近年來隨著大容量存儲設(shè)備、可穿戴技術(shù)以及醫(yī)療衛(wèi)生行業(yè)信息化的迅速發(fā)展,中醫(yī)病案數(shù)據(jù)的增長速度史無前例。中醫(yī)哮喘病病案數(shù)據(jù)具有高維度、高復雜性以及非線性等特點,導致利用傳統(tǒng)的機器學習算法和數(shù)學統(tǒng)計等方法很難建立準確的中醫(yī)疾病預測模型。與傳統(tǒng)的機器學習算法相比,深度學習可以從大量數(shù)據(jù)中自動地學習復雜的數(shù)據(jù)表示,并且具有較高的精度與泛化能力。因此本文主要研究基于深度學習的中醫(yī)診療智能化方法,主要包括哮喘病主要癥狀中的大魚際掌紋陰陽性的識別分類以及哮喘病癥狀-證型的分類研究,主要工作內(nèi)容如下:（1）大魚際掌紋的陰陽特征和哮喘病患病有直接的關(guān)聯(lián)性,因此本文提出了優(yōu)化的YOLO V3模型對手掌圖片中陰陽兩類大魚際掌紋進行識別。首先使用改進的K-means算法對掌紋圖像數(shù)據(jù)集進行聚類分析以確定YOLO V3的最佳的先驗參數(shù),優(yōu)化模型參數(shù);然后采用了數(shù)據(jù)增強的方式對圖像數(shù)據(jù)進行模糊、翻轉(zhuǎn)、縮放處理來擴大數(shù)據(jù)量,進一步并提高網(wǎng)絡(luò)的性能。實驗結(jié)果表明,優(yōu)化后的YOLO V3模型具有更高的效率以及較高的識別準確率,對哮喘病癥候-大魚際掌紋的陰陽性識別準確率達到了92.5%;（2）數(shù)據(jù)挖掘的關(guān)鍵技術(shù)是構(gòu)建標準... 

【文章來源】：青島科技大學山東省

【文章頁數(shù)】：74 頁

【學位級別】：碩士

【部分圖文】：

論文的結(jié)構(gòu)安排Fig.1-1Structureofthethesis

用這些知識和規(guī)律建立用于決策的知識模型，從而提供疾的方法或者工具[28]，在海量的病案數(shù)據(jù)中發(fā)現(xiàn)模型與數(shù)據(jù)掘數(shù)據(jù)挖掘簡介代里，醫(yī)院信息管理系統(tǒng)（HIS）所產(chǎn)生的數(shù)據(jù)每分每秒挖掘技術(shù)是中醫(yī)哮喘病病案數(shù)據(jù)處理中最基礎(chǔ)也是最關(guān)鍵對海量的數(shù)據(jù)中的有用知識進行提取，屬于一種更先進的的來說，數(shù)據(jù)挖掘[29]就是一種知識發(fā)現(xiàn)，從海量的、隨機數(shù)據(jù)之間的規(guī)律，從而挖掘出有價值和有用的知識信息。關(guān)的算法和分析工具找到數(shù)據(jù)和模型之間的關(guān)系，然后進歸到真實的模型，主要目的就是從大型數(shù)據(jù)庫中“淘金”案數(shù)據(jù)挖掘的應用場景。

圖 2-2 數(shù)據(jù)挖掘的基本流程Fig.2-2 The basic procedure of data mining（1）制定業(yè)務對象：確定中醫(yī)病案數(shù)據(jù)集的來源；（2）數(shù)據(jù)準備：這一階段主要是根據(jù)用戶需求采樣目標數(shù)據(jù)，因為采樣的數(shù)據(jù)通常是有噪聲的、缺失的的甚至包含有不一致的數(shù)據(jù)。因此必須對數(shù)據(jù)挖掘中涉及的數(shù)據(jù)對象進行預處理。數(shù)據(jù)預處理還包括以下過程:A. 數(shù)據(jù)篩選過濾：利用數(shù)據(jù)篩選的方式可以從原始數(shù)據(jù)樣本中過濾掉無用的觀測值樣本；B. 數(shù)據(jù)變量轉(zhuǎn)換：數(shù)據(jù)變量的轉(zhuǎn)換是為了使數(shù)據(jù)集和構(gòu)建好的算法模型具有更好的擬合效果。首先根據(jù)需求將觀測值數(shù)據(jù)進行某個變量的轉(zhuǎn)換，隨后將轉(zhuǎn)換好的數(shù)值作為新的變量值存儲在樣本數(shù)據(jù)中；C. 缺失值處理：如果大量有用的信息丟失，樣本數(shù)據(jù)中所包含的不確定性因素就會更加明顯，這將對數(shù)據(jù)挖掘的過程產(chǎn)生不利的影響，造成不可靠的信息輸出。為了降低數(shù)據(jù)挖掘結(jié)果與實際應用之間的誤差，應采用特殊的方法對缺失

【參考文獻】：
期刊論文
[1]集成學習算法在中醫(yī)證型分類預測中的應用[J]. 張守賓,朱習軍.  計算機工程與科學. 2019(02)
[2]中醫(yī)證候模型的發(fā)展及意義[J]. 任汝靜,杜成成,李曉強,洪坤,尹婷,沈建英,譚余慶.  中國中醫(yī)藥信息雜志. 2018(12)
[3]一種基于YOLO算法的魚群檢測方法[J]. 沈軍宇,李林燕,夏振平,張艷寧,溫堯樂,胡伏原.  中國體視學與圖像分析. 2018(02)
[4]中醫(yī)辨證方法體系概述[J]. 宋美芳,侯雅靜,卞慶來,彭晨習,孫雪彬,陳家旭.  湖北中醫(yī)藥大學學報. 2018(03)
[5]咳嗽變異性哮喘中醫(yī)證治用藥規(guī)律數(shù)據(jù)挖掘分析[J]. 宋蘋,張溪,張忠德.  新中醫(yī). 2018(06)
[6]基于卷積神經(jīng)網(wǎng)絡(luò)多層特征提取的目標識別[J]. 江彤彤,成金勇,鹿文鵬.  計算機系統(tǒng)應用. 2017(12)
[7]基于改進深度置信網(wǎng)絡(luò)的大棚冬棗病蟲害預測模型[J]. 張善文,張傳雷,丁軍.  農(nóng)業(yè)工程學報. 2017(19)
[8]基于深度學習和醫(yī)學圖像的癌癥計算機輔助診斷研究進展[J]. 陳詩慧,劉維湘,秦璟,陳亮亮,賓果,周煜翔,汪天富,黃炳升.  生物醫(yī)學工程學雜志. 2017(02)
[9]BP改進算法在哮喘癥狀-證型分類預測中的應用[J]. 董國華,陳亞楠,朱習軍.  計算機工程與設(shè)計. 2017(01)
[10]基于Hadoop的中醫(yī)哮喘用藥組合關(guān)聯(lián)分析[J]. 陳亞楠,朱習軍.  計算機工程與應用. 2017(13)

碩士論文
[1]人工神經(jīng)網(wǎng)絡(luò)在中醫(yī)臨床辨證模型研究中的應用[D]. 辛基梁.福建中醫(yī)藥大學 2017



本文編號：3414222