基于复杂网络特征的临床分类分析方法研究

发布时间：2017-08-27 21:31

  本文关键词：基于复杂网络特征的临床分类分析方法研究

  更多相关文章： 证候网络 体征时间序列 可视图 多标签分类 链路预测

【摘要】：基于人类疾病表型的诊断分析是一个复杂判别决策问题,涉及到多种不同类型的数据及其相互之间的复杂交互关系。如体征时间序列数据是人类健康的一个重要数据资源,传统的基于时间序列分析的方法以发现局部的结构模式为主要目标,忽略了人体作为复杂系统所展现的整体信息规律和模式的发现,从而存在一定的局限性。而中医临床证候预测作为中医证候学研究的主要内容之一,是一个典型的多标签分类问题,多标签分类问题常用的标签拆分方式将证候看作独立的个体,而中医理论认为证候之间存在着复杂的联系。并且,证候辨证的主体是临床医生,辨证的过程受医生经验等因素的影响,在症状体征的获取上存在较多的主观性偏性从而导致症状数据存在严重的缺失问题。本文针对上述两方面的问题,采用基于复杂网络特征的机器学习方法进行探索,主要研究工作如下：(1)人体生理系统对体征的调节使体征时间序列数据呈现分形特性,且不同健康状态的系统的调节能力不同使体征时间序列的分形特性也不同。本文中利用复杂网络技术研究体征时间序列,采用可视图方法将体征时间序列数据进行网络化,将体征时间序列的网络特征作为属性,体征数据来源的人的健康状态作为类别,分析了和健康状态相关的主要网络特征。文中分析了标准心率时间序列数据和穿戴医疗设备希盟(CIM)采集的老年人体征数据,发现和健康相关的主要网络特征为图密度。(2)针对临床医生在辨证论治过程中存在的主观性问题,基于共现性原理,利用临床病例数据样本分别建立了症状关系网络和证候关系网络,在症状关系网络中,利用基于网络结构的DIAMOND算法进行了样本症状的扩展,利用基于网络结构传递的Prince算法和基于超图的模型进行了证候的预测。实验结果显示Prince和DIAMOND结合的算法具有较好的预测效果,Hamming Loss为0.0925,Ranking Loss为0.2018,基于超图的模型预测效果较差。这一结果表明症状关系和证候关系是证候预测问题需要考虑在内的因素。
【关键词】：证候网络 体征时间序列 可视图 多标签分类 链路预测
【学位授予单位】：北京交通大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：R241;O157.5
【目录】：

• 致谢5-6
• 摘要6-7
• ABSTRACT7-11
• 1 引言11-17
• 1.1 研究背景11-13
• 1.1.1 现代医学技术和社会健康问题11-12
• 1.1.2 大数据时代与物联网12-13
• 1.2 研究现状13-14
• 1.2.1 体征时间序列数据分析13
• 1.2.2 中医证候预测研究13-14
• 1.3 问题的提出和意义14-16
• 1.3.1 体征时间序列数据与中医症状关系14
• 1.3.2 辨证的主观性和证候关系14-16
• 1.4 本章小结16-17
• 2 中医临床数据挖掘方法17-29
• 2.1 复杂网络及网络特征17-19
• 2.1.1 度分布和幂律拟合17-18
• 2.1.2 网络特征18-19
• 2.2 时间序列数据分析19-23
• 2.2.1 多尺度熵19-21
• 2.2.2 可视图方法21-23
• 2.3 链路预测23-27
• 2.3.1 Prince链路预测24-25
• 2.3.2 基于超图模型的链路预测25-27
• 2.4 本章小结27-29
• 3 基于复杂网络特征的体征时间序列数据分类分析29-43
• 3.1 生理体征时间序列数据29-31
• 3.1.1 分形与体征时间序列数据29-30
• 3.1.2 体征时间序列网络化30-31
• 3.2 实验数据31-34
• 3.2.1 标准心率数据31-32
• 3.2.2 老年人体征时间序列数据32-34
• 3.3 体征时间序列数据分类分析及探讨34-42
• 3.3.1 基于可视图方法的标准心率时间序列数据分析34-37
• 3.3.2 基于可视图方法的老年人体征的分类分析37-39
• 3.3.3 基于多尺度熵的老年人体征时间序列数据分析39-42
• 3.4 本章小结42-43
• 4 基于复杂网络特征的中医证候预测43-58
• 4.1 中医辨证问题43-44
• 4.1.1 辨证问题的定义43
• 4.1.2 中医辨证的复杂性43-44
• 4.2 多标签分类44-47
• 4.2.1 多标签分类44-45
• 4.2.2 标签量的评价45-46
• 4.2.3 多标签分类评价指标46-47
• 4.2.4 多标签分类平台MULAN47
• 4.3 基于DIAMOND算法的症状扩展47-48
• 4.4 基于证候关系的证候预测48-50
• 4.4.1 基于Prince算法的证候预测48-49
• 4.4.2 基于超图模型的证候预测49-50
• 4.5 实验结果和分析50-57
• 4.5.1 Prince证候预测51-53
• 4.5.2 DIAMOND症状扩展和Prince证候预测53-55
• 4.5.3 超图模型证候预测55-57
• 4.6 本章小结57-58
• 5 结论与展望58-60
• 5.1 工作总结58
• 5.2 讨论与展望58-60
• 参考文献60-64
• 作者简历及攻读硕士学位期间取得的研究成果64-66
• 学位论文数据集66

【相似文献】

中国期刊全文数据库 前7条

1 胡平;周森;温春龙;;产业集群网络特征与创新活跃性的关系研究[J];中国科技论坛;2012年10期

2 王文超;丁彦蕊;陈t，

本文编号：745956