基于深度学习的小于胎龄儿疾病预测方法研究

发布时间：2021-03-30 06:02

　　小于胎龄儿疾病是新生儿中普遍存在的一种疾病。患有疾病的胎儿出生体重低于正常新生儿平均体重的两个标准差。在我国,尤其是在不发达地区,该疾病严重影响着胎儿的身体健康和心理健康。故研究者们一直在不断的探索小于胎龄儿的发病原因以尽量早的去干预疾病的发展,使得新生儿得到更有效的治疗。目前该疾病的预测都需要较为繁琐的医疗检测同时需要高昂的医疗设备,这对于发展中国家和地区来讲都是不容易实现的。在小于胎龄儿疾病预测问题上,研究者从最初单一体检指标的预测,再到综合多种检查结果的传统机器学习进行疾病预测,都无法很好的解决预测小于胎龄儿疾病耗时长,准确率不高的问题。随着科学技术的发展,深度学习已经成为疾病预测领域中最为有效的预测手段之一。深度学习可以有效的将底层特征抽象为高层特征,避免了传统机器学习需要人工构造特征的不准确,耗时等缺陷。但是研究者们还没有将深度学习应用到小于胎龄儿疾病预测当中。因此,本文提出基于深度学习的方法去预测小于胎龄儿疾病。本文首先利用降噪的自动编码器算法预测疾病。提出了一种改进的降噪自动编码器,通过此方法可以提高模型提取特征的鲁棒性和还原特征的能力,其中,改进的降噪自动编码器模型将父... 

【文章来源】：北京工业大学北京市 211工程院校

【文章页数】：73 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 引言
    1.2 小于胎龄儿概述和研究意义
    1.3 国内外研究现状
        1.3.1 国内研究现状
        1.3.2 国外研究现状
    1.4 研究内容
    1.5 论文结构
第2章 相关理论基础
    2.1 机器学习简介
    2.2 深度学习简介
        2.2.1 神经网络
        2.2.2 自动编码器
        2.2.3 卷积神经网络
        2.2.4 循环神经网络
    2.3 词向量
    2.4 本章小节
第3章 基于自动编码器的小于胎龄儿预测方法
    3.1 降噪自动编码器
    3.2 改进的降噪自动编码器
    3.3 实验设计和分析
        3.3.1 胎龄儿数据集
        3.3.2 小于胎龄儿判断依据
        3.3.3 数据清洗
        3.3.4 缺失值填补
        3.3.5 数据正规化
        3.3.6 模型的搭建
        3.3.7 模型评价标准
        3.3.8 实验分析
    3.4 本章小结
第4章 基于文本特征的小于胎龄儿预测方法
    4.1 文本特征构造
    4.2 基于多粒度的卷积神经网络的小于胎龄儿预测方法
    4.3 基于循环神经网络的小于胎龄儿预测方法
    4.4 实验结果
    4.5 本章小结
第5章 基于模型融合的小于胎龄儿预测方法
    5.1 模型融合
        5.1.1 投票融合
        5.1.2 Stacking
    5.2 实验设计及结果
        5.2.1 模型融合的有效性
        5.2.2 基于Stacking的第二层算法对比实验
        5.2.3 不同算法组合比较
        5.2.4 模型融合的上限
    5.3 本章小结
结论
参考文献
攻读硕士学位期间取得的研究成果
致谢


【参考文献】：
期刊论文
[1]中国免费孕前优生健康检查项目的设计、实施及意义[J]. 张世琨,王巧梅,沈海屏.  中华医学杂志. 2015 (03)
[2]小于胎龄儿的研究现况[J]. 祝捷,马军.  中国新生儿科杂志. 2012(01)
[3]早产儿视网膜病的影响因素[J]. 赵有为,傅万海.  实用儿科临床杂志. 2011(08)
[4]我国小于胎龄儿现状分析[J]. 王庆红,杨于嘉,魏克伦,杜立中.  中国实用儿科杂志. 2009(03)
[5]新生儿低血糖[J]. 段江,张传仓,封志纯.  中国小儿急救医学. 2009 (01)
[6]BP神经网络隐含层单元数的确定[J]. 沈花玉,王兆霞,高成耀,秦娟,姚福彬,徐巍.  天津理工大学学报. 2008(05)
[7]新生儿呼吸窘迫综合征[J]. 陈克正.  小儿急救医学. 2000(03)

博士论文
[1]小儿胎龄儿危险因素及其预测模型的研究[D]. 刘慧婷.北京协和医学院 2015

硕士论文
[1]孕早期母血胎盘生长因子和妊娠相关蛋白A对小于胎龄儿的预测作用研究[D]. 朱小明.安徽医科大学 2010



本文编号：3109003