基于深度学习的老年人心脏健康分析与评估方法研究
发布时间：2022-01-20 00:12
随着国内人口老龄化的速度不断加快,老年人的健康问题得到越来越多的重视,已成为养老行业的最重要问题之一。心脏病作为一种对老年健康威胁最大的疾病,心脏健康问题成了当前研究的主要课题。然而在以往的研究中,大多数学者都是对心脏病的发病率进行预测,便于制定疾病预防策略,所使用的指标多数都是基于医学专家知识选择,很少有学者分析老年人整体健康度与其心脏状态之间的关联,事实上,人体的各组织之间的运行是相互联系、相互影响的,仅依靠专家知识选择属性进行心脏健康的分析远远不够,而且体征数据的不断变化也可能导致心脏状态发生变化,因此本文将从个人健康整体的角度出发,进行老年人心脏健康的相关研究。为了对老年人心脏健康分析与评估方法进行研究,本文首先建立老年人个人健康指数模型,根据老年人每年的体检指标估计其的整体健康度,其次提出衡量心脏健康相关的指标并构建心脏健康分析模型,研究心脏健康动态评估的方法,详细工作如下:针对老年人个人综合健康状态的问题,本文模拟数据挖掘流程建立个人健康指数模型。数据预处理部分提出基于RBM的缺失值填充方法,特征工程部分使用岭回归算法选择对结果影响较大的指标,使用人工神经网络算法对模型进行...
【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校
【文章页数】：74 页
【学位级别】：硕士
【部分图文】：
论文研究思路图
哈尔滨工业大学工学硕士学位论文-18-11xSigmoidwab(2-6)其中，Sigmoid表示激活函数，1w和1b分别表示相邻层不同神经元之间的权重和偏置矢量。激活函数目的是使得每层神经元的输出都是非线性的。Step3：个人健康特征提取之后进行分类，两种类别分别表示“健康状态”和“不健康状态”，为了能够更加直观的看出当前的个人健康程度，经过Softmax函数，它可以解决多分类问题，把多分类问题的模型预测结果以概率的形式展示，最终将个人健康指数的取值控制在[0,1]的范围。Step4：输出PHI预测结果，以概率的形式展示。图2-3个人健康特征提取模型2.3实验与分析本节将从实验数据集、实验设置以及个人健康指数模型的计算结果三个部分介绍，其中，老年人个人健康指数计算过程中的三个重要模块的结果也会详细展示，最后将利用本章的个人健康指数模型与传统的机器学习算法对实验结果进行对比分析。2.3.1实验设计（1）实验数据集
哈尔滨工业大学工学硕士学位论文-20-n表示所有样本个数。2.3.2实验结果分析（1）个人健康特征选择结果分析使用岭回归算法，通过不断调整参数，将选择的属性个数与对应准确率结果输出，最终ɑ的值设置为12，实验结果如图2-10所示。其中，横坐标是选择的属性个数，纵坐标是对结果的准确率，蓝色实线是得到的具体准确率，黄色虚线的拟合出一个准确率的变化趋势，如图2-4所示，随着选择的属性数目增多，准确率呈下降趋势，另一方面，为了防止过拟合，最终选择了前30个对预测结果影响较大的属性。图2-4属性选择数目与结果准确率其次，在使用岭回归算法选择30个属性之后，再次对数据集分析，发现有两个属性的缺失值达到了90%，但是对标签的预测结果影响很大，为了使结果更具真实性，在填充缺失值时，不对这两个属性构建模型，仅填充“0”，所以在填充模型训练时规定，缺失率大于20%的属性，直接用0填充，小于20%的属性才会为其构建模型。（2）PHI训练过程分析实验部分训练过程图如图2-5所示。随着迭代次数增大，损失函数的值逐渐降低，在迭代次数为25次时，损失值cost趋于稳定，函数逐渐收敛，cost值越小，表明个人健康指数预测结果越准确。具体准确率准确率变化趋
【参考文献】：
期刊论文
[1]心脏病可以加速大脑衰退[J]. 刘晓荻. 基础医学与临床. 2019(12)
[2]用于心律失常识别的LSTM和CNN并行组合模型[J]. 张异凡,黄亦翔,汪开正,刘成良. 哈尔滨工业大学学报. 2019(10)
[3]超声心动图检测正常人心脏指数及影响因素分析[J]. 葛升辉. 世界最新医学信息文摘. 2019(29)
[4]一种基于特征组合和卷积神经网络的心脏病预测新方法[J]. 王健,李孝虔. 黑龙江大学自然科学学报. 2019(01)
[5]基于聚类和XGboost算法的心脏病预测[J]. 刘宇,乔木. 计算机系统应用. 2019(01)
[6]基于残差神经网络的充血性心力衰竭识别方法[J]. 王露笛,周晓光. 科研信息化技术与应用. 2018(06)
[7]葛均波:大数据下的医疗质量控制提升策略,《中国心血管健康指数》告诉你[J]. 费菲,张清涵. 中国医药科学. 2018(21)
[8]中年男性体重指数和心肺耐力对心血管疾病发病风险的提示意义[J]. 谢婧军. 中西医结合心脑血管病杂志. 2018(19)
[9]老年冠心病病人心血管疾病危险因素分析[J]. 杨竹君,唐敏. 中西医结合心脑血管病杂志. 2018(20)
[10]基于深度信念网络的个人健康评估模型[J]. 张珣,何东阳. 软件导刊. 2018(10)
硕士论文
[1]基于CNN和LSTM结合的心律失常分类研究[D]. 梁小龙.西南大学 2019
本文编号：3597828
【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校
【文章页数】：74 页
【学位级别】：硕士
【部分图文】：
论文研究思路图
哈尔滨工业大学工学硕士学位论文-18-11xSigmoidwab(2-6)其中，Sigmoid表示激活函数，1w和1b分别表示相邻层不同神经元之间的权重和偏置矢量。激活函数目的是使得每层神经元的输出都是非线性的。Step3：个人健康特征提取之后进行分类，两种类别分别表示“健康状态”和“不健康状态”，为了能够更加直观的看出当前的个人健康程度，经过Softmax函数，它可以解决多分类问题，把多分类问题的模型预测结果以概率的形式展示，最终将个人健康指数的取值控制在[0,1]的范围。Step4：输出PHI预测结果，以概率的形式展示。图2-3个人健康特征提取模型2.3实验与分析本节将从实验数据集、实验设置以及个人健康指数模型的计算结果三个部分介绍，其中，老年人个人健康指数计算过程中的三个重要模块的结果也会详细展示，最后将利用本章的个人健康指数模型与传统的机器学习算法对实验结果进行对比分析。2.3.1实验设计（1）实验数据集
哈尔滨工业大学工学硕士学位论文-20-n表示所有样本个数。2.3.2实验结果分析（1）个人健康特征选择结果分析使用岭回归算法，通过不断调整参数，将选择的属性个数与对应准确率结果输出，最终ɑ的值设置为12，实验结果如图2-10所示。其中，横坐标是选择的属性个数，纵坐标是对结果的准确率，蓝色实线是得到的具体准确率，黄色虚线的拟合出一个准确率的变化趋势，如图2-4所示，随着选择的属性数目增多，准确率呈下降趋势，另一方面，为了防止过拟合，最终选择了前30个对预测结果影响较大的属性。图2-4属性选择数目与结果准确率其次，在使用岭回归算法选择30个属性之后，再次对数据集分析，发现有两个属性的缺失值达到了90%，但是对标签的预测结果影响很大，为了使结果更具真实性，在填充缺失值时，不对这两个属性构建模型，仅填充“0”，所以在填充模型训练时规定，缺失率大于20%的属性，直接用0填充，小于20%的属性才会为其构建模型。（2）PHI训练过程分析实验部分训练过程图如图2-5所示。随着迭代次数增大，损失函数的值逐渐降低，在迭代次数为25次时，损失值cost趋于稳定，函数逐渐收敛，cost值越小，表明个人健康指数预测结果越准确。具体准确率准确率变化趋
【参考文献】：
期刊论文
[1]心脏病可以加速大脑衰退[J]. 刘晓荻. 基础医学与临床. 2019(12)
[2]用于心律失常识别的LSTM和CNN并行组合模型[J]. 张异凡,黄亦翔,汪开正,刘成良. 哈尔滨工业大学学报. 2019(10)
[3]超声心动图检测正常人心脏指数及影响因素分析[J]. 葛升辉. 世界最新医学信息文摘. 2019(29)
[4]一种基于特征组合和卷积神经网络的心脏病预测新方法[J]. 王健,李孝虔. 黑龙江大学自然科学学报. 2019(01)
[5]基于聚类和XGboost算法的心脏病预测[J]. 刘宇,乔木. 计算机系统应用. 2019(01)
[6]基于残差神经网络的充血性心力衰竭识别方法[J]. 王露笛,周晓光. 科研信息化技术与应用. 2018(06)
[7]葛均波:大数据下的医疗质量控制提升策略,《中国心血管健康指数》告诉你[J]. 费菲,张清涵. 中国医药科学. 2018(21)
[8]中年男性体重指数和心肺耐力对心血管疾病发病风险的提示意义[J]. 谢婧军. 中西医结合心脑血管病杂志. 2018(19)
[9]老年冠心病病人心血管疾病危险因素分析[J]. 杨竹君,唐敏. 中西医结合心脑血管病杂志. 2018(20)
[10]基于深度信念网络的个人健康评估模型[J]. 张珣,何东阳. 软件导刊. 2018(10)
硕士论文
[1]基于CNN和LSTM结合的心律失常分类研究[D]. 梁小龙.西南大学 2019
本文编号：3597828
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3597828.html
