基于集成學習算法的冠心病早期篩查方法研究
發(fā)布時間:2022-12-25 14:13
心血管疾病是危害全球公共健康的重大問題,冠心病作為一種常見的慢性心血管疾病,其發(fā)病率、死亡率逐年攀升,且呈現(xiàn)年輕化趨勢,對人類社會的危害日益加劇。抑制冠心病發(fā)病甚至致死的根本途徑在于早期預警和診斷,研究如何在臨床早期無創(chuàng)、無損識別冠心病高危個體具有重要的臨床醫(yī)學意義和顯著的社會經濟效益,機器學習算法的應用提供了解決上述問題的可能。本文旨在研究集成學習算法用于無創(chuàng)無損早期篩查診斷冠心病的潛在應用價值。圍繞這一目的,本文全面系統(tǒng)地研究了國內外冠心病危險預警模型的發(fā)展趨勢、機器學習算法輔助診斷冠心病的應用狀況。依托國家自然科學基金面上項目——基于心臟電-機械活動變異性的冠心病分布熵特征研究的資助,參與建立冠心病患者電子病歷大數(shù)據(jù)集。系統(tǒng)科學的研究集成學習算法模型的建立流程、算法編程實現(xiàn),為早期篩查診斷冠心病個體提供了一種新的算法實現(xiàn)途徑和分析思路,本文所做主要工作如下:(1)參與建立適用于山東地區(qū)的冠心病患者電子病歷醫(yī)療數(shù)據(jù)集;谇捌谘芯康墓谛牟』疾∥kU因素,結合心內科臨床專家的實踐經驗和建議,在濟南千佛山醫(yī)院實地采集受檢者心電、心音、脈搏波等波形數(shù)據(jù),整合患者基本信息、臨床癥狀、生理生化...
【文章頁數(shù)】:66 頁
【學位級別】:碩士
【文章目錄】:
摘要
ABSTRACT
第一章 緒論
1.1 課題研究背景及意義
1.2 冠心病早期危險預測模型研究現(xiàn)狀
1.3 人工智能輔助診斷冠心病研究現(xiàn)狀
1.4 本文研究內容和創(chuàng)新點
1.5 本文組織結構
第二章 數(shù)據(jù)采集及分析
2.1 醫(yī)療數(shù)據(jù)挖掘
2.2 數(shù)據(jù)采集和選用
2.2.1 冠心病危險因素數(shù)據(jù)集
2.2.2 心音信號特征數(shù)據(jù)集
2.3 數(shù)據(jù)預處理
2.4 統(tǒng)計分析和特征篩選
2.4.1 統(tǒng)計分析
2.4.2 特征篩選
2.5 本章小結
第三章 集成學習算法模型
3.1 機器學習基礎理論
3.1.1 機器學習基本概念
3.1.2 模型的評價指標和方法
3.2 集成學習基礎理論
3.3 BOOSTING算法
3.4 BAGGING算法
3.5 STACKED算法
3.6 本章小結
第四章 基于危險因素數(shù)據(jù)集的冠心病集成學習篩查方法探索
4.1 面向冠心病危險因素數(shù)據(jù)集的集成學習算法模型
4.2 冠心病危險因素數(shù)據(jù)集的不平衡化處理
4.3 冠心病危險因素數(shù)據(jù)集特征重要性評分討論
4.4 本章小結
第五章 基于心音信號特征數(shù)據(jù)集的冠心病集成學習篩查方法探索
5.1 面向心音信號特征數(shù)據(jù)集的集成學習算法模型
5.2 心音信號特征數(shù)據(jù)集的不平衡化處理
5.3 本章小結
第六章 總結與展望
6.1 總結
6.2 展望
參考文獻
致謝
附錄A
附件
【參考文獻】:
期刊論文
[1]心血管疾病風險評估的發(fā)展及現(xiàn)狀[J]. 王芳,鐘光珍,于麗平. 國際心血管病雜志. 2016(06)
[2]《中國心血管病報告2015》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. 2016(06)
[3]冠心病能否“早期識別”[J]. 侯允天. 心腦血管病防治. 2016(02)
[4]大數(shù)據(jù)背景下醫(yī)學數(shù)據(jù)挖掘的研究進展及應用[J]. 秦文哲,陳進,董力. 中國胸心血管外科臨床雜志. 2016(01)
[5]國內電子病歷發(fā)展與應用現(xiàn)狀分析[J]. 馬錫坤,楊國斌,于京杰. 計算機應用與軟件. 2015(01)
[6]心血管疾病風險評估方法及存在問題[J]. 袁紹華,張新超. 中國心血管雜志. 2011(03)
[7]冠狀動脈介入手術對老年冠心病患者心理狀態(tài)的影響[J]. 侯允天,李曉英,鄧曉東,荊娜,祝卓宏. 中國誤診學雜志. 2007(21)
[8]一種冠心病心電信號的識別方法[J]. 王春玲,張秀梅. 德州學院學報(自然科學版). 2005(02)
[9]國人缺血性心血管病發(fā)病危險的評估方法及簡易評估工具的開發(fā)研究[J]. 國家“十五”攻關“冠心病、腦卒中綜合危險度評估及干預方案的研究”課題組. 中華心血管病雜志. 2003(12)
[10]醫(yī)學數(shù)據(jù)挖掘的技術、方法及應用[J]. 朱凌云,吳寶明. 生物醫(yī)學工程學雜志. 2003(03)
碩士論文
[1]三種機器學習方法在冠心病篩查中的比較研究[D]. 逄凱.吉林大學 2016
[2]SVM在冠心病分類預測中的應用研究[D]. 朱悅.華南理工大學 2013
本文編號:3726770
【文章頁數(shù)】:66 頁
【學位級別】:碩士
【文章目錄】:
摘要
ABSTRACT
第一章 緒論
1.1 課題研究背景及意義
1.2 冠心病早期危險預測模型研究現(xiàn)狀
1.3 人工智能輔助診斷冠心病研究現(xiàn)狀
1.4 本文研究內容和創(chuàng)新點
1.5 本文組織結構
第二章 數(shù)據(jù)采集及分析
2.1 醫(yī)療數(shù)據(jù)挖掘
2.2 數(shù)據(jù)采集和選用
2.2.1 冠心病危險因素數(shù)據(jù)集
2.2.2 心音信號特征數(shù)據(jù)集
2.3 數(shù)據(jù)預處理
2.4 統(tǒng)計分析和特征篩選
2.4.1 統(tǒng)計分析
2.4.2 特征篩選
2.5 本章小結
第三章 集成學習算法模型
3.1 機器學習基礎理論
3.1.1 機器學習基本概念
3.1.2 模型的評價指標和方法
3.2 集成學習基礎理論
3.3 BOOSTING算法
3.4 BAGGING算法
3.5 STACKED算法
3.6 本章小結
第四章 基于危險因素數(shù)據(jù)集的冠心病集成學習篩查方法探索
4.1 面向冠心病危險因素數(shù)據(jù)集的集成學習算法模型
4.2 冠心病危險因素數(shù)據(jù)集的不平衡化處理
4.3 冠心病危險因素數(shù)據(jù)集特征重要性評分討論
4.4 本章小結
第五章 基于心音信號特征數(shù)據(jù)集的冠心病集成學習篩查方法探索
5.1 面向心音信號特征數(shù)據(jù)集的集成學習算法模型
5.2 心音信號特征數(shù)據(jù)集的不平衡化處理
5.3 本章小結
第六章 總結與展望
6.1 總結
6.2 展望
參考文獻
致謝
附錄A
附件
【參考文獻】:
期刊論文
[1]心血管疾病風險評估的發(fā)展及現(xiàn)狀[J]. 王芳,鐘光珍,于麗平. 國際心血管病雜志. 2016(06)
[2]《中國心血管病報告2015》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. 2016(06)
[3]冠心病能否“早期識別”[J]. 侯允天. 心腦血管病防治. 2016(02)
[4]大數(shù)據(jù)背景下醫(yī)學數(shù)據(jù)挖掘的研究進展及應用[J]. 秦文哲,陳進,董力. 中國胸心血管外科臨床雜志. 2016(01)
[5]國內電子病歷發(fā)展與應用現(xiàn)狀分析[J]. 馬錫坤,楊國斌,于京杰. 計算機應用與軟件. 2015(01)
[6]心血管疾病風險評估方法及存在問題[J]. 袁紹華,張新超. 中國心血管雜志. 2011(03)
[7]冠狀動脈介入手術對老年冠心病患者心理狀態(tài)的影響[J]. 侯允天,李曉英,鄧曉東,荊娜,祝卓宏. 中國誤診學雜志. 2007(21)
[8]一種冠心病心電信號的識別方法[J]. 王春玲,張秀梅. 德州學院學報(自然科學版). 2005(02)
[9]國人缺血性心血管病發(fā)病危險的評估方法及簡易評估工具的開發(fā)研究[J]. 國家“十五”攻關“冠心病、腦卒中綜合危險度評估及干預方案的研究”課題組. 中華心血管病雜志. 2003(12)
[10]醫(yī)學數(shù)據(jù)挖掘的技術、方法及應用[J]. 朱凌云,吳寶明. 生物醫(yī)學工程學雜志. 2003(03)
碩士論文
[1]三種機器學習方法在冠心病篩查中的比較研究[D]. 逄凱.吉林大學 2016
[2]SVM在冠心病分類預測中的應用研究[D]. 朱悅.華南理工大學 2013
本文編號:3726770
本文鏈接:http://sikaile.net/yixuelunwen/xxg/3726770.html
最近更新
教材專著