【摘要】：醫(yī)療領(lǐng)域信息化技術(shù)日益成熟,在不斷提高診斷水平和改善醫(yī)療服務(wù)質(zhì)量的同時,大量結(jié)構(gòu)各異的醫(yī)療數(shù)據(jù)也隨之呈指數(shù)級增長,這使得醫(yī)療大數(shù)據(jù)成為研究熱點�；趥鹘y(tǒng)關(guān)系型數(shù)據(jù)庫的醫(yī)療系統(tǒng),在海量醫(yī)療數(shù)據(jù)存儲性能和查詢效率方面顯得越來越力不從心。如何對海量異構(gòu)的醫(yī)療數(shù)據(jù)進(jìn)行有效存儲、快速查詢、高效處理、深度分析,已經(jīng)成為大數(shù)據(jù)環(huán)境下很多大型醫(yī)院急需解決的問題。本文以北京某大型醫(yī)院的醫(yī)療數(shù)據(jù)管理需求為研究背景,設(shè)計并實現(xiàn)了一種基于Couchbase數(shù)據(jù)庫的醫(yī)療數(shù)據(jù)管理系統(tǒng)。針對海量醫(yī)療數(shù)據(jù)的存儲和高效查詢需求,使用Couchbase數(shù)據(jù)庫存儲海量異構(gòu)的醫(yī)療數(shù)據(jù);利用其分布式特性,為醫(yī)療數(shù)據(jù)管理系統(tǒng)的存儲能力提供動態(tài)擴(kuò)展;利用其緩存機(jī)制和強(qiáng)大的索引功能,為用戶提供高效的查詢服務(wù)。針對海量醫(yī)療數(shù)據(jù)的高效處理需求,使用Hadoop平臺來處理醫(yī)療數(shù)據(jù),利用其與Couchbase數(shù)據(jù)庫良好的交互性,對海量醫(yī)療數(shù)據(jù)進(jìn)行高效處理。針對海量醫(yī)療數(shù)據(jù)深入分析需求,本文提出一種改進(jìn)的剪枝FP-growth算法,并將該算法并行化實現(xiàn),在Hadoop平臺上挖掘疾病之間的關(guān)聯(lián)規(guī)則,為醫(yī)生提供醫(yī)療決策參考。根據(jù)業(yè)務(wù)需求,設(shè)計并實現(xiàn)了基于Couchbase數(shù)據(jù)庫醫(yī)療數(shù)據(jù)管理系統(tǒng)的主要功能,搭建了Couchbase數(shù)據(jù)庫集群和Hadoop大數(shù)據(jù)平臺,實現(xiàn)了并行化改進(jìn)的剪枝FP-growth算法,最后進(jìn)行了系統(tǒng)測試。經(jīng)過測試表明,基于Couchbase數(shù)據(jù)庫的醫(yī)療數(shù)據(jù)管理系統(tǒng)能夠有效地存儲海量異構(gòu)醫(yī)療數(shù)據(jù),并且能夠提供高效的查詢;Hadoop大數(shù)據(jù)平臺能夠很好地與Couchbase數(shù)據(jù)庫配合,實現(xiàn)醫(yī)療數(shù)據(jù)地高效處理;改進(jìn)的剪枝FP-growth算法的執(zhí)行效率要優(yōu)于傳統(tǒng)的FP-growth算法的執(zhí)行效率,基于Couchbase數(shù)據(jù)庫的醫(yī)療數(shù)據(jù)管理系統(tǒng)利用并行化改進(jìn)的剪枝FP-growth算法能夠高效地挖掘出疾病之間的關(guān)聯(lián)規(guī)則,這些規(guī)則滿足需求,能夠為醫(yī)生和病人提供醫(yī)療服務(wù)。
【圖文】：

圖 2.2 醫(yī)療領(lǐng)域關(guān)系型數(shù)據(jù)庫使用占比以上三種數(shù)據(jù)庫也都存在各自的缺點，它們的共同缺點就是，對非結(jié)構(gòu)化數(shù)化數(shù)據(jù)的處理能力不足。此外，MySql 和 Sqlserver 的動態(tài)擴(kuò)展能力有限，當(dāng)定程度時，系統(tǒng)內(nèi)存空間將是一個難以解決的難題；Oracle 數(shù)據(jù)庫雖然有數(shù)能力，但是步驟較為繁瑣，并且需要的技術(shù)含量較高。顯然，繼續(xù)使用關(guān)系型數(shù)據(jù)庫來存儲醫(yī)療數(shù)據(jù)，無法滿足存儲海量異構(gòu)醫(yī)療，這時候就需要選用 NOSQL 數(shù)據(jù)庫來解決這個問題。當(dāng)下市面上流行的非庫有很多，需要選擇一款最合適的來作為醫(yī)療數(shù)據(jù)管理系統(tǒng)的數(shù)據(jù)庫。當(dāng)下系型數(shù)據(jù)庫主要有 HBase、Redis、MongoDB、Couchbase、Cassandra，它們點如表 2.1 所示。表 2.1 主流 NOSQL 對比庫 優(yōu)點 缺點ase容量大，一張表能夠容納上億行，上百萬列；能搜到所需的歷史版本數(shù)據(jù)；可簡單地實現(xiàn)開發(fā)時所需依賴較多、配置較麻煩，缺乏規(guī)范化文檔；占用內(nèi)存很大，讀取性能不高。

圖 2.5 各算法耗時對比圖表 2.2 和圖 2.5 可知，在進(jìn)行對比的 4 種關(guān)聯(lián)規(guī)則算法中，F(xiàn)P-growth 算法較之算法處理數(shù)據(jù)的速度最快，也最為平穩(wěn)，所以系統(tǒng)將選擇 FP-growth 算法來挖據(jù)中的關(guān)聯(lián)規(guī)則。但是當(dāng) FP-growth 在面大數(shù)據(jù)量時，算法所生成的 FP 樹就特致 FP 樹根本無法放進(jìn)內(nèi)存而不能對目標(biāo)數(shù)據(jù)集進(jìn)行頻繁項集挖掘，此外，在下，兩次掃描磁盤對算法執(zhí)行效率和系統(tǒng)性能都有影響。所以，本文提出一種枝 FP-growth 算法，用其分析醫(yī)療數(shù)據(jù)之間的關(guān)聯(lián)規(guī)則。章小結(jié)章首先分析當(dāng)下醫(yī)療系統(tǒng)使用數(shù)據(jù)庫的使用情況，并根據(jù)醫(yī)療數(shù)據(jù)的存儲需求Couchbase 數(shù)據(jù)庫存儲數(shù)據(jù)；然后分析當(dāng)下流行的大數(shù)據(jù)處理框架，根據(jù)需求，， Hadoop 來處理海量醫(yī)療數(shù)據(jù)；最后介紹關(guān)聯(lián)規(guī)則的相關(guān)概念，并對比分析常則算法，決定采用 FP-growth 算法來挖掘醫(yī)療數(shù)據(jù)之間的關(guān)聯(lián)規(guī)則，但是傳統(tǒng)owth 的效率仍不理想，所以本文在之后將提出一種改進(jìn)的剪枝 FP-growth 算法。
【學(xué)位授予單位】：西安科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：R197.3;TP311.52

【參考文獻(xiàn)】

相關(guān)期刊論文 前8條

1 ;上海區(qū)域衛(wèi)生信息化實踐經(jīng)驗[J];中國信息界(e醫(yī)療);2014年03期

2 周光華;辛英;張雅潔;胡婷;李岳峰;;醫(yī)療衛(wèi)生領(lǐng)域大數(shù)據(jù)應(yīng)用探討[J];中國衛(wèi)生信息管理雜志;2013年04期

3 申德榮;于戈;王習(xí)特;聶鐵錚;寇月;;支持大數(shù)據(jù)管理的NoSQL系統(tǒng)研究綜述[J];軟件學(xué)報;2013年08期

4 高漢松;肖凌;許德瑋;桑梓勤;;基于云計算的醫(yī)療大數(shù)據(jù)挖掘平臺[J];醫(yī)學(xué)信息學(xué)雜志;2013年05期

5 秦延斌;夏書劍;;基于數(shù)據(jù)挖掘的醫(yī)院診療系統(tǒng)的研究[J];科技信息;2012年11期

6 陳俊;陳孝威;;基于Hadoop建立云計算系統(tǒng)[J];貴州大學(xué)學(xué)報(自然科學(xué)版);2011年03期

7 周軼男;王宇;;Hadoop文件系統(tǒng)性能分析[J];電子技術(shù);2011年05期

8 蘭聰花;劉洋;唐占紅;;AprioriTid挖掘頻繁項集算法的改進(jìn)[J];計算機(jī)應(yīng)用與軟件;2010年03期

相關(guān)碩士學(xué)位論文 前10條

1 李若晨;基于并行的Apriori數(shù)據(jù)挖掘算法的研究[D];吉林大學(xué);2017年

2 丁晶晶;MapReduce框架下的任務(wù)調(diào)度算法研究[D];南京理工大學(xué);2017年

3 Alladoumbaye Ngueilbaye（阿拉杜）;健康醫(yī)療系統(tǒng)的數(shù)據(jù)挖掘研究[D];哈爾濱工業(yè)大學(xué);2016年

4 婁書青;并行FP-growth關(guān)聯(lián)規(guī)則算法研究[D];電子科技大學(xué);2016年

5 周羿陽;基于Hadoop的醫(yī)療輔助診斷系統(tǒng)的設(shè)計與實現(xiàn)[D];東華大學(xué);2016年

6 戴

本文編號：2644171