醫(yī)生對(duì)中醫(yī)證型的準(zhǔn)確判斷對(duì)整個(gè)治療過(guò)程有著至關(guān)重要的作用,它是了解疾病性質(zhì)、判定病人身體狀態(tài)、總體把握病人身體情況的重要概括。本研究通過(guò)利用類(lèi)風(fēng)濕關(guān)節(jié)炎患者的基礎(chǔ)信息、病史信息以及癥狀等200個(gè)維度的特征信息,對(duì)類(lèi)風(fēng)濕關(guān)節(jié)炎的濕熱痹阻證（60.5%）、痰瘀痹阻證（19.8%）、肝腎虧虛證（15.8%）和風(fēng)寒阻絡(luò)證（4%）等4種中醫(yī)證型進(jìn)行分類(lèi)和預(yù)測(cè)。首先,針對(duì)臨床診斷數(shù)據(jù)高維且稀疏的特性,我們提出缺失值、單一值、相關(guān)性、零重要度和低重要度等5個(gè)規(guī)則進(jìn)行特征選擇,而后應(yīng)用6種典型的機(jī)器學(xué)習(xí)算法,K近鄰算法、支持向量機(jī)算法、決策樹(shù)算法、隨機(jī)森林算法、人工神經(jīng)網(wǎng)絡(luò)算法和AdaBoost算法對(duì)病人的中醫(yī)證型進(jìn)行預(yù)測(cè)。經(jīng)過(guò)特征選擇,我們將原200維數(shù)據(jù)降至42維,其中包括年齡、舌診和脈診等信息。在驗(yàn)證特征選擇的有效性時(shí),我們將42維的特征子集與200維的特征全集在6個(gè)算法上的預(yù)測(cè)效果進(jìn)行比較。結(jié)果顯示,特征選擇有效提高了預(yù)測(cè)器的預(yù)測(cè)精度,并大大降低了數(shù)據(jù)集的維度,在6個(gè)算法中的預(yù)測(cè)效果均不同程度地高于基于全部特征的預(yù)測(cè)準(zhǔn)確率。特征選擇輔助神經(jīng)網(wǎng)絡(luò)算法在類(lèi)風(fēng)濕關(guān)節(jié)炎病人的中醫(yī)證型上的預(yù)測(cè)效果最好,... 

【文章來(lái)源】：中國(guó)科學(xué)技術(shù)大學(xué)安徽省 211工程院校 985工程院校

【文章頁(yè)數(shù)】：47 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖１四種中醫(yī)證型的年齡和性別分布圖

?第３章???Ｃｕｍｕｌａｔｉｖｅ?Ｆｅａｔｕｒｅ?Ｉｍｐｏｒｔａｎｃｅ??１．０，?一＂????§ａａ－?／｝??Ｉ０６＇?／?Ｉ??ｒ?Ｉ??ｉ〇．２－?／??Ｏ?Ｉ??Ｉ??Ｉ??ａｏ?－?１??〇?２５?５０?７５?１００?１２５?１５０?１７５?２００??Ｎｕｍｂｅｒ?ｏｆ?Ｆｅａｔｕｒｅｓ??圖２累積特征重要度曲線??３．?２．?２預(yù)測(cè)模型??本研究的核心是構(gòu)建預(yù)測(cè)中醫(yī)證型的模型，以幫助醫(yī)師在臨床實(shí)踐中判??別病人的疾病狀態(tài)［５１］。不同于很多文章僅用單一方法訓(xùn)練模型，本文介紹??６個(gè)典型的機(jī)器學(xué)習(xí)算法，構(gòu)造分類(lèi)器，預(yù)測(cè)中醫(yī)證型：??Ｋ近鄰算法（ＫＮＮ）：作為最常用也是最基礎(chǔ)的有監(jiān)督學(xué)習(xí)的分類(lèi)算法，??ＫＮＮ的原理就是在預(yù)測(cè)分類(lèi)結(jié)果時(shí)，根據(jù)特征空間中距離它最近的Ｋ個(gè)鄰居??的類(lèi)別中的多數(shù)類(lèi)作為它的分類(lèi)標(biāo)簽。ＫＮＮ算法的核心有兩個(gè)：變量距離計(jì)??算和Ｋ值的選齲度量距離的方法有很多，比如曼哈頓距離、馬氏距離等，??在研宄中，距離的度量是使用歐氏距離，度量的是兩個(gè)特征變量之間的相似??度，而Ｋ值的選擇一般是經(jīng)驗(yàn)或者應(yīng)用交叉驗(yàn)證等方法，選擇較合適的值，??在我們的研宄中，Ｋ的值設(shè)為３。??支持向量機(jī)算法（ＳＶＭ）：支持向量機(jī)模型通過(guò)在特征空間中計(jì)算距離構(gòu)??建超平面，選擇其中幾何距離最大的超平面作為數(shù)據(jù)分類(lèi)的邊界，并對(duì)特征??空間進(jìn)行劃分，從而達(dá)到分類(lèi)效果。對(duì)于線性不可分的特征空間，通過(guò)選擇??核函數(shù)和懲罰系數(shù)，構(gòu)造凸二次規(guī)劃問(wèn)題來(lái)解決。常見(jiàn)的核函數(shù)有線性核函??數(shù)、多項(xiàng)式函數(shù)、高斯核函數(shù)和核矩陣等。在小樣本數(shù)據(jù)中，ＳＶＭ因其幾乎??不涉及概率測(cè)度和大數(shù)定律等問(wèn)題，大大簡(jiǎn)化了

?第４章???第４章實(shí)驗(yàn)結(jié)果??４．１特征選擇結(jié)果??在做特征選擇時(shí)，我們輸入２００的特征變量，最后，篩除了?１５８?jìng)�(gè)變量，??保留了?４２個(gè)重要特征。被篩除的變量中，有１１５個(gè)特征的缺失值比例高于０．９０；??８?個(gè)特征含有單一值（ｆ－７，?ｆ－１４，ｆ－１９，?ｆ－２０，?ｆ－２１，?ｆ－２２，?ｆ－２３，ｆ－５２）。１６?個(gè)特征??由于相關(guān)系數(shù)高于０．７０而被刪除，圖３顯示了被刪除的特征的相關(guān)系數(shù)大校??９４個(gè)變量被標(biāo)記為零重要度，圖４列出了重要度排序最高的１０個(gè)特征。明顯??可以看到，年齡的重要度顯著高于其他特征，這意味著年齡是構(gòu)造模型預(yù)測(cè)中??醫(yī)證型的關(guān)鍵指標(biāo)。除此之外，舌質(zhì)（ｆ－３３），舌苔（ｆ－４９，ｆ－７５，ｆ－７６，ｆ－８８，??ｆ－１０１）和脈診（ｆ－３８，ｆ－４０，ｆ－５１）也相當(dāng)重要。如圖２所示，重要度排序前４６??個(gè)特征的累積重要度達(dá)０．９０。??Ｃｏｒｒｅｌａｔｉｏｎｓ?Ａｂｏｖｅ?Ｔｈｒｅｓｈｏｌｄ??■??￡?ｍｍ?■??■?■??§?■??ｉ?＿■?ｌ??ｉ?Ｈ??ｓ?ｒ．＇．?ｍ?ａｊ，??Ｓ?■＿圔??■??ｍ?Ｉ??■?Ｉ心??Ｊ?■■?ｍ??５?ｍ?■??（－２７?？２ｅ?參＆４?ｔＷ?ｔｅａ?１７７?ｆ－１５６?？?１？＜？?？？■？▲０?？＾６?？１６７?？－５？?？１２３?ｔｉ６３??圖３相關(guān)系數(shù)高于０？?７０的特征圖??Ｆｅａｔｕｒｅ?Ｉｍｐｏｒｔａｎｃｅｓ??ｆ￣４９??ｆ－７６??ｆ－ｉ〇ｉ?側(cè)■ｍ??０?０Ｃ０?ａ?０２５?０?０５０?０?０７５?０?１００?０．１２５?０?１５０?Ｃ?１？５??Ｎ

【參考文獻(xiàn)】：
期刊論文
[1]基于文獻(xiàn)標(biāo)引詞頻統(tǒng)計(jì)的《中國(guó)中醫(yī)藥學(xué)主題詞表》選詞研究[J]. 溫先榮,張晶,劉靜,雷蕾,楊策,李海燕.  中國(guó)中醫(yī)藥信息雜志. 2013(10)
[2]拉米夫定和苦參堿治療伴高膽紅素血癥的慢性乙型肝炎臨床觀察[J]. 陳從新,劉波,楊家宏,劉克萬(wàn),徐寧,宋海燕.  實(shí)用肝臟病雜志. 2009(04)
[3]中醫(yī)證型客觀化研究述評(píng)[J]. 朱蕾蕾,蔣健.  中國(guó)中醫(yī)基礎(chǔ)醫(yī)學(xué)雜志. 2007(06)
[4]基于決策樹(shù)的血瘀證診斷規(guī)則自動(dòng)歸納方法[J]. 瞿海斌,毛利鋒,王階.  中國(guó)生物醫(yī)學(xué)工程學(xué)報(bào). 2005(06)
[5]腦血管病患者舌象特征的提取與分析方法[J]. 英杰,李重錫,李梢,季梁,劉德麟,馬維婭.  北京中醫(yī)藥大學(xué)學(xué)報(bào). 2005(04)
[6]粗糙集在中醫(yī)類(lèi)風(fēng)濕證候診斷中的應(yīng)用[J]. 秦中廣,毛宗源,鄧兆智.  中國(guó)生物醫(yī)學(xué)工程學(xué)報(bào). 2001(04)



本文編號(hào)：3375214