贝叶斯网络在老年人普适健康监测服务中的应用研究

摘要

伴随着生活水平的改善，人们对身体健康的重视程度也逐渐提高。普适计算技术和信息化手段可以为人们“适时适地”地提供普遍适用的医疗服务与健康服务。为老年人以及患有多种慢性疾病的高风险病人提供的普适健康监测服务，充分利用了已有的医疗资源，大大减少了不必要的开销。为了提高普适健康监测服务的护理质量，医疗人员需要分析医疗信息系统提供的丰富数据，以便及时发现知识，做出明智的决策。然而，医疗诊断涉及许多不确定性，借助普适健康监测系统进行医学决策充满了困难，如何明确地表示这种不确定性成为了普适健康监测应用中的研究热点和难点。
　　本文考虑到医疗数据的特殊性，以心脏病数据为研究对象，采用贝叶斯网络进行处理，构建一个智能概率模型来诊断疾病。首先，本文提出了一种完全从观测数据中学习网络节点顺序的方法，克服了传统算法需要领域专家给定网络中的节点顺序的限制。然后，本文引入了并行优化来进一步提高在数据量大的情况下建立诊断分析模型的速度。接着，论文详细陈述了包括数据预处理在内的整个建模过程。另外，针对单个分类器的不足，本文提出了一种综合考虑分类器准确性和多样性的集成方法来提高分类器的泛化能力。最后，实验证明本文提出的几个方法在一定程度上提高了贝叶斯网络建模的准确率并且缩短了建模的时间。

目录

声明

摘要

1 绪论

1．1 引言

1．2 论文研究背景及意义

1．3 国内外研究现状

1．3．1 数据挖掘技术在医疗诊断中的应用

1．3．2 贝叶斯网络的研究现状

1．3．3 集成模型的研究现状

1．4 课题研究内容

1．5 本文的结构内容安排

2 相关技术

2．1 贝叶斯网络基本概念

2．1．1 贝叶斯网络的理论基础

2．1．2 贝叶斯网络的结构学习

2．1．3 贝叶斯网络的参数学习

2．1．4 贝叶斯网络的推理

2．2 几种常见的贝叶斯网络分类模型

2．2．1 NB模型

2．2．2 TAN模型

2．2．3 BN模型

2．3 Matlab并行计算

2．3．1 Matlab并行计算工具箱

2．3．2 Matlab分布式计算服务器

2．4 分类器集成

2．4．1 不同种类的基分类器

2．4．2 有代表性的集成方式

2．4．3 集成分类器产生方法

2．5 本章小结

3 心脏病诊断贝叶斯网络模型的构建

3．1 相关定义

3．2 基于贝叶斯网络的算法设计

3．2．1 算法描述

3．2．2 算法分析

3．3 心脏病诊断模型的建立

3．3．1 数据来源

3．3．2 数据预处理

3．4 心脏病诊断模型的建立流程

3．5 本章小结

4 分类器集成的数据融合方法

4．1 分类器集成模型

4．2 基分类器的生成

4．2．1 基分类器生成方式

4．2．2 基分类器生成算法

4．3 基分类器的选择和集成

4．3．1 集成分类器选择

4．3．2 基分类器的集成

4．4 本章小结

5 实验分析

5．1 实验设计

5．1．1 系统原型

5．1．2 实验环境

5．1．3 实验数据

5．1．4 评估标准

5．2 贝叶斯网络结构学习算法实验验证

5．2．1 Init_Order_Learning初始化算法验证

5．2．2 并行优化算法验证

5．2．3 Bayesian_Network_Heart_Disease模型评估

5．3 分类器集成融合方法验证

5．3．1 实验说明

5．3．2 分类器集成实验

5．4 本章小结

6 总结与展望

6．1 研究总结

6．2 研究展望

致谢

参考文献

攻读硕士学位期间发表的论文和出版著作情况

攻读硕士学位期间参加的科学研究情况