脑卒中筛查数据的危险分级预测与建模

发布时间：2023-12-23 20:00

　　针对全国脑卒中筛查数据中存在的大量筛查数据未分级、数据利用率低与维护复杂等问题,通过以相关分类算法与数据仓库技术为基础进行研究,训练筛查数据危险级别预测模型并建立数据仓库维度模型,实现对脑卒中筛查数据的准确统计分析与高效利用,为脑卒中防治临床研究和医疗决策提供数据支持。为了解决由于医疗资源紧缺带来的筛查数据未分级的问题,提升危险分级数据分析的准确度,以全国脑卒中历史筛查数据为研究对象,提出了一种C5.0算法与BP神经网络算法组合的危险级别预测模型。首先通过分层抽样与过采样得到初始样本数据,采用特征划分高效的C5.0算法选择相关性较强的特征变量,并以此作为神经网络模型训练的初值,利用以高血压、糖尿病等8个主要相关特征变量的神经网络进行分类预测,有效提升多变量和缺失信息数据下的危险分类准确性。测试结果表明,C5.0-BP组合预测模型的总体分类准确率为93.68%,与当前中国卒中数据中心基于C4.5算法的分类模型相比提升了8.65%,中危和高危等级预测综合评价指标分别提升了37.5%和63%。该模型实现了较为精准的危险分级预测,对脑卒中疾病的预防与干预起到了促进作用。针对当前国家脑卒中防控数...

【文章页数】：65 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
1 绪论
    1.1 研究背景及意义
    1.2 研究现状及发展趋势
    1.3 研究内容及章节安排
2 脑卒中筛查数据特点分析
    2.1 国家脑卒中筛查项目
    2.2 脑卒中筛查档案的危险分级
    2.3 脑卒中筛查数据特点
    2.4 本章小结
3 脑卒中筛查数据的危险分级预测
    3.1 危险分级数据挖掘设计
        3.1.1 危险分级预测流程
        3.1.2 样本数据抽样方法
    3.2 基于决策树算法的危险分级预测
        3.2.1 决策树算法
        3.2.2 基于C5.0算法的分类模型
    3.3 基于BP神经网络算法的危险分级预测
        3.3.1 神经网络与逆差传播算法
        3.3.2 基于BP神经网络的分类模型
    3.4 基于特征划分的神经网络的危险分级预测
        3.4.1 一种改进的C5.0-BP学习模式
        3.4.2 C5.0-BP分类模型
        3.4.3 实验结果及评价
    3.5 本章小结
4 筛查数据仓库维度模型的设计与实现
    4.1 筛查数据仓库结构设计
        4.1.1 需求分析
        4.1.2 数据仓库维度模型结构
    4.2 筛查数据仓库维度模型设计
        4.2.1 分析主题与指标设计
        4.2.2 数据预处理
        4.2.3 维度模型逻辑结构
        4.2.4 维度模型展示过程
    4.3 数据仓库维度模型实现
        4.3.1 ETL过程实现
        4.3.2 数据仓库建模过程
        4.3.3 维度模型展示开发
    4.4 本章小结
5 筛查数据仓库维度模型的应用
    5.1 基本信息分析
    5.2 脑卒中危险级别分析
    5.3 危险因素相关性分析
    5.4 本章小结
6 总结与展望
    6.1 总结
    6.2 展望
致谢
参考文献
附录



本文编号：3874221