医疗健康数据特征学习模型研究

摘要

医疗领域大数据应用是国家大数据战略布局中的一部分，同时也关系到全民健康的发展。医疗健康数据具有持续快速增长、多模态、复杂性等特点，其分析和应用面临巨大的挑战。如何及时准确地采集和获取数据，如何高效地、可靠地在高速网络环境中传输数字信息、图像信息、语音信息，如何运用人工智能技术从医疗大数据中挖掘出有用的信息，开发出方便广大医务人员和民众使用的智能化应用，是目前医疗数据应用和分析中面临的主要挑战。
　　针对从医疗健康数据中挖掘信息和开发智能化应用相关问题，研究了多模态医疗健康数据特征表示学习相关内容，提出了几种特征学习模型，应用于疾病风险评估中。针对如何为智能化医疗应用提供完善的大数据服务，提出了云端融合系统半实物仿真的方法。主要贡献如下：
　　（1）在医疗文本特征学习方面，提出了基于卷积神经网络的医疗文本特征学习模型。将深度学习文本分析技术应用于疾病风险评估应用中，文本数据特征表示采用深度学习方法，不同疾病特征的学习和提取使用相同的方法，实现了模型的通用性。为了减少模型中文本数据特征对数据的强依赖性，增加了医疗专业人员设计的结构化特征，提出医疗文本数据特征与结构化数据特征融合的模型。实验结果验证了模型的有效性、通用性和稳定性。
　　（2）在多维数据特征学习方面，提出张量卷积自编码神经网络模型。多维医疗影像数据，对于普通的图像数据来说，其像素空间位置关系包含更多信息。在卷积自编码神经网络中使用张量计算，从向量空间应用延伸至张量空间应用。使用张量距离作为误差函数，有效利用数据在张量空间的位置特征。提出的模型用于肺部CT（Computed Tomography）图像肺结节风险评估和相似结节检索，验证了模型的有效性。
　　（3）在时间序列数据特征学习方面，提出了多通道卷积自编码神经网络。分析疲劳和情感异常之间的联系，定义了情绪疲劳的概念。使用提出的多通道卷积神经网络学习ECG（Electroardiogram）数据特征，使用卷积自编码神经网络学习面部图像数据特征，这两种特征和采集的生理数据融合进行情绪疲劳检测。建立多模态数据特征融合的情绪疲劳检测演示平台，实现数据采集、情绪疲劳检测和情感反馈功能。对情绪疲劳检测平台进行了测试，验证了提出的模型可用于时间序列数据特征学习。
　　（4）在大数据为智能化医疗应用提供服务方面，提出了云端融合半实物仿真模型。智能化医疗应用中，数据呈现多样性和复杂性的特点，为了研究如何构建灵活的网络架构、提供安全有效的数据传输，搭建了云端融合半实物仿真模型。模型为建设真实的云端融合系统提供了技术支持和参考。

目录

声明

1绪论

1.1研究背景

1.2相关研究

1.3研究内容和目标

1.4论文组织结构

2基于卷积神经网络的医疗文本特征学习模型

2.2医疗文本特征学习卷积神经网络结构

2.3医疗文本数据疾病风险评估模型

2.4医疗文本数据疾病风险评估实验及结果

2.5多模态医疗数据特征学习卷积神经网络模型

2.6多模态医疗数据疾病风险评估实验及结果

3基于张量卷积自编码的CT图像特征学习模型

3.2图像特征学习张量卷积自编码神经网络

3.3实验及结果

3.4实验及结果

3.5本章小结

4面向情绪疲劳检测的深度学习模型

4.2卷积自编码神经网络

4.3多通道卷积自编码神经网络

4.4基于云的情绪疲劳检测系统结构

4.5多模态数据情绪疲劳检测

4.6测试和结果

4.7本章小结

5面向医疗大数据云端融合的半实物仿真模型

5.1医疗大数据云端融合系统

5.2面向医疗数据流转的半实物仿真模型

5.3本章小结

6总结和展望

6.2研究展望

致谢

参考文献

附录1 攻读博士学位期间发表的学术论文目录

附录2 攻读博士学位期间参与的科研课题