隨著時間的推移與技術的進步,計算機與醫(yī)療領域的聯(lián)系逐步密切,解決了很多以前無法回答的問題。在農村向城市轉型的進程加快與我國教育水平的提高之時,人們越來越關注自身的健康問題。心臟病作為一種高死亡率的疾病與人類死亡的第一因素,其預測方面存在的問題也日益明顯。但是目前在醫(yī)療領域方面,計算機等設備大部分應用于檢測而非預測,并且只是對圖像進行處理最終結論需要醫(yī)生判斷。醫(yī)生是整個過程的核心,計算機只是輔助工具。由于醫(yī)生研究的領域,掌握的知識及個人經驗的差異,對疾病判斷的結果可能不同,這樣會造成嚴重的后果。因此,利用先進的計算機技術對其進行預測,進行早期治療,避免心臟病惡化造成難以挽回的后果,有重要的實際意義。為了達到提升心臟病預測準確率的目的,本文將分為特征工程中的數據預處理和卷積神經網絡兩部分展開討論。首先,結合醫(yī)學領域相關知識,通過獲得患者某些心血管疾病的重要指標,用數據預處理技術改善數據質量,提出了將傳統(tǒng)機器學習應用的一維向量組合成矩陣形式的特征組合算法,使神經網絡結構在預測方面和特征的關聯(lián)性方面均有加強。隨后探討了不同類型的參數對網絡結構的影響,構建并優(yōu)化了心臟病預測模型,為心臟病疾病的防... 

【文章頁數】：60 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景及意義
    1.2 預測疾病的研究現(xiàn)狀
        1.2.1 傳統(tǒng)的疾病預測方法
        1.2.2 基于深度學習的疾病預測方法
    1.3 本文主要研究內容
    1.4 本文組成結構
2 數據集介紹
    2.1 心臟病簡介
    2.2 醫(yī)療領域數據特征
    2.3 影響心臟病發(fā)病相關因子介紹
    2.4 數據集介紹
    2.5 本章小結
3 特征工程
    3.1 特征工程理論概述
        3.1.1 特征選擇和提取
        3.1.2 數據處理方法
        3.1.3 維度壓縮
        3.1.4 特征工程的特點
    3.2 特征組合
    3.3 本章小結
4 卷積神經網絡模型構建
    4.1 卷積神經網絡概述
    4.2 卷積神經網絡模型訓練
    4.3 模型評估
    4.4 本章小結
5 實驗結果與分析
    5.1 epoch的大小
    5.2 學習率
    5.3 mini-batch大小
    5.4 卷積層數量
    5.5 關于卷積核的研究
        5.5.1 卷積核的數目
        5.5.2 卷積核的尺寸
    5.6 dropout的設置
    5.7 激活函數和優(yōu)化器的選擇
    5.8 方法對比
    5.9 本章小結
結論
參考文獻
攻讀學位期間發(fā)表的學術論文
致謝
附件


【參考文獻】：
期刊論文
[1]98例急性心血管疾病患者的臨床治療觀察[J]. 楊先鋒.  中西醫(yī)結合心血管病電子雜志. 2018(14)
[2]基于深度學習的fMRI數據分析在偏頭痛研究中的應用[J]. 肖君超,曾衛(wèi)明,楊嘉君,石玉虎,徐艷紅,焦磊.  計算機系統(tǒng)應用. 2018(04)
[3]融合百度指數的流感預測機理與實證研究[J]. 王若佳.  情報學報. 2018(02)
[4]基于局部特征的卷積神經網絡模型[J]. 施恩,李騫,顧大權,趙章明.  計算機工程. 2018(02)
[5]機器學習在神經精神疾病診斷及預測中的應用[J]. 文宏偉,陸菁菁,何暉光.  協(xié)和醫(yī)學雜志. 2018(01)
[6]《中國心血管病報告2017》概要[J]. 陳偉偉,高潤霖,劉力生,朱曼璐,王文,王擁軍,吳兆蘇,李惠君,顧東風,楊躍進,鄭哲,蔣立新,胡盛壽.  中國循環(huán)雜志. 2018(01)
[7]基于深度學習的肺部腫瘤檢測方法[J]. 陳強銳,謝世朋.  計算機技術與發(fā)展. 2018(04)
[8]慢性病防治的重點和難點:《中國防治慢性病中長期規(guī)劃（2017——2025年）》解讀[J]. 王一然,王奇金.  第二軍醫(yī)大學學報. 2017(07)
[9]基于增強AlexNet的深度學習的阿爾茨海默病的早期診斷[J]. 呂鴻蒙,趙地,遲學斌.  計算機科學. 2017(S1)
[10]基于經食道超聲心動圖超聲數據的心臟病分類[J]. 王巧華,伍岳慶,姚宇.  計算機應用. 2017(S1)

博士論文
[1]卷積神經網絡和遷移學習在癌癥影像分析中的研究[D]. 余紹德.中國科學院大學(中國科學院深圳先進技術研究院) 2018
[2]中國居民健康相關生命質量及其對衛(wèi)生服務利用影響的研究[D]. 王煜.北京協(xié)和醫(yī)學院 2010
[3]老年保健人群缺血性心腦血管病預警模型研究[D]. 陳金宏.第三軍醫(yī)大學 2010
[4]口腔衛(wèi)生服務現(xiàn)況評價與口腔衛(wèi)生人力預測研究[D]. 李剛.四川大學 2004

碩士論文
[1]基于隨機森林的心臟病預測平臺的設計與實現(xiàn)[D]. 羅斌杰.北京郵電大學 2018
[2]基于電子病歷的深度神經網絡預測模型研究與應用[D]. 李昆.鄭州大學 2017
[3]張量學習算法及其在疾病預測中的研究[D]. 陸成韜.蘇州大學 2017
[4]慢性阻塞性肺病發(fā)病人數的預測模型[D]. 李杰.重慶大學 2017
[5]基于隨機森林和BSS特征的PET-CT肺腫瘤分割[D]. 蔣雪晴.蘇州大學 2016
[6]常見先天性心臟病的計算機輔助診斷研究[D]. 潘文平.哈爾濱工業(yè)大學 2016
[7]基于深度卷積神經網絡的CT圖像肝臟腫瘤分割方法研究[D]. 李雯.中國科學院深圳先進技術研究院 2016
[8]地理環(huán)境對心率變異性時域分析指標參考值的影響[D]. 姜吉琳.陜西師范大學 2015
[9]基于互聯(lián)網數據的中國流感趨勢預測研究[D]. 魯力.湖南大學 2015
[10]基于人群搜索—支持向量機的心臟病多生理參數診斷方法研究[D]. 董慧康.河北工業(yè)大學 2015



本文編號：3649545