基于长短时记忆神经网络的脑血管疾病预测系统研究

发布时间：2020-08-28 11:19

　　脑血管疾病具有发病率高、致残率高、复发率高以及死亡率高的特点,目前该病患病人数和死亡率在各国都已经居于首位,脑血管病发病后,再发病的危险性是一般个体的9倍,复发率明显增加,这也强调了脑血管疾病的二级预防的重要性,所以脑血管疾病的预防研究成为目前医疗领域重点发展的方向。构建疾病预测模型是脑血管疾病预防的重要手段。在此背景下,为了进一步提高医疗水平,对脑血管疾病实现预防,论文中构建了脑血管疾病预测指标体系,结合长短时记忆(LSTM)神经网络对具有时序性特点的医疗数据的适用性,构建LSTM神经网络的疾病预测模型,实现脑血管疾病的复发风险等级预测。本文的主要研究内容如下:(1)新型诊疗模式和预测指标体系的构建。分析了目前脑血管疾病的诊疗模式以及存在的局限性,提出基于疾病预测的新型诊疗模式。在Essen等风险评分量表的基础上,提出一种基于领域粗糙集的前向贪心属性约简算法,建立了包含6个一级指标、18个二级指标的脑血管疾病预测指标体系。(2)脑血管疾病预测模型的构建。结合收集的脑血管疾病数据的时序性特点,基于LSTM神经网络建立脑血管疾病的预测模型,使用训练数据进行模型参数调整,采用Adam算法优化模型,最终完成模型构建。用测试数据评估模型性能,并将预测结果与支持向量机(SVM)预测模型结果对比,验证模型的有效性。(3)脑血管疾病预测系统的设计与实现。通过对系统功能、非功能需求分析和设计,完成疾病预测等主要功能模块的开发,实现LSTM预测模型在脑血管疾病预测系统中的应用,并提出预测系统的应用建议。本文使用领域粗糙集理论完成了预测指标的筛选,并将LSTM神经网络应用到脑血管疾病的风险等级预测中,实现了疾病的复发风险预测和个性化干预,降低了疾病的复发率和死亡率,为脑血管疾病预测提供了一种有效的方法。
【学位单位】：北京交通大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：R743;TP183
【部分图文】：

技术路线图

结构示意图,隐藏层,记忆单元,北京交通

逦北京交通大学硕士专业学位论文逦逡逑时的输入，ｓｔ表示记忆单元，是隐藏层第ｔ时间步时的状态，由上一步隐藏层的状逡逑态结合当前输入层的输出进行计算，ｓｔ＝ｆｔＵｘｔ＋Ｗｓｔ－：0，在公式中，ｆ表示非线性逡逑激活函数，ｙｔ表示第ｔ步的输出。逡逑－ｙ

结构图,隐藏层,神经网络,记忆单元

这三个门分别是输入门、遗忘门、输出门，它们都包含在ＬＳＴＭ神经网络的逡逑记忆单元中，通过调节门的开关可以实现初始序列对最后结果的影响，具体的逡逑ＬＳＴＭ的记忆单元的网络结构如图２－３所示，输入门控制新输入到记忆单元的强度，逡逑遗忘门控制记忆单元保持上一时间值的强度，输出门控制输出记忆单元的强度。逡逑图中ｉｔ表示输入门，ｆｔ表示遗忘门，0ｔ表示输出门，ｃｔ表示记忆单元的向量值，逡逑Ｓｉｇ表示Ｓｉｇｍｏｉｄ激活函数作为门函数，作用是通过记忆单元保持与上层特征的联逡逑系，增强记忆的时效性，输出０－１的数值，从而决定有多少信息可以输入到记忆单逡逑元，Ｉｎ－ｆ表示输入激发函数，通常为双曲正切函数即ｔａｎｈ函数，Ｏｕｔ－ｆ表示输出激逡逑发函数，通常也为ｔａｎｈ函数。逡逑１５逡逑

【参考文献】