本文選題：肺結(jié)核疾病 + 粗糙集　； 參考：《吉林農(nóng)業(yè)大學(xué)》2017年碩士論文

【摘要】：結(jié)核病多年來一直嚴(yán)重威脅著各國人民的身體健康。我國是全球22個(gè)結(jié)核病高負(fù)擔(dān)國家之一。信息技術(shù)的不斷進(jìn)步,不斷發(fā)展,各大醫(yī)院中中也都使用醫(yī)療管理系統(tǒng)進(jìn)行日常工作,使得其在醫(yī)療設(shè)備和儀器的數(shù)字化后,信息量也在不斷的增長擴(kuò)大。如何通過高效、智能的計(jì)算機(jī)算法對海量肺結(jié)核疾病診療數(shù)據(jù)進(jìn)行數(shù)據(jù)挖掘,并進(jìn)行智能診斷,是本文研究內(nèi)容。通過收集整理北京市昌平區(qū)結(jié)核病防治所、北京市結(jié)核病控制研究所的8210例肺結(jié)核病人檔案,應(yīng)用數(shù)據(jù)庫技術(shù),構(gòu)建基于SQL Server 2010的疾病電子檔案,運(yùn)用數(shù)據(jù)挖掘方法中的粗糙集和決策樹方法,建立肺結(jié)核疾病智能診斷模型�？紤]到醫(yī)學(xué)大數(shù)據(jù)及數(shù)據(jù)共享,本文搭建了基于hadoop的大數(shù)據(jù)平臺,構(gòu)建肺結(jié)核疾病診斷智能診斷云系統(tǒng),以滿足醫(yī)學(xué)大數(shù)據(jù)的需求。本文的研究內(nèi)容及主要工作包含以下4點(diǎn):1、本文對數(shù)據(jù)集進(jìn)行預(yù)處理后,優(yōu)化了數(shù)據(jù)集,以應(yīng)對醫(yī)學(xué)數(shù)據(jù)中的存在噪聲、不完全的問題。本文選擇數(shù)據(jù)挖掘中的聚類方法對肺結(jié)核疾病數(shù)據(jù)進(jìn)行預(yù)處理;保證數(shù)據(jù)的一致性和不確定性,并將其轉(zhuǎn)化為適合挖掘的形式。該項(xiàng)操作,能夠很好地進(jìn)行后期高質(zhì)量的數(shù)據(jù)挖掘。2、肺結(jié)核疾病因個(gè)體不同所表現(xiàn)出的癥狀也有差異,數(shù)據(jù)屬性眾多,導(dǎo)致挖掘效率不高。針對這一問題,本文運(yùn)用粗糙集理論進(jìn)行屬性約簡,并提出適用于SQL語言條件信息熵計(jì)算方法,完成屬性約簡。利用基于數(shù)據(jù)庫的粗糙集屬性約簡方法,去除了肺結(jié)核疾病數(shù)據(jù)中的冗余屬性。3、在模型構(gòu)建中,針對單一挖掘方法挖掘效率不高的問下,本研究應(yīng)用粗糙集和決策樹相結(jié)合的方法完成模型構(gòu)建。對比使用單一的決策樹方法和粗糙集方法,本文提出的粗糙集約簡與決策樹規(guī)則提取相融合的優(yōu)化算法,具有良好的適用性及優(yōu)勢,在保證診斷的客觀性的前提下,有效的提高了肺結(jié)核疾病診斷的準(zhǔn)確性。4、為滿足不斷增長的醫(yī)學(xué)大數(shù)據(jù)的需求,本文在構(gòu)建肺結(jié)核疾病診斷模型的基礎(chǔ)上,應(yīng)用hadoop技術(shù)搭建大數(shù)據(jù)云平臺,并建立肺結(jié)核疾病智能診斷系統(tǒng),將云計(jì)算應(yīng)用到醫(yī)療系統(tǒng)當(dāng)中,有效地處理醫(yī)療數(shù)據(jù),為肺結(jié)核疾病診斷提供決策支持。
[Abstract]:Tuberculosis has been a serious threat to the health of people all over the world for many years. China is one of the 22 countries with high TB burden. With the continuous progress and development of information technology, medical management system is also used in every hospital for daily work, which makes the amount of information increase and expand after the digitization of medical equipment and instruments. How to mine the data of massive tuberculosis diagnosis and treatment data and make intelligent diagnosis by efficient and intelligent computer algorithm is the research content of this paper. Through collecting and sorting out the records of 8210 cases of tuberculosis patients from the Institute of Tuberculosis Control and Prevention in Changping District, Beijing, and applying the database technology, the electronic archives of diseases based on SQL Server 2010 were constructed. The intelligent diagnosis model of pulmonary tuberculosis is established by using rough set and decision tree method in data mining. Considering the medical big data and the data sharing, this paper builds an intelligent diagnostic cloud system based on hadoop for diagnosis of pulmonary tuberculosis, in order to meet the needs of medical big data. The research contents and main work of this paper include the following 4 points: 1. After preprocessing the data set, we optimize the data set to deal with the problem of noise and incomplete in medical data. In this paper, we choose the clustering method in data mining to preprocess the data of tuberculosis disease, ensure the consistency and uncertainty of the data, and transform it into a form suitable for mining. This operation can well carry out high quality data mining in the later period. The symptoms of pulmonary tuberculosis disease are different because of the different individuals, and the data attributes are numerous, which leads to the low efficiency of mining. In order to solve this problem, this paper applies rough set theory to attribute reduction, and proposes a method for computing conditional information entropy in SQL language to complete attribute reduction. Using the attribute reduction method of rough set based on database, the redundant attribute. 3 in the tuberculosis disease data is removed. In the model construction, the mining efficiency of the single mining method is not high. In this study, rough set and decision tree are used to build the model. Compared with the single decision tree method and rough set method, this paper proposes an optimization algorithm which combines rough set reduction and decision tree rule extraction, which has good applicability and advantages, and ensures the objectivity of diagnosis. The accuracy of pulmonary tuberculosis diagnosis is improved effectively. In order to meet the increasing demand of medical big data, this paper builds a diagnosis model of pulmonary tuberculosis, and applies hadoop technology to build the big data cloud platform. The intelligent diagnosis system of tuberculosis disease is established and cloud computing is applied to the medical system to deal with the medical data effectively and to provide decision support for the diagnosis of tuberculosis disease.
【學(xué)位授予單位】：吉林農(nóng)業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：R521;TP311.13

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 謝和宇,許龍善,黃柏芳,王均樂,劉興柱;決策樹方法在福建瘧區(qū)現(xiàn)場應(yīng)用研究[J];衛(wèi)生經(jīng)濟(jì)研究;1997年07期

2 張燕;汪衛(wèi)霞;;決策樹方法在藥物選擇模型中的應(yīng)用[J];大眾科技;2013年12期

3 李麗清;劉衛(wèi)東;;基于粗糙集的患者滿意度評價(jià)模型及其實(shí)證分析[J];數(shù)學(xué)的實(shí)踐與認(rèn)識;2009年14期

4 楊慧,瞿暢,李乃成;粗糙集與軟集合在臨床診斷中約簡及決策分析[J];紡織高�；A(chǔ)科學(xué)學(xué)報(bào);2004年03期

5 李瓊,謝國明,牟永閣;基于粗糙集的數(shù)據(jù)挖掘技術(shù)在醫(yī)學(xué)診斷中的應(yīng)用[J];醫(yī)療衛(wèi)生裝備;2005年03期

6 晏峻峰;朱文鋒;;粗糙集理論在中醫(yī)證素辨證研究中的應(yīng)用[J];中國中醫(yī)基礎(chǔ)醫(yī)學(xué)雜志;2006年02期

7 孟慶全;徐文龍;;粗糙集合在中醫(yī)診斷中的應(yīng)用研究[J];安徽大學(xué)學(xué)報(bào)(自然科學(xué)版);2006年04期

8 李清霞;;基于粗糙集與分類回歸樹的“病例組合”分類研究[J];產(chǎn)業(yè)與科技論壇;2009年02期

9 姜華;劉健;張安妮;楊興春;;基于粗糙集規(guī)則和灰色聚類算法的檔案信息資源評價(jià)體系研究[J];江漢大學(xué)學(xué)報(bào)(自然科學(xué)版);2009年04期

10 劉亞麗;黃汛;;基于粗糙集理論的低壓電器故障診斷方法研究[J];江漢大學(xué)學(xué)報(bào)(自然科學(xué)版);2012年05期

相關(guān)會(huì)議論文 前10條

1 馮俊文;;方案選擇與排序的決策樹方法[A];中國運(yùn)籌學(xué)會(huì)第六屆學(xué)術(shù)交流會(huì)論文集（下卷）[C];2000年

2 何建東;仇永萍;;人因可靠性分析中的決策樹方法[A];核工業(yè)集團(tuán)公司第八屆可靠性成果發(fā)表會(huì)論文集[C];2006年

3 黎文航;陳善本;王兵;;粗糙集理論在焊接中的應(yīng)用綜述[A];第十一次全國焊接會(huì)議論文集（第2冊）[C];2005年

4 尹宗成;;粗糙集理論在我國糧食產(chǎn)量預(yù)測中的應(yīng)用[A];現(xiàn)代農(nóng)業(yè)理論與實(shí)踐——安徽現(xiàn)代農(nóng)業(yè)博士科技論壇論文集[C];2007年

5 鄒剛;滕書華;孫即祥;陳森林;敖永紅;;一種粗糙集優(yōu)化協(xié)同原型模式約簡分類方法[A];第十四屆全國信號處理學(xué)術(shù)年會(huì)(CCSP-2009)論文集[C];2009年

6 葛麗;傅彥;;粗糙集在科學(xué)數(shù)據(jù)屬性約簡中的應(yīng)用[A];第二十一屆中國數(shù)據(jù)庫學(xué)術(shù)會(huì)議論文集（技術(shù)報(bào)告篇）[C];2004年

7 陳雪飛;;粗糙集分類中耦合數(shù)據(jù)的處理方法研究[A];2008年全國開放式分布與并行計(jì)算機(jī)學(xué)術(shù)會(huì)議論文集(上冊)[C];2008年

8 孫佳音;李海峰;;A Bio-Inspired Keyword Spotting Approach Based on DNA Sequence Alignment Strategy[A];第九屆全國人機(jī)語音通訊學(xué)術(shù)會(huì)議論文集[C];2007年

9 肖健梅;蘆曉明;王錫淮;;集裝箱起重機(jī)防搖系統(tǒng)粗糙集控制[A];第二十六屆中國控制會(huì)議論文集[C];2007年

10 王印松;馮康;;主汽溫調(diào)節(jié)系統(tǒng)性能評價(jià)的粗糙集實(shí)現(xiàn)方法[A];第二十七屆中國控制會(huì)議論文集[C];2008年

相關(guān)博士學(xué)位論文 前10條

1 馬希驁;概率粗糙集屬性約簡理論及方法研究[D];西南交通大學(xué);2014年

2 唐孝;基于粗糙集的知識發(fā)現(xiàn)方法及其在ECG信號識別中的應(yīng)用[D];電子科技大學(xué);2015年

3 曾凱;鄰域粒化粗糙計(jì)算的關(guān)鍵技術(shù)研究與應(yīng)用[D];電子科技大學(xué);2015年

4 王永生;基于粗糙集理論的動(dòng)態(tài)數(shù)據(jù)挖掘關(guān)鍵技術(shù)研究[D];北京科技大學(xué);2016年

5 馬周明;基于邊界域的多粒度粗糙集及其相關(guān)度量[D];河北師范大學(xué);2017年

6 王麗娜;基于陰影集和粗糙集的模糊聚類算法研究與應(yīng)用[D];南京航空航天大學(xué);2016年

7 薛佩軍;正負(fù)域覆蓋廣義粗糙集與知識粗傳播研究[D];山東大學(xué);2007年

8 孔芝;粗糙集理論若干問題的研究與應(yīng)用[D];東北大學(xué);2009年

9 秦中廣;基于粗糙集的交叉研究及其在中醫(yī)診斷的應(yīng)用[D];華南理工大學(xué);2002年

10 劉少輝;知識發(fā)現(xiàn)中粗糙集理論的研究[D];中國科學(xué)院研究生院（計(jì)算技術(shù)研究所）;2003年

相關(guān)碩士學(xué)位論文 前10條

1 王科;數(shù)據(jù)挖掘技術(shù)在肺結(jié)核疾病診斷中的應(yīng)用研究[D];吉林農(nóng)業(yè)大學(xué);2017年

2 李明輝;基于決策樹方法的屬性推斷技術(shù)研究及應(yīng)用[D];中南民族大學(xué);2014年

3 苗森玉;決策樹方法在大學(xué)生就業(yè)指導(dǎo)中的應(yīng)用研究[D];華北電力大學(xué);2015年

4 姜騰;基于決策樹方法的職教信息系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D];北京工業(yè)大學(xué);2013年

5 江飛;粗糙集神經(jīng)網(wǎng)絡(luò)故障診斷方法研究[D];西安石油大學(xué);2015年

6 何理榮;粗糙集理論在銀行信貸風(fēng)險(xiǎn)評估中的應(yīng)用研究[D];華南理工大學(xué);2015年

7 張德齊;基于粗糙集理論的電機(jī)故障診斷方法研究[D];渤海大學(xué);2015年

8 楊禮;基于粗糙集的公路交通安全預(yù)警研究[D];西南交通大學(xué);2015年

9 聶萌瑤;基于泛系串并模型的粗糙集概念擴(kuò)展與拓?fù)淇臻g[D];蘭州大學(xué);2015年

10 徐鵬;基于粗糙集的建筑起重機(jī)械安全精細(xì)化評價(jià)研究[D];西安建筑科技大學(xué);2015年

，

本文編號：1858799