基于云服务的辅助医疗平台系统的研究与开发

摘要

随着云服务应用的越来越规范化、市场化和标准化,其他行业也随之提供相应的云服务。在国外医疗行业,云服务已经进入社会化生活,提供了成熟的云医疗应用,使得医疗资源均衡分布,用户可以不受时间、地域的限制,通过网络利用终端智能设备随时随地获取医疗信息。在国内,将云服务用于医疗领域刚刚起步,并没有达到国外规范化和市场化的程度,并且,国内的云医疗服务目前重点在于建立病历档案和信息交互上,对医疗数据进行数据分析的云服务并未有较大发展。因此,如何建立一种以分布式存储为基础、以数据挖掘的方法分析数据为功能的辅助医疗平台系统,已成为当前云医疗服务中的一个研究热点。
　　本文的主要工作是搭建云辅助医疗平台 APCM( Assistant Platform for Cloud-Medical),具体工作包括以下四个方面。
　　1、搭建分布式存储系统和分布式计算框架,利用分布式存储系统存储大规模数据并使用分布式计算框架执行粗粒度计算。
　　2、针对分布式计算的粗粒度计算所引起的效率问题,在本地节点中加入高性能计算,将节点中的计算进一步细粒度化,解决分布式计算过于粗糙的问题,并加速了数据分析的相关计算。
　　3、针对聚类划分算法K-Means聚类中心不稳定的问题,探索了一种新的聚类算法AIK-Means,该算法利用层次聚类算法Chameleon改进K-Means算法的初始聚类中心,并且将关联分析中的FP-Tree树算法用于处理K-Means算法的多次聚类结果,从而找到频繁项集为最终结果。将AIK-Means算法和高斯回归算法基于分布式策略,使之并行执行,提高效率。
　　4、针对本地节点异构数据的访问问题,设计并实现了统一资源访问中间件URAM(Uniform Resource Access Middleware),分布式系统可以对异构数据实现透明访问。

目录

封面

声明

中文摘要

英文摘要

目录

1 绪论

1.1 研究背景与意义

1.2 国内外研究现状

1.3 论文的研究内容

1.4 论文的组织结构

2 相关技术分析

2.1云服务的应用分析

2.2 分布式存储平台和分布式计算框架的分析

2.3 数据挖掘算法

3 关键算法的实现

3.1 AIK-Means算法的实现

3.2 高斯回归算法的实现

4APCM的设计与实现

4.1 系统的需求分析

4.2URAM的设计

4.3 系统心理学功能客户端的展示

5总结与展望

5.1 总结

5.2 展望

参考文献

硕士研究生期间的研究成果

致谢