基于多维特征和模型融合的血尿酸预测模型
发布时间：2021-11-28 01:30
最近几年,随着人工智能和大数据的发展,机器学习越来越多的被应用到医疗领域,我国也提出了医疗大数据的发展方向。论文通过数据挖掘,从数据的角度挖掘生理指标和血尿酸之间的内在联系,通过对血尿酸的分析和研究,对患者进行有效治疗指导和辅助医生进行诊断有着重要意义。论文从两方面提出了血尿酸预测模型:一方面是对多维特征进行提取,进行特征融合,另一方面是对传统单一模型进行改进。一方面,论文针对原始数据中涉及的多维特征进行分类再融合,首先将原始特征分为两类,分别是数字特征和文字特征。然后进而对数字特征进行分类,分为连续型数值特征和离散型特征。对于文字特征,论文提出基于Doc2vec神经网络模型来提取原始语料的文字特征,并对该文字特征进行单独训练,从而进行二次提取。最后将文字特征与处理好的数值型特征进行融合,得到完备的特征集组合。另一方面,论文的目标是提高模型的预测能力。单一的Boosting算法通过训练一个弱学习器,不断拟合残差来减小误差,这个过程使得偏差不断减小,同时方差变大,这就容易导致过拟合。因此论文提出Boosting和Stacking相结合的方法通过训练多个弱学习器来减小模型过拟合的风险,从而...
【文章来源】：天津大学天津市 211工程院校 985工程院校 教育部直属院校
【文章页数】：66 页
【学位级别】：硕士
【部分图文】：
神经元
第2章相关理论研究7第2章相关理论研究论文提出基于神经网络特征提取和多模型融合的血尿酸预测模型。该算法包括基于Doc2vec的多特征融合算法和基于Boosting和Stacking的多模型融合方法。因此本章介绍了关于神经网络的理论基础和传统的词向量表示方法。并介绍了常用的集成学习方法。2.1前向神经网络深度学习是一种神经网络，可以堆叠多个层，通过增加隐藏层的数量来提高模型的准确率。深度学习通过隐藏层将输入数据转换为更抽象的维度表示，并使用非线性结构深入发现数据之间的分布特征。通过计算隐藏层的权重矩阵，来探索数据和数据之间隐藏的复杂关系。前馈神经网络（BackProgration，BP）是比较早的神经网络模型，其他的神经网络，都是在BP神经网络的基础上，随后发展而来的。神经元中定义的函数能够输出最终结果。假设向量X是神经元的输入，执行操作函数f（一般为激活函数）。则神经元执行的操作如公式(2-1)所示。af(xwb)（2-1）其中w为参数向量，b为偏置，标量值。神经网络是由多个神经元组合而成，一个神经元和输出神经元的组合方式可以是一个简单的形式在网络，其特点是计算从输入层到输出层的权重。中间隐藏层没有循环，每层都完全连接。一个神经元如图2-1所示，一个简单的前向神经网络如图2-2所示。图2-1神经元图2-2前向神经网络
第3章基于Doc2vec的多特征融合算法21构建自定义词典分词：[/窦性/]/心率/不齐。3.2.6文本的向量特征提取论文在CBOW基础上提出D-cbow模型，如图3-2所示。图3-2D-cbow结构图原始CBOW模型为三层神经网络，论文通过构建四层神经网络，增强网络的表达性。例如，在text8训练得到“one”和“zero”的相似度为0.555，而在D-cbow模型上训练可以得到0.995的相似度，相似度大大提升。表达的语义也更加准确。从构造的单词向量构造句子向量，框架如图3-3所示。图3-3句子向量框架图如图3-3所示，通过构建的D-cbow构建准确的词向量，然后将词向量对应求和再求平均值，得到句子的向量。但是这样的方式构建的语句向量忽略了单词的词序联系。并不能表示句子中词序关系。因此，本文提出使用Doc2vec模型从文本中提取特征。
【参考文献】：
期刊论文
[1]基于分类树模型的高尿酸血症危险因素分析[J]. 胡梦妍,刘锦波,周春华,李新莉. 中国全科医学. 2018(03)
[2]基于数据挖掘的疾病预测模型的构建与分析[J]. 李奋华,赵润林. 现代计算机(专业版). 2016(18)
[3]高龄男性原发性高血压患者高尿酸血症患病率调查及相关因素分析[J]. 刘灿,黄雨晴,余雪菊,冯颖青. 中华老年心脑血管病杂志. 2016(03)
[4]血清低密度脂蛋白胆固醇水平与脑出血的相关性初探[J]. 王丹,黄芩,张丽,陶琦,韦焘. 昆明医科大学学报. 2015(03)
[5]汕头市妊娠期妇女血脂水平观察与分析[J]. 姚家勇. 检验医学与临床. 2011(19)
本文编号：3523421
【文章来源】：天津大学天津市 211工程院校 985工程院校 教育部直属院校
【文章页数】：66 页
【学位级别】：硕士
【部分图文】：
神经元
第2章相关理论研究7第2章相关理论研究论文提出基于神经网络特征提取和多模型融合的血尿酸预测模型。该算法包括基于Doc2vec的多特征融合算法和基于Boosting和Stacking的多模型融合方法。因此本章介绍了关于神经网络的理论基础和传统的词向量表示方法。并介绍了常用的集成学习方法。2.1前向神经网络深度学习是一种神经网络，可以堆叠多个层，通过增加隐藏层的数量来提高模型的准确率。深度学习通过隐藏层将输入数据转换为更抽象的维度表示，并使用非线性结构深入发现数据之间的分布特征。通过计算隐藏层的权重矩阵，来探索数据和数据之间隐藏的复杂关系。前馈神经网络（BackProgration，BP）是比较早的神经网络模型，其他的神经网络，都是在BP神经网络的基础上，随后发展而来的。神经元中定义的函数能够输出最终结果。假设向量X是神经元的输入，执行操作函数f（一般为激活函数）。则神经元执行的操作如公式(2-1)所示。af(xwb)（2-1）其中w为参数向量，b为偏置，标量值。神经网络是由多个神经元组合而成，一个神经元和输出神经元的组合方式可以是一个简单的形式在网络，其特点是计算从输入层到输出层的权重。中间隐藏层没有循环，每层都完全连接。一个神经元如图2-1所示，一个简单的前向神经网络如图2-2所示。图2-1神经元图2-2前向神经网络
第3章基于Doc2vec的多特征融合算法21构建自定义词典分词：[/窦性/]/心率/不齐。3.2.6文本的向量特征提取论文在CBOW基础上提出D-cbow模型，如图3-2所示。图3-2D-cbow结构图原始CBOW模型为三层神经网络，论文通过构建四层神经网络，增强网络的表达性。例如，在text8训练得到“one”和“zero”的相似度为0.555，而在D-cbow模型上训练可以得到0.995的相似度，相似度大大提升。表达的语义也更加准确。从构造的单词向量构造句子向量，框架如图3-3所示。图3-3句子向量框架图如图3-3所示，通过构建的D-cbow构建准确的词向量，然后将词向量对应求和再求平均值，得到句子的向量。但是这样的方式构建的语句向量忽略了单词的词序联系。并不能表示句子中词序关系。因此，本文提出使用Doc2vec模型从文本中提取特征。
【参考文献】：
期刊论文
[1]基于分类树模型的高尿酸血症危险因素分析[J]. 胡梦妍,刘锦波,周春华,李新莉. 中国全科医学. 2018(03)
[2]基于数据挖掘的疾病预测模型的构建与分析[J]. 李奋华,赵润林. 现代计算机(专业版). 2016(18)
[3]高龄男性原发性高血压患者高尿酸血症患病率调查及相关因素分析[J]. 刘灿,黄雨晴,余雪菊,冯颖青. 中华老年心脑血管病杂志. 2016(03)
[4]血清低密度脂蛋白胆固醇水平与脑出血的相关性初探[J]. 王丹,黄芩,张丽,陶琦,韦焘. 昆明医科大学学报. 2015(03)
[5]汕头市妊娠期妇女血脂水平观察与分析[J]. 姚家勇. 检验医学与临床. 2011(19)
本文编号：3523421
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3523421.html
