隨著生活水平不斷的提高,人們對母嬰健康的關注度與日俱增,與此同時針對母嬰健康監(jiān)護的研究有了迅猛發(fā)展。醫(yī)學測量儀器技術的提高使得大量孕婦和胎兒體征信息可以被準確地記錄下來,尤其隨著智慧母嬰健康監(jiān)護信息系統(tǒng)在各大醫(yī)院逐漸投入使用,醫(yī)院數(shù)據(jù)庫中存儲的孕婦真實體檢數(shù)據(jù)越來越多。建立醫(yī)療數(shù)據(jù)庫可以從這些海量的數(shù)據(jù)集中運用各種數(shù)據(jù)挖掘技術建立胎兒健康預測模型,初步判斷胎兒的健康情況,并將診斷結果實時的傳輸?shù)皆贫藬?shù)據(jù)庫,最后將檢查結果通過網(wǎng)絡發(fā)送到用戶手機上,讓用戶能夠?qū)崟r的了解腹中胎兒的健康情況。如若發(fā)現(xiàn)胎兒存在異常,及時尋求醫(yī)生幫助,為營救胎兒爭取寶貴的時間。本文主要研究數(shù)據(jù)挖掘算法在孕婦及胎兒體征信息分析中的應用,其中包括云平臺的搭建、收集孕婦和胎兒的體征信息數(shù)據(jù)、提取孕婦體檢檢查項目、建立數(shù)據(jù)庫存儲模型以及胎兒健康預測模型,最后建立胎兒體征數(shù)據(jù)挖掘系統(tǒng)。論文主要工作如下:(1)在數(shù)據(jù)準備階段,首先通過去醫(yī)院向醫(yī)生咨詢,確定可以通過哪些檢查項目判斷胎兒的健康情況,并將這些檢查項目匯總,設計電子檔案存儲結構,建立孕婦檔案數(shù)據(jù)存儲模型,并將數(shù)據(jù)存儲到云端數(shù)據(jù)庫;(2)數(shù)據(jù)預處理階段,首先對收集的孕婦臨床數(shù)據(jù)進行初步規(guī)范量化,然后采用遺傳算法屬性約簡的優(yōu)點提取能夠判斷胎兒健康情況的主要檢查項目,期間通過實例展示了遺傳算法的運行過程,為下一步胎兒體征信息數(shù)據(jù)挖掘做準備;(3)在數(shù)據(jù)挖掘階段,通過實例分析了BP算法的運行過程,并針對BP算法的預測精度低、收斂速度慢等自身的不足,采用遺傳算法與改進后的BP神經(jīng)網(wǎng)絡算法相結合的GABP算法,利用遺傳算法尋優(yōu)的優(yōu)勢對特征屬性進行約簡,將約簡后的屬性特征作為改進后的BP神經(jīng)網(wǎng)絡的輸入,簡化BP神經(jīng)網(wǎng)絡結構模型。對比約簡前的BP神經(jīng)網(wǎng)絡算法與屬性約簡后的BP算法對胎兒診斷模型的準確率以及訓練時間;(4)最后設計實現(xiàn)集孕婦檔案管理數(shù)據(jù)庫(增刪改查)與胎兒健康預測分類于一體的孕婦及胎兒體征數(shù)據(jù)挖掘系統(tǒng)。
【學位單位】：杭州電子科技大學
【學位級別】：碩士
【學位年份】：2018
【中圖分類】：R714.5;TP311.13
【部分圖文】：

據(jù)以某婦產(chǎn)科醫(yī)院實際采集的孕婦體檢數(shù)據(jù)為基礎，其中包括 7根據(jù)孕周的不同將數(shù)據(jù)進行分類，采集的數(shù)據(jù)主要集中在孕周為 條數(shù)據(jù)中有 102 條數(shù)據(jù)的醫(yī)院檢測結果為正常胎兒，有 48 條數(shù)據(jù)個數(shù)據(jù)樣本包括孕婦的孕周、身高、體重、宮高、血壓（高、低心監(jiān)護、羊膜鏡檢查結果、血常規(guī)中 24 項生理指標、尿常規(guī)中標、肝功能腎功能等指標來判斷胎兒的實際情況。在本項實驗中，100 個數(shù)據(jù)做為神經(jīng)網(wǎng)絡訓練集（其中包括胎兒正常的樣本 68 個下的 50 個樣本做為神經(jīng)網(wǎng)絡的測試集（其中，胎兒正常樣本為 具體選取情況如表 4.3 所示。表 4.3 樣本統(tǒng)計表總數(shù)： 150 胎兒健康： 102 胎兒異常： 樣本總數(shù) 100 胎兒健康： 68 胎兒異常： 樣本總數(shù) 50 胎兒健康： 34 胎兒異常： 首先運用 BP 神經(jīng)網(wǎng)絡進行學習計算，初始 BP 網(wǎng)絡模型根據(jù)樣本果的個數(shù)設置為 65-33-1 的三層結構。隱含層個數(shù)的設置利用綜

杭州電子科技大學碩士學位論文數(shù)取對數(shù)之后在加 1 進行設置，最后將隱含層設置為 33 個箱中的神經(jīng)網(wǎng)絡函數(shù)，設置網(wǎng)絡的學習訓練目標為 0.0001，T=1層的傳輸函數(shù)采用 tansig 函數(shù)和 purekin 函數(shù)，利用 trainlm 作為為默認值。將優(yōu)化前的 65 項特征屬性利用 GA 算法進行約簡計算，并將優(yōu)化 神經(jīng)網(wǎng)絡的輸入進行學習，優(yōu)化后的特征屬性為 36 項，決策屬性調(diào)整為 1E-10，其他參數(shù)保持不變。GA 算法優(yōu)化后的神經(jīng)網(wǎng)絡結

為 胎兒健康 。圖 4.9 BP 模型分類結果圖 4.9 為 GABP 模型的分類結果，其中 O 表示實際醫(yī)院的檢測結果，*表示 GABP 算法的預測結果。其中 1 1 表示醫(yī)院和算法預測的結果相同，都表示胎兒正常。0 0 表示醫(yī)院和算法預測的結果也相同，但是胎兒為異常。1 0 和 0 1 表示醫(yī)院和算法預測的結果不同，則證明GABP 算法分類錯誤。最終將胎兒健康預測模型的分類結果總結為以下四種情況，如表 4.4所示。
【參考文獻】

相關期刊論文 前10條

1 朱習軍;陳亞楠;董國華;;Apriori改進算法在哮喘病案數(shù)據(jù)挖掘中的應用[J];徐州工程學院學報(自然科學版);2015年03期

2 張會敏;葉明全;孟婷瑋;陳玥珠;;遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡的老年癡呆癥智能診斷[J];中國數(shù)字醫(yī)學;2014年07期

3 王春雨;王立準;魏瑜帥;;數(shù)據(jù)挖掘在結構化電子病歷中的應用[J];醫(yī)學信息學雜志;2014年03期

4 劉羿;陳寶鋼;;數(shù)據(jù)挖掘的應用及優(yōu)化淺析[J];電子商務;2014年03期

5 施俊華;葉保留;李朝品;;BP神經(jīng)網(wǎng)絡的醫(yī)學數(shù)據(jù)挖掘[J];計算機與現(xiàn)代化;2013年03期

6 朱晨杰;楊永麗;;基于MapReduce的BP神經(jīng)網(wǎng)絡算法研究[J];微型電腦應用;2012年10期

7 汪菊琴;;醫(yī)學數(shù)據(jù)挖掘綜述[J];電腦知識與技術;2011年15期

8 馮鋒;徐琪;;基于神經(jīng)網(wǎng)絡模式的遺傳算法在CRM的數(shù)據(jù)挖掘優(yōu)化研究[J];黑龍江大學自然科學學報;2010年06期

9 陳功;范曉薇;蔣萌;鄒建東;沈?qū)m建;姜險峰;;數(shù)據(jù)挖掘與醫(yī)學數(shù)據(jù)資源開發(fā)利用[J];北京生物醫(yī)學工程;2010年03期

10 吳學工;李桂霞;;醫(yī)學數(shù)據(jù)挖掘及其隱私保護的研究[J];河北醫(yī)科大學學報;2009年09期

相關碩士學位論文 前8條

1 董國華;基于數(shù)據(jù)挖掘的中醫(yī)診斷智能信息化技術研究[D];青島科技大學;2015年

2 黃新安;胎兒心率檢測算法的研究[D];江南大學;2015年

3 方洪鷹;數(shù)據(jù)挖掘中數(shù)據(jù)預處理的方法研究[D];西南大學;2009年

4 王銀年;遺傳算法的研究與應用[D];江南大學;2009年

5 彭海強;基于智能算法的醫(yī)學數(shù)據(jù)挖掘[D];北京交通大學;2009年

6 李保洋;特征選擇在中醫(yī)數(shù)據(jù)挖掘中的應用研究[D];北京交通大學;2008年

7 王魯;基于遺傳算法的多目標優(yōu)化算法研究[D];武漢理工大學;2006年

8 蔣良孝;基于神經(jīng)網(wǎng)絡的醫(yī)療數(shù)據(jù)挖掘研究[D];中國地質(zhì)大學;2004年

本文編號：2864850