鄰域信息HMM在個(gè)體疾病預(yù)測(cè)中的研究與應(yīng)用.pdf

1、疾病預(yù)防在當(dāng)代仍有重要意義。但是，一方面，現(xiàn)代中醫(yī)預(yù)測(cè)方法仍以基于經(jīng)驗(yàn)的人工預(yù)測(cè)為主，因此可信度和準(zhǔn)確度都較低;另一方面，個(gè)體疾病預(yù)測(cè)問(wèn)題具有高復(fù)雜度、小樣本、多先驗(yàn)的特點(diǎn)，因此單純的采用傳統(tǒng)的機(jī)器學(xué)習(xí)模型也難以取得較高的準(zhǔn)確度。所以，本文試圖結(jié)合中醫(yī)先驗(yàn)知識(shí)與機(jī)器學(xué)習(xí)預(yù)測(cè)方法對(duì)個(gè)體疾病預(yù)測(cè)問(wèn)題進(jìn)行建模。
　　中醫(yī)先驗(yàn)知識(shí)認(rèn)為疾病發(fā)生的主要原因是個(gè)體內(nèi)部狀態(tài)對(duì)于外部狀態(tài)變化的不適應(yīng)，其中外部狀態(tài)可以通過(guò)本地氣象反映，內(nèi)部狀態(tài)可以通

2、過(guò)個(gè)體經(jīng)絡(luò)反映。為了捕獲氣象的變化規(guī)律，本文著重于研究基于HMM的序列分類(lèi)方法。
　　現(xiàn)有的基于HMM的序列分類(lèi)方法存在速度與精度上的不足。因此本文基于鄰域相似則序列相似的猜想，提出了一種基于鄰域信息HMM的序列分類(lèi)方法。該方法首先將樣本序列所定義的有約束HMM空間轉(zhuǎn)換到無(wú)約束HMM空間，然后在標(biāo)準(zhǔn)HMM處提取鄰域信息，最后將所有鄰域信息導(dǎo)入到SVM中進(jìn)行分類(lèi)。在該方法的基礎(chǔ)上，本文又提出了兩種鄰域信息及其提取算法，即導(dǎo)數(shù)鄰域信息

3、和頻域鄰域信息。特別的，對(duì)于導(dǎo)數(shù)鄰域信息的提取，由于在離散HMM中存在相互約束的參數(shù)，求導(dǎo)往往采用近似方法，因此速度和精度都較差。為了解決該問(wèn)題，本文提出了一種基于無(wú)約束HMM空間的求導(dǎo)方法。實(shí)驗(yàn)結(jié)果表明了與其他現(xiàn)有的序列分類(lèi)方法相比，提出的基于鄰域信息HMM的序列分類(lèi)方法確實(shí)能較大的提高分類(lèi)的速度和精度。同時(shí)，實(shí)驗(yàn)結(jié)果驗(yàn)證了鄰域相似則序列相似猜想的正確性和基于該猜想設(shè)計(jì)出的兩種鄰域信息的有效性。除此之外，提出的序列分類(lèi)方法也具有很好的