【摘要】：隨著人們生活水平的不斷提升,各種現(xiàn)代社會(huì)派生的“富貴病”正悄無聲息地侵入到我們的生活中,這導(dǎo)致人們對自身健康狀況的需求愈發(fā)高漲。但由于醫(yī)療資源的緊缺和不平衡分布、生活節(jié)奏加快、體檢價(jià)格不菲等原因,現(xiàn)有的醫(yī)療衛(wèi)生體系主要針對重大疾病的檢測、預(yù)防和治療,難以完全滿足人們對于慢性病的檢測和預(yù)防的需求�！叭摺笔锹圆〈碇�,我國“三高”患病率呈逐年上升趨勢。解決三高問題的關(guān)鍵是早發(fā)現(xiàn)、早預(yù)防和早治療,而早發(fā)現(xiàn)是解決“三高”問題的有效前提。由于“三高”的病理形成機(jī)制較為復(fù)雜,臨床檢測存在早期檢測準(zhǔn)確率低、費(fèi)用昂貴等問題,因此本文通過數(shù)據(jù)驅(qū)動(dòng)的方法來自動(dòng)學(xué)習(xí)健康數(shù)據(jù)指標(biāo)與“三高”之間的內(nèi)在聯(lián)系,希望能夠在保持較高準(zhǔn)確率的情況下,減少人工成本,從而低成本的解決“三高”檢測的問題。本文的研究內(nèi)容主要包括預(yù)處理方法、模型設(shè)計(jì)、超參數(shù)優(yōu)化以及性能評估等方面。首先,在預(yù)處理階段,對健康數(shù)據(jù)進(jìn)行篩選,并使用奇異值閾值(Singular Value Thresholding,SVT)的方法對缺失數(shù)據(jù)進(jìn)行填充。然后,利用八種經(jīng)典的機(jī)器學(xué)習(xí)模型對“三高”檢測問題進(jìn)行了初步嘗試,并以此作為“三高”檢測模型的基準(zhǔn)。再者,基于集成學(xué)習(xí)的思想和Stacking策略,利用神經(jīng)網(wǎng)絡(luò)將K近鄰、樸素貝葉斯和決策樹這三個(gè)基礎(chǔ)機(jī)器學(xué)習(xí)模型進(jìn)行“融合”,這顯著提升了模型的準(zhǔn)確性、特異性和靈敏度。在此基礎(chǔ)上,本文從模型性能和模型多樣性兩方面進(jìn)行改進(jìn),使用更為復(fù)雜的邏輯回歸、隨機(jī)森林和XGBoost模型作為初級學(xué)習(xí)器,并利用支持向量機(jī)代替神經(jīng)網(wǎng)絡(luò)作為次級學(xué)習(xí)器,構(gòu)建了一個(gè)“雙重集成”的“三高”檢測模型,從而進(jìn)一步提升模型的準(zhǔn)確性、特異性和靈敏度。此外,本論文還使用貝葉斯優(yōu)化的方法對模型進(jìn)行超參數(shù)調(diào)優(yōu),保證模型達(dá)到最佳性能。最后,實(shí)驗(yàn)證明了本文所提出的兩個(gè)“三高”檢測模型方案的可行性以及性能的先進(jìn)性,與各經(jīng)典機(jī)器學(xué)習(xí)模型及目前處于領(lǐng)先地位的“三高”檢測模型相比,本論文提出的模型在各項(xiàng)指標(biāo)上都有所提升。綜上所述,本課題的研究對“三高”自動(dòng)檢測問題提供了一個(gè)具有指導(dǎo)意義的解決思路。
【圖文】：

高血脂和高血糖的情況，按人口比例換算相當(dāng)于約１／３的成年人患有“三高”癥逡逑狀�！叭摺彪m然不直接致命，但是“三高”會(huì)“潛移默化”的損傷我們身體的逡逑各個(gè)器官，從而誘發(fā)各種并發(fā)癥，如圖１－１所示。此外，“三高”之間更是連接逡逑緊密，患有其中任何一個(gè)都有可能引發(fā)其他“兩高”，因此對于其中任何一高的逡逑控制都顯得格外重要。逡逑１逡逑

據(jù)上如圖片、視頻、文本等具有較好的性能，這得益于其強(qiáng)大的特征提取能力，逡逑但在較為簡單的小規(guī)模結(jié)構(gòu)化數(shù)據(jù)集上并不一定能夠取得比傳統(tǒng)機(jī)器學(xué)習(xí)算法逡逑更優(yōu)的性能。如圖１－２所示，機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的區(qū)別主要在于特征提取方式逡逑不同，機(jī)器學(xué)習(xí)主要采用人工設(shè)計(jì)的方法，而深度學(xué)習(xí)則是根據(jù)數(shù)據(jù)進(jìn)行“學(xué)習(xí)”逡逑的方法，因此缺乏可解釋性，在一些含義定義明確的結(jié)構(gòu)化數(shù)據(jù)上往往不如傳統(tǒng)逡逑的機(jī)器學(xué)習(xí)算法，如決策樹等。逡逑機(jī)器學(xué)習(xí)邋數(shù)據(jù)獲取數(shù)據(jù)預(yù)處理；？特征選擇與提�。�？決策規(guī)則和分類器設(shè)計(jì)邋＞邋實(shí)驗(yàn)評估與優(yōu)化＼邐．逡逑深度學(xué)習(xí)：數(shù)據(jù)獲取邐數(shù)據(jù)預(yù)處理卜．網(wǎng)絡(luò)和損失函數(shù)設(shè)計(jì)邐參數(shù)學(xué)習(xí)與優(yōu)化．卜實(shí)驗(yàn)評估與優(yōu)化＋；逡逑圖１－２機(jī)器學(xué)習(xí)和深度學(xué)習(xí)主要流程對比逡逑對于深度學(xué)習(xí)和機(jī)器學(xué)習(xí)來說，訓(xùn)練數(shù)據(jù)占有極為重要的地位，如果數(shù)據(jù)與逡逑所解決的問題不存在相關(guān)性或者相關(guān)性較弱，那么再先進(jìn)的深度學(xué)習(xí)和機(jī)器學(xué)習(xí)逡逑算法也難以發(fā)揮作用。考慮到“三高”是一種長期的與健康相關(guān)的病理狀態(tài)，，與逡逑性別、年齡、遺傳病史、作息習(xí)慣、地區(qū)分布、身體健康狀況及各項(xiàng)生理測量指逡逑數(shù)等信息都有一定相關(guān)性。現(xiàn)階段，健康行業(yè)也在向數(shù)字化、信息化方向不斷進(jìn)逡逑展
【學(xué)位授予單位】：北京郵電大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：R194.3;TP181

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 房曉楠;;從監(jiān)督學(xué)習(xí)到強(qiáng)化學(xué)習(xí),四種深度學(xué)習(xí)方式原理知多少[J];機(jī)器人產(chǎn)業(yè);2017年04期

2 汪力新;費(fèi)越;戴汝為;;基于人機(jī)結(jié)合的競爭監(jiān)督學(xué)習(xí)[J];模式識(shí)別與人工智能;1997年03期

3 蔡洪民;陸華成;;基于有監(jiān)督學(xué)習(xí)算法的惡意程序分類識(shí)別研究[J];網(wǎng)絡(luò)安全技術(shù)與應(yīng)用;2019年01期

4 劉子書;;媽媽,你讓我自豪[J];讀與寫(初中版);2018年02期

5 費(fèi)越,汪力新,戴汝為;競爭監(jiān)督學(xué)習(xí)法在集成型識(shí)別系統(tǒng)中的應(yīng)用[J];自動(dòng)化學(xué)報(bào);1999年03期

6 王繼升;南柄飛;李淑芝;;一種基于有監(jiān)督學(xué)習(xí)原理的Web服務(wù)選擇方法[J];江西理工大學(xué)學(xué)報(bào);2006年06期

7 孫震;王敬東;茅天詒;魏雪迎;;基于自監(jiān)督學(xué)習(xí)的河流分割方法[J];計(jì)算機(jī)與現(xiàn)代化;2017年10期

8 陳立瑋;馮巖松;趙東巖;;基于弱監(jiān)督學(xué)習(xí)的海量網(wǎng)絡(luò)數(shù)據(jù)關(guān)系抽取[J];計(jì)算機(jī)研究與發(fā)展;2013年09期

9 張賽;芮挺;任桐煒;楊成松;鄒軍華;;基于監(jiān)督學(xué)習(xí)深度自編碼器的圖像重構(gòu)[J];計(jì)算機(jī)科學(xué);2018年11期

10 Marc Lichtman;William C.Headley;Jeffrey H.Reed;沈濤;;利用監(jiān)督學(xué)習(xí)實(shí)現(xiàn)IQ失衡狀態(tài)下的自動(dòng)調(diào)制樣式分類[J];通信對抗;2014年03期

相關(guān)會(huì)議論文 前4條

1 俞嘉旭;吳幫玉;劉乃豪;朱小三;任浩然;;基于局部成像矩陣的監(jiān)督學(xué)習(xí)散射點(diǎn)識(shí)別[A];中國石油學(xué)會(huì)2019年物探技術(shù)研討會(huì)論文集[C];2019年

2 鄒曉玫;修春波;;基于聚類分析的犯罪率相關(guān)因素的研究[A];當(dāng)代法學(xué)論壇（二○一○年第3輯）[C];2010年

3 朱丹青;常寶寶;;一種基于N-Best結(jié)果組合優(yōu)選的詞語對齊方法[A];第四屆全國學(xué)生計(jì)算語言學(xué)研討會(huì)會(huì)議論文集[C];2008年

4 李軍;孫金生;王執(zhí)銓;;模型參考神經(jīng)元控制[A];1996中國控制與決策學(xué)術(shù)年會(huì)論文集[C];1996年

相關(guān)重要報(bào)紙文章 前4條

1 常佩琦;一味模仿人腦將阻礙人工智能發(fā)展[N];人民郵電;2017年

2 本報(bào)記者 王尚封;加強(qiáng)監(jiān)督學(xué)習(xí)整改促進(jìn)又好又快發(fā)展[N];黔西南日報(bào);2009年

3 Facebook首席AI科學(xué)家 Yann LeCun;如何讓AI學(xué)習(xí)常識(shí) 未來又在何方[N];中國信息化周報(bào);2018年

4 記者 王洪波;群眾監(jiān)評小組全程參與[N];組織人事報(bào);2009年

相關(guān)博士學(xué)位論文 前10條

1 夏應(yīng)策;對偶學(xué)習(xí)的理論和實(shí)驗(yàn)研究[D];中國科學(xué)技術(shù)大學(xué);2018年

2 程圣軍;基于帶約束隨機(jī)游走圖模型的弱監(jiān)督學(xué)習(xí)算法研究[D];哈爾濱工業(yè)大學(xué);2014年

3 烏達(dá)巴拉（Odbal）;基于監(jiān)督學(xué)習(xí)的文本情感分析研究[D];中國科學(xué)技術(shù)大學(xué);2017年

4 NAJAM NAZAR;基于監(jiān)督學(xué)習(xí)的bug報(bào)告和源代碼摘要[D];大連理工大學(xué);2016年

5 孫宇;針對含有概念漂移問題的增量學(xué)習(xí)算法研究[D];中國科學(xué)技術(shù)大學(xué);2017年

6 張紫瓊;在線中文評論情感分類問題研究[D];哈爾濱工業(yè)大學(xué);2010年

7 王曉明;基于統(tǒng)計(jì)學(xué)習(xí)的模式識(shí)別幾個(gè)問題及其應(yīng)用研究[D];江南大學(xué);2010年

8 Adnan O.M Abuassba;一種基于異構(gòu)超限學(xué)習(xí)的集成學(xué)習(xí)框架[D];北京科技大學(xué);2018年

9 吳婷;自發(fā)腦電腦機(jī)接口模式識(shí)別關(guān)鍵技術(shù)與實(shí)驗(yàn)研究[D];上海交通大學(xué);2008年

10 何所懼;人工智能在游戲中的應(yīng)用：游戲玩家的實(shí)時(shí)建模及對手的智能適配[D];北京郵電大學(xué);2010年

相關(guān)碩士學(xué)位論文 前10條

1 周凌婧;基于有監(jiān)督學(xué)習(xí)的“三高”檢測的研究與實(shí)現(xiàn)[D];北京郵電大學(xué);2019年

2 馮景義;時(shí)間相關(guān)性和弱監(jiān)督學(xué)習(xí)對獼猴手指移動(dòng)位置的神經(jīng)解碼研究[D];云南民族大學(xué);2019年

3 印佳明;圖書虛假評論的識(shí)別方法研究[D];北方工業(yè)大學(xué);2019年

4 沈凡琦;基于梯度下降的脈沖神經(jīng)網(wǎng)絡(luò)在線監(jiān)督學(xué)習(xí)研究[D];西北師范大學(xué);2018年

5 尹航;基于監(jiān)督學(xué)習(xí)的紫外—可見光光譜水質(zhì)異常事件檢測方法研究[D];浙江大學(xué);2018年

6 蔡望舒;基于弱監(jiān)督學(xué)習(xí)的跨模態(tài)情感傾向性分析[D];廈門大學(xué);2017年

7 李維銀;基于有監(jiān)督學(xué)習(xí)的查詢擴(kuò)展技術(shù)研究[D];北京理工大學(xué);2015年

8 戴衛(wèi)特;監(jiān)督學(xué)習(xí)算法在預(yù)測太陽能生產(chǎn)中的應(yīng)用[D];中南大學(xué);2014年

9 張從樂;基于知識(shí)型數(shù)據(jù)的監(jiān)督學(xué)習(xí)[D];上海交通大學(xué);2008年

10 吳慶濤;基于有監(jiān)督學(xué)習(xí)的故障診斷方法的研究[D];沈陽理工大學(xué);2013年

本文編號：2698142