2023年全國(guó)碩士研究生考試考研英語(yǔ)一試題真題(含答案詳解+作文范文)_第1頁(yè)
已閱讀1頁(yè),還剩111頁(yè)未讀, 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說(shuō)明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡(jiǎn)介

1、隨著醫(yī)療診斷技術(shù)的發(fā)展,各個(gè)醫(yī)療部門積累了大量醫(yī)療診斷信息,如病人的醫(yī)學(xué)影像資料、生理生化指標(biāo)、生物信息學(xué)指標(biāo)、病人背景資料等,這些數(shù)據(jù)資料背后隱藏著很多有可能成為臨床輔助診斷依據(jù)的重要信息,因此有必要利用相關(guān)技術(shù)對(duì)這些重要信息進(jìn)行分析處理。 數(shù)據(jù)挖掘是廣泛應(yīng)用于醫(yī)療診斷數(shù)據(jù)分析處理的技術(shù)之一,采用數(shù)據(jù)挖掘技術(shù)可以通過(guò)對(duì)患者資料數(shù)據(jù)庫(kù)中大量歷史數(shù)據(jù)的處理,挖掘出有價(jià)值的診斷規(guī)則,從而依據(jù)患者的年齡、性別、生活習(xí)性、輔助檢查結(jié)果、

2、生化指標(biāo)等做出判斷,排除人為因素的干擾,客觀性強(qiáng),得到的診斷規(guī)則有著較好的普遍性。 本文以數(shù)據(jù)挖掘技術(shù)為基礎(chǔ),以激光誘導(dǎo)自體熒光大腸早癌診斷數(shù)據(jù)為載體,通過(guò)分析診斷數(shù)據(jù)特征,從數(shù)據(jù)預(yù)處理、訓(xùn)練數(shù)據(jù)集的形成以及分類預(yù)測(cè)方法三個(gè)方面,對(duì)大腸早癌診斷數(shù)據(jù)進(jìn)行深入分析研究,形成激光誘導(dǎo)大腸早癌輔助診斷系統(tǒng),為臨床醫(yī)生提供輔助診斷的手段。 本文首先分析了激光誘導(dǎo)自體熒光診斷大腸早癌的機(jī)理、特點(diǎn)、研究意義,根據(jù)醫(yī)療診斷數(shù)據(jù)特征,提出

3、了激光誘導(dǎo)自體熒光大腸早癌輔助診斷數(shù)據(jù)分析處理流程,并對(duì)各部分進(jìn)行了分析,著重闡述光譜數(shù)據(jù)采集系統(tǒng)組成以及光譜數(shù)據(jù)的采集方法,同時(shí)進(jìn)行了濾除高頻電子噪音,剔除光譜基線、截取有效帶寬信號(hào)以及歸一化熒光光譜的數(shù)據(jù)除噪處理。 面向不完整的大腸早癌熒光數(shù)據(jù),通過(guò)分析比較特征提取方法,本文提出基于容錯(cuò)關(guān)系的信息熵粗糙集主成分分析算法,容錯(cuò)關(guān)系粗糙集較之傳統(tǒng)粗糙集能滿足診斷數(shù)據(jù)的不完備性,同時(shí)引入隨信息量減小而單調(diào)下降的信息熵,在此基礎(chǔ)上提

4、出屬性約簡(jiǎn)方法,對(duì)光譜數(shù)據(jù)進(jìn)行屬性約減,并利用主成分分析算法進(jìn)行進(jìn)一步的特征屬性提取。通過(guò)該算法,提取了影響大腸早癌診斷的特征數(shù)據(jù),降低數(shù)據(jù)維度,減少后續(xù)數(shù)據(jù)處理的復(fù)雜度。 由于醫(yī)療診斷數(shù)據(jù)中多為混合數(shù)據(jù)的特性,通過(guò)分析現(xiàn)有混合數(shù)據(jù)聚類算法,本文提出了基于格論的混合數(shù)據(jù)聚類算法。利用格進(jìn)行數(shù)據(jù)分布以消除數(shù)值型屬性和符號(hào)屬性的分布差別,利用數(shù)據(jù)間格的涵蓋數(shù)目來(lái)進(jìn)行聚類計(jì)算,因此該算法在進(jìn)行混合數(shù)據(jù)處理時(shí)不再需要進(jìn)行數(shù)據(jù)轉(zhuǎn)換。針對(duì)算

5、法中的參數(shù),即初始聚類數(shù)目和中心點(diǎn)的選取進(jìn)行了優(yōu)化分析,其中初始聚類數(shù)目利用遺傳算法進(jìn)行優(yōu)化,獲得初始聚類數(shù)目的取值空間;同時(shí)對(duì)中心點(diǎn)的選取進(jìn)行了優(yōu)化說(shuō)明,同時(shí)對(duì)算法性能進(jìn)行了分析。以形成的聚類數(shù)據(jù)集為基礎(chǔ),利用均值方差法和熒光強(qiáng)度比值判別法進(jìn)行數(shù)據(jù)特征的提取,得到正常組織和癌癥組織的分類特征,為分類判別提供依據(jù)。 針對(duì)醫(yī)療診斷數(shù)據(jù)中實(shí)時(shí)性要求,通過(guò)分析所采用的分類算法性能,發(fā)現(xiàn)該分類算法存在著大量重復(fù)計(jì)算,因此算法復(fù)雜度和算法

6、的空間復(fù)雜度比較高。為解決這一問(wèn)題,本文提出了基于檢索樹結(jié)構(gòu)的處理方法,通過(guò)構(gòu)建檢索樹,將多數(shù)重復(fù)計(jì)算節(jié)點(diǎn)構(gòu)建在檢索樹的高層,無(wú)重復(fù)節(jié)點(diǎn)建立在檢索樹的下層,以此來(lái)降低算法的重復(fù)計(jì)算,有效地降低了算法復(fù)雜度以及空間復(fù)雜度,以滿足診斷實(shí)時(shí)性要求。 針對(duì)醫(yī)療診斷數(shù)據(jù)中的不平衡性,在分析了非平衡數(shù)據(jù)分布特征以及當(dāng)前的非平衡數(shù)據(jù)處理方法后,利用樣本處理技術(shù),本文提出了全局密度非平衡數(shù)據(jù)分類,μ-密度非平衡數(shù)據(jù)分類方法以及邊界樣本局部密度的

7、非平衡數(shù)據(jù)分類方法,全局密度非平衡數(shù)據(jù)分類方法以各自類別的樣本為基礎(chǔ)進(jìn)行綜合平均,這種方法有利于稀疏數(shù)據(jù)的分類而降低密集數(shù)據(jù)分類有效性;μ-密度非平衡數(shù)據(jù)分類方法通過(guò)代價(jià)敏感方法,分析樣本分類正確性代價(jià),得到合適的μ值進(jìn)行樣本數(shù)據(jù)的選取,以提高非平衡數(shù)據(jù)分類有效性;邊界樣本局部密度的非平衡數(shù)據(jù)分類方法著重分析處于非平衡數(shù)據(jù)集中的邊界樣本數(shù)據(jù),通過(guò)多種方法進(jìn)行邊界數(shù)據(jù)的分類,同時(shí)對(duì)算法中的相關(guān)參數(shù)進(jìn)行分析。這三種算法都是通過(guò)樣本數(shù)據(jù)選擇,

溫馨提示

  • 1. 本站所有資源如無(wú)特殊說(shuō)明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒(méi)有圖紙預(yù)覽就沒(méi)有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。

最新文檔

評(píng)論

0/150

提交評(píng)論