基于医疗数据挖掘的在线病情分析系统研究与开发

摘要

尽管如今社会经济和物质生活不断提高，但慢性非传染性疾病对人类（尤其是老年人）的身体健康威胁却越来越大。通过深入分析某些确诊患者的医疗数据，提取隐藏在数据背后的一些具有潜在用处的信息，并加以分类汇总和挖掘分析，非常有利于医生对疾病进行针对性的治疗，从而促进患者的康复。因此，设计和开发一种使用方便、效率高、效果好的数据分类系统也因此成为目前医疗数据分析领域的一项重要任务。
　　本文提出了一种特征选择与数据分类算法，重点介绍了数据离散化与数据不一致率，以及基于不一致率的特征选择方法和数据分类方法。随后对多维医疗数据的预处理进行介绍，包括数据格式转换的方法和数据清洗，展示本文医疗数据预处理的结果。最后对基于多维医疗数据挖掘的病情进行分析，介绍病情分类的设定，展示本文医疗数据的特征选择以及病例分类结果。
　　本文在Weka上完成二次开发，使Weka支持新开发的数据分类算法，该算法可实现数据的快速分类以及分类结果的可视化显示等功能。利用Java技术调用Weka中新开发的算法设计实现了一个基于上述特征选择和规则提取的在线数据病情分析系统，可实现数据的自动分类、数据挖掘以及数据预测等功能，满足用户通过Web实现在线数据挖掘、病例预测等数据挖掘需求，并给出了在线数据分类系统测试，验证了系统的高效性和实用性。

目录

声明

摘要

第1章 绪论

1．1 研究意义

1．2 研究目标

1．3 研究内容

1．3．1 医疗数据挖掘概述

1．3．2 数据分类算法研究与分析

1．3．3 多维医疗数据预处理

1．3．4 基于多维医疗数据挖掘的病例分析

1．3．5 基于Weka的在线病情分析系统开发

第2章 医疗数据挖掘概述

2．1 医疗数据挖掘

2．2 医疗数据主要特点

2．3 医疗数据挖掘基本过程

2．4 医疗数据挖掘的关键技术

2．5 医学数据挖掘应用

2．5．1 医院信息系统应用

2．5．2 疾病诊断、预测

2．5．3 医学图像挖掘

第3章 特征选择与数据分类算法研究

3．1 特征选择数据分类研究现状

3．1．1 特征选择研究现状

3．1．2 数据分类研究现状

3．2 新特征选择方法及其实现

3．2．1 数据离散化与不一致率

3．2．2 基于不一致率特征选择

3．2．3 基于不一致率数据分类

3．3 算法特征分析与改进

3．4 实例分析

3．4．1 离散化

3．4．2 不一致率

3．4．3 基于不一致率的特征选择

3．4．4 基于不一致率的数据分类

第4章 多维医疗数据预处理

4．1 医疗数据采集

4．1．1 数据来源

4．2 数据集成

4．3 数据清洗

4．3．1 数据字段内容

4．3．2 数据字段清洗

4．4 数据变换

4．5 数据格式转换

4．5．1 Oracle数据转换为WEKA数据格式

4．5．2 WEKA数据格式——ARFF

4．6 预处理结果

4．6．1 糖尿病(tnb)数据

4．6．2 高血压(gxy)数据

4．6．3 冠心病(gxb)数据

第5章 基于多维医疗数据挖掘的病情分析

5．1 病情分类问题设定

5．2 多维医疗数据分类

5．2．1 特征选择

5．2．2 数据分类

第6章 基于weka在线病情分析系统

6．1 特征选择和数据分类Weka实现

6．1．1 针对离散化操作Chi-merge类

6．1．2 针对特征选择方法中的方法

6．1．3 针对分类规则提取RuleTable类

6．2 基于Weka二次开发Web应用系统

6．2．1 Weka添加新的算法

6．2．2 Weka系统调用Weka关键代码

6．3 基于Weka在线病情分析系统设计

6．3．1 需求分析

6．3．2 概要设计

6．3．3 详细设计

6．4 基于Weka在线病情分析系统测试

6．4．1 前台页面测试

6．4．2 后台管理页面测试

6．4．3 注册页面

第7章 结论与展望

7．1 结论

7．2 展望

参考文献

致谢