韓忠明,劉冰心.  計算機應(yīng)用. 2018(02)
[6]尿路感染診斷中尿常規(guī)檢驗的臨床價值與結(jié)果分析[J]. 閻平.  中國實用醫(yī)藥. 2018(02)
[7]基于梯度提升決策樹的電力電子電路故障診斷[J]. 陳宏,鄧芳明,吳翔,付智輝.  測控技術(shù). 2017(05)
[8]基于信噪比與隨機森林的腫瘤特征基因選擇[J]. 徐久成,馮森,穆輝宇.  河南師范大學學報(自然科學版). 2017(02)
[9]組塊3×2交叉驗證的F1度量的方差分析[J]. 楊柳,王鈺.  計算機科學與探索. 2016(08)
[10]尿道下裂術(shù)后尿瘺危險因素邏輯回歸分析[J]. 林濤,林芃.  河南外科學雜志. 2016(01)

博士論文
[1]支持向量機算法的研究及其應(yīng)用[D]. 范昕煒.浙江大學 2003

碩士論文
[1]基于Logistic回歸、ANN、SVM的乳腺癌復發(fā)影響因素研究[D]. 饒飄雪.浙江工業(yè)大學 2015
[2]樸素貝葉斯分類模型的改進研究[D]. 朱曉丹.廈門大學 2014
[3]基于支持向量機的尿液粒子識別分類研究[D]. 傅聰.浙江大學 2008



本文編號：2959231