導(dǎo)語：數(shù)據(jù)挖掘疾病預(yù)測研究一文來源于網(wǎng)友上傳，不代表本站觀點，若需要原創(chuàng)文章可咨詢客服老師，歡迎參考。

【摘要】隨著計算機(jī)和數(shù)據(jù)挖掘分析日益劇增，在醫(yī)學(xué)預(yù)測方面已經(jīng)取得了很好的結(jié)果，具有非凡的意義，深度學(xué)習(xí)最近幾年已經(jīng)有個初步的結(jié)果，并且用到了醫(yī)學(xué)領(lǐng)域。那么工作分為，數(shù)據(jù)歸一，基于DBN的數(shù)據(jù)構(gòu)建，設(shè)計DBN模型，以及實現(xiàn)預(yù)測。設(shè)計模型，包括數(shù)據(jù)預(yù)測模塊，預(yù)測結(jié)果以及展示結(jié)果。將數(shù)據(jù)進(jìn)行分析處理，預(yù)分析，以及初步的測試，得到結(jié)果。

【關(guān)鍵詞】大數(shù)據(jù)；疾病預(yù)測；醫(yī)學(xué)信息系統(tǒng)；數(shù)據(jù)挖掘，DBN算法的基本原理

1引言

近年來非典病毒在我國泛濫，出現(xiàn)這一問題有很大的社會因素。那就是危機(jī)意識。非典毫無疑問是一場公共衛(wèi)生危機(jī)，這場危機(jī)之所以能夠爆發(fā)并造成嚴(yán)重影響，除了病毒的新發(fā)性之外，危機(jī)意識的淡薄以及由此導(dǎo)致的社會預(yù)警系統(tǒng)的缺乏和應(yīng)有的防治措施的不力，這是一個決不可忽視的社會因素。再來說影響非典發(fā)病的因素。最主要的是疫苗因素，如今生產(chǎn)疫苗的工廠多，所以就造成了疫苗品種多，價格差異大，這樣就不能保證社會的總體免疫力良好，就給了病毒傳播的機(jī)會。其次是對藥品的濫用，長期過量使用氯霉素，鏈霉素，慶大霉素及皮質(zhì)激素等藥物，因其破壞白細(xì)胞和淋巴細(xì)胞，而抗體均是由B淋巴細(xì)胞產(chǎn)生，因此大大影響了免疫效果，是人對非典抵抗下降加快病毒的擴(kuò)散。疾病預(yù)測是疾病預(yù)防，準(zhǔn)確的預(yù)測人群以及個體的疾病發(fā)展趨勢成為人們預(yù)測防范疾病是一個重要的手段，預(yù)測分為定性預(yù)測和定量預(yù)測，定性預(yù)測可以直觀的判斷預(yù)測主要是依靠經(jīng)驗以及直觀判斷能力，不用或者用少量的計算，定性的預(yù)測能充分發(fā)揮人的主觀作用，考慮無法定量的因素，靈活省時省事，但缺乏數(shù)據(jù)的精確描述，而定量的預(yù)測，可以運用數(shù)學(xué)統(tǒng)計的方法對未來發(fā)展趨勢，增減速度以及可能達(dá)到發(fā)展的數(shù)量的說明。利用并構(gòu)建DBN模型，設(shè)計實現(xiàn)疾病預(yù)測行為定性預(yù)測方面，建立模型進(jìn)行預(yù)測的相關(guān)算法，利用波爾茲曼機(jī)以及BP網(wǎng)絡(luò)，采用貪婪逐層學(xué)習(xí)的方法對于疾病預(yù)測風(fēng)險評估，利用模糊算法，回歸算法，支持向量機(jī)，預(yù)測年際變化。利用BP神經(jīng)網(wǎng)絡(luò)預(yù)測每年疾病數(shù)目。由于疾病信息大，噪聲大，數(shù)據(jù)不完全以及隨機(jī)模糊性，疾病的風(fēng)險預(yù)測顯得極其重要。本文采用了深度學(xué)習(xí)深度信念網(wǎng)絡(luò)的模型方法，來提高疾病的預(yù)測的準(zhǔn)確性，采集疾病病人的體檢數(shù)據(jù)，對數(shù)據(jù)進(jìn)行分析處理，歸一化，建立計算處理的基礎(chǔ)表示數(shù)據(jù)庫，對于數(shù)據(jù)進(jìn)行分析，論文預(yù)測構(gòu)建。分為預(yù)處理，疾病建立，開發(fā)DBN系統(tǒng)以及參考測試結(jié)果。

2學(xué)習(xí)方法

當(dāng)前幾種疾病的預(yù)測方法，先已有的包含，回歸預(yù)測，時間序列預(yù)測，灰度預(yù)測，以及人工神經(jīng)網(wǎng)絡(luò)等方法。但是此幾種方法各有缺陷，而深度學(xué)習(xí)的方法是基于數(shù)據(jù)特征進(jìn)行學(xué)習(xí)，論文提出的DBN模型不僅可以學(xué)習(xí)特征還能自適應(yīng)，也可以避免BP的局部極小的情況。2.1BP神經(jīng)網(wǎng)絡(luò)。BP網(wǎng)絡(luò)是通過逆向傳輸，通過梯度下降得到一個較好的效果，BP網(wǎng)絡(luò)也稱為梯度下降網(wǎng)絡(luò)，通過誤差平方和最小，BP的神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)，輸入輸出隱層，信息正向傳輸，誤差率反向傳播的過程，雙向并行進(jìn)行。輸入層接收信息，輸出層輸出處理之后的結(jié)果，中間主要是通過數(shù)據(jù)轉(zhuǎn)換，信息變換，通過數(shù)據(jù)處理得到想要的答案。誤差則通過輸出層，按照誤差梯度下降的方法修正各個權(quán)值，向隱層以及輸入層傳播，去調(diào)節(jié)權(quán)值去達(dá)到誤差最小。最常見的就是一個三層的網(wǎng)絡(luò)機(jī)構(gòu)，如圖1所示。此種網(wǎng)絡(luò)有很強(qiáng)的映射能力，非線性性能完備。那么在BP網(wǎng)絡(luò)中，隱層足夠的情況下，能夠?qū)崿F(xiàn)任意非線性函數(shù)的逼近，但是BP存在他自身的局限性，譬如：梯度消失，局部最優(yōu)，學(xué)習(xí)速度慢，無法控制隱層個數(shù)等等問題。2.2DBN學(xué)習(xí)預(yù)測疾病。DBN算法是數(shù)據(jù)挖掘技術(shù)中常用的一種分類和預(yù)測方法。深度信念機(jī)，是由多個波爾茲曼機(jī)組成的神經(jīng)網(wǎng)絡(luò)，存在一個n層的網(wǎng)絡(luò)模型，針對隱層以及可視層實現(xiàn)聯(lián)合概率分布。進(jìn)行預(yù)學(xué)習(xí)以及整個DBN的模型學(xué)習(xí)訓(xùn)練，是對一個受限波爾茲曼機(jī)單獨進(jìn)行訓(xùn)練，之后疊加一層，作為下一層輸入，再通過反向?qū)W習(xí)算法進(jìn)行調(diào)節(jié)，圖2所示。此模型的好處在于，首先對于數(shù)據(jù)特征進(jìn)行一次學(xué)習(xí)，然后通過自學(xué)的方式再將結(jié)果輸出，作為下一層的輸入進(jìn)行訓(xùn)練學(xué)習(xí)。一步一步層層學(xué)習(xí)和訓(xùn)練，作為深度學(xué)習(xí)的過程，對于特征分析可得到更好的結(jié)果。深度信念網(wǎng)絡(luò)實現(xiàn)了從上向下的學(xué)習(xí)結(jié)構(gòu)，自生成的結(jié)構(gòu)，處理模糊信息加以傳播，從而減少傳播的誤差。在此網(wǎng)絡(luò)用于各個網(wǎng)絡(luò)過程，實現(xiàn)了較好的結(jié)果。

3預(yù)測模型建立

基于DBN的模型，首先數(shù)據(jù)采集，采集心血疾病的各項體征，將數(shù)據(jù)分為測試和預(yù)測兩份。（1）數(shù)據(jù)采集，采集醫(yī)學(xué)數(shù)據(jù)以及劃分?jǐn)?shù)據(jù)分析。（2）構(gòu)造DBN的模型，采用疾病分析方法的網(wǎng)絡(luò)構(gòu)架，包括輸入點，隱層點和輸出點的設(shè)計。（3）構(gòu)造模型，以及利用訓(xùn)練數(shù)據(jù)，對其加速訓(xùn)練，以及設(shè)計最好的網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行分析，得到誤差函數(shù)。設(shè)計權(quán)值矩陣以及共軛梯度。（4）測試，將數(shù)據(jù)輸入模型進(jìn)行測試。（5）分析結(jié)果。

4結(jié)論

本文基于DBN算法建立流程，通過驗證實驗結(jié)果準(zhǔn)備率，相比與BP的網(wǎng)絡(luò)進(jìn)行對比，DBN準(zhǔn)確率高于深度學(xué)習(xí)的準(zhǔn)確率。通過建立數(shù)據(jù)，以及樣本的歸一化，實現(xiàn)確定各個層數(shù)的隱層以及輸出，對數(shù)據(jù)進(jìn)行學(xué)習(xí)，數(shù)據(jù)處理完成模型建立完畢。

參考文獻(xiàn)

[1]譚慭莘，田考聰.數(shù)學(xué)模型在人群疾病預(yù)測研究中的應(yīng)用[J].中國醫(yī)院統(tǒng)計，2005，12（1）：83~85.

[2]袁鶯楹，董建成.基于數(shù)學(xué)模型的疾病預(yù)測方法比較研究[J].軟件導(dǎo)刊，2009（5）：108~110.

[3]涂德華，張理義，陶鳳燕.軍人心理疾病預(yù)測量表的信度及效度檢驗[J].江蘇大學(xué)學(xué)報（醫(yī)學(xué)版），2009，19（2）：168~172.

[4]余凱，賈磊，陳雨強(qiáng)，徐偉.深度學(xué)習(xí)的昨天、今天和明天[J].計算機(jī)研究與發(fā)展，2013，09：1799~1804.

[5]由清圳.基于深度學(xué)習(xí)的視頻人臉識別方法[D].哈爾濱：哈爾濱工業(yè)大學(xué)，2013.

[6]王山海，景新幸，楊海燕.基于深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的孤立詞語音識別的研究[J].計算機(jī)應(yīng)用研究，2015，8.

作者:高驍智 單位:陜西延安中學(xué)