基于医疗信息系统的数据挖掘算法研究
发布时间：2021-10-17 07:32
随着科技的进步和发展,数据呈现爆炸式增长,如今的社会是快速发展的社会,也是数据社会,随着数据库技术的不断发展和普及,数据存储已经成为可能,海量的数据实现了存储,数据库转化为数据仓库。数据的存储已经不再成为问题,数据的分析和处理逐渐成为学者的研究对象,数据挖掘这门学科诞生。它是研究数据更高级的形式,海量的数据中有不完整,有噪声但是价值极高的数据,针对这些数据,数据挖掘这门学科进行高度智能化分析,通过归纳总结,发掘到数据间一抹的关联,数据挖掘研究两个方面的内容,第一个方面从数据中寻找有用信息,建立初步模型。第二个方面,随着数据的不断加入,可以改善数据挖掘的方法,改善新的模型。随着经济的发展,医疗技术得到了不断的发展,医学需要大量有效的信息和知识,帮助医生可以进行快速的诊治。目前医院已经实现了数字化系统,全世界成千上万的海量数据产生于这些数字系统。本文主要结合医院医疗信息系统使用现状,对数据挖掘技术开展了深刻的研究。主要内容有:一、分析了数据挖掘技术的国内外研究现状。二、研究医院信息系统的发展和体系机构,分析医院系统的主要缺陷。三、研究了数据挖掘技术的方法、流程和常用技术。四、重点研究了Ap...
【文章来源】：内蒙古科技大学内蒙古自治区
【文章页数】：60 页
【学位级别】：硕士
【部分图文】：
快速处理模型
内蒙古科技大学硕士学位论文具体方法如下：算法：Apriori使用根据候选生成的逐层迭代找出频繁项集。输入：数据库 D；最小支持度阈值 min_sup。输出：D 中的频繁项集 L，和它们的支持度。Apriori 算法的目的是通过设置支持度的阈值条件[46]，挖掘到满足条件的频基本思想是通过逐层迭代的策略，从第 k 层产生第k+1 层的候选项集，通次扫描来计算支持度，然后选择满足条件的k+1 层的项集，这样逐层迭代生满足条件的频繁项集[47]。利用 Apriori算法从交易数据库挖掘频繁项集的 所示，设置支持度阀值为在产生某一层候选项集的过程中，利用函数产生集。
return array得到结果如图 4.3 所示的布尔矩阵。图4.3 布尔矩阵图（3）经过上述几个步骤，已经得到适合 Apriori 算法需要格式的数据，基本的挖掘过程及代码如下所示。<1>获取频繁项集，通过组合循环的生成频繁项集，其中一维频繁项集不用生成，直接使用 self.columns。具体实现代码详见附录。<2>通过最小支持度对频繁项集进行修枝，关键代码如下：support_dict = {1: support[support >= min_support]}itemset_dict = {1: ary_col_idx[support >= min_support].reshape(-1, 1)}<3>将修枝后的频繁项集拼接成一个二维数组，数组的结构为：res_df.columns = ['support', 'itemsets']，具体代码详见附录。
【参考文献】：
期刊论文
[1]病案信息系统数据挖掘在医疗领域中的应用[J]. 王婷婷,吴奎业,杨超. 通讯世界. 2017(08)
[2]数据挖掘技术在医疗大数据中的应用研究[J]. 罗堃,代冕. 信息与电脑(理论版). 2016(06)
[3]医院信息管理系统的应用研究[J]. 刘泽松. 电脑知识与技术. 2016(03)
[4]医院信息管理系统中的数据技术探讨[J]. 刘阳. 中国新通信. 2016(03)
[5]基于分解事务矩阵的关联规则挖掘算法[J]. 胡维华,冯伟. 计算机应用. 2014(S2)
[6]医院信息数据挖掘及数据可视化[J]. 齐晨虹,高生鹏. 中国科技信息. 2014(22)
[7]基于决策矩阵的可信关联规则挖掘方法[J]. 黄治国,王淼. 计算机工程与设计. 2014(08)
[8]医疗大数据及其面临的机遇与挑战[J]. 张振,周毅,杜守洪,罗雪琼,梅甜. 医学信息学杂志. 2014(06)
[9]大数据时代中如何进行医疗数据挖掘与利用[J]. 吴汉华. 硅谷. 2014(05)
[10]大数据及其科学问题与方法的探讨[J]. 何非,何克清. 武汉大学学报(理学版). 2014(01)
博士论文
[1]时间序列数据分类、检索方法及应用研究[D]. 郑毅.中国科学技术大学 2015
[2]药物不良事件信息资源整合与数据挖掘研究[D]. 王丽伟.吉林大学 2014
[3]新生儿重症监护病房感染防治及早期预警的研究与探讨[D]. 周琦.复旦大学 2014
硕士论文
[1]数据挖掘技术在医疗保险领域的应用研究[D]. 余敏超.南昌大学 2016
[2]医院管理系统中数据挖掘的应用研究[D]. 张拭瑜.吉林大学 2015
[3]数据挖掘技术在医疗费用数据中的应用研究[D]. 张凯.北京邮电大学 2015
[4]基于遗传算法的数据挖掘在客户关系管理中的应用研究[D]. 刘桂桢.大连交通大学 2014
[5]数据挖掘中基于遗传算法的K-means聚类算法的研究及应用[D]. 赵松.浙江工业大学 2014
[6]海量医疗数据挖掘平台的研究与设计[D]. 闫茜.武汉理工大学 2014
[7]加权关联规则挖掘算法的研究与改进[D]. 万军.广西大学 2013
[8]一种改进的遗传算法在数据挖掘中的应用研究[D]. 苏成伟.合肥工业大学 2013
[9]关联规则中的Apriori算法的研究与改进[D]. 王伟.中国海洋大学 2012
本文编号：3441381
【文章来源】：内蒙古科技大学内蒙古自治区
【文章页数】：60 页
【学位级别】：硕士
【部分图文】：
快速处理模型
内蒙古科技大学硕士学位论文具体方法如下：算法：Apriori使用根据候选生成的逐层迭代找出频繁项集。输入：数据库 D；最小支持度阈值 min_sup。输出：D 中的频繁项集 L，和它们的支持度。Apriori 算法的目的是通过设置支持度的阈值条件[46]，挖掘到满足条件的频基本思想是通过逐层迭代的策略，从第 k 层产生第k+1 层的候选项集，通次扫描来计算支持度，然后选择满足条件的k+1 层的项集，这样逐层迭代生满足条件的频繁项集[47]。利用 Apriori算法从交易数据库挖掘频繁项集的 所示，设置支持度阀值为在产生某一层候选项集的过程中，利用函数产生集。
return array得到结果如图 4.3 所示的布尔矩阵。图4.3 布尔矩阵图（3）经过上述几个步骤，已经得到适合 Apriori 算法需要格式的数据，基本的挖掘过程及代码如下所示。<1>获取频繁项集，通过组合循环的生成频繁项集，其中一维频繁项集不用生成，直接使用 self.columns。具体实现代码详见附录。<2>通过最小支持度对频繁项集进行修枝，关键代码如下：support_dict = {1: support[support >= min_support]}itemset_dict = {1: ary_col_idx[support >= min_support].reshape(-1, 1)}<3>将修枝后的频繁项集拼接成一个二维数组，数组的结构为：res_df.columns = ['support', 'itemsets']，具体代码详见附录。
【参考文献】：
期刊论文
[1]病案信息系统数据挖掘在医疗领域中的应用[J]. 王婷婷,吴奎业,杨超. 通讯世界. 2017(08)
[2]数据挖掘技术在医疗大数据中的应用研究[J]. 罗堃,代冕. 信息与电脑(理论版). 2016(06)
[3]医院信息管理系统的应用研究[J]. 刘泽松. 电脑知识与技术. 2016(03)
[4]医院信息管理系统中的数据技术探讨[J]. 刘阳. 中国新通信. 2016(03)
[5]基于分解事务矩阵的关联规则挖掘算法[J]. 胡维华,冯伟. 计算机应用. 2014(S2)
[6]医院信息数据挖掘及数据可视化[J]. 齐晨虹,高生鹏. 中国科技信息. 2014(22)
[7]基于决策矩阵的可信关联规则挖掘方法[J]. 黄治国,王淼. 计算机工程与设计. 2014(08)
[8]医疗大数据及其面临的机遇与挑战[J]. 张振,周毅,杜守洪,罗雪琼,梅甜. 医学信息学杂志. 2014(06)
[9]大数据时代中如何进行医疗数据挖掘与利用[J]. 吴汉华. 硅谷. 2014(05)
[10]大数据及其科学问题与方法的探讨[J]. 何非,何克清. 武汉大学学报(理学版). 2014(01)
博士论文
[1]时间序列数据分类、检索方法及应用研究[D]. 郑毅.中国科学技术大学 2015
[2]药物不良事件信息资源整合与数据挖掘研究[D]. 王丽伟.吉林大学 2014
[3]新生儿重症监护病房感染防治及早期预警的研究与探讨[D]. 周琦.复旦大学 2014
硕士论文
[1]数据挖掘技术在医疗保险领域的应用研究[D]. 余敏超.南昌大学 2016
[2]医院管理系统中数据挖掘的应用研究[D]. 张拭瑜.吉林大学 2015
[3]数据挖掘技术在医疗费用数据中的应用研究[D]. 张凯.北京邮电大学 2015
[4]基于遗传算法的数据挖掘在客户关系管理中的应用研究[D]. 刘桂桢.大连交通大学 2014
[5]数据挖掘中基于遗传算法的K-means聚类算法的研究及应用[D]. 赵松.浙江工业大学 2014
[6]海量医疗数据挖掘平台的研究与设计[D]. 闫茜.武汉理工大学 2014
[7]加权关联规则挖掘算法的研究与改进[D]. 万军.广西大学 2013
[8]一种改进的遗传算法在数据挖掘中的应用研究[D]. 苏成伟.合肥工业大学 2013
[9]关联规则中的Apriori算法的研究与改进[D]. 王伟.中国海洋大学 2012
本文编号：3441381
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/3441381.html
