導語：數(shù)據(jù)挖掘疾病預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】隨著計算機和數(shù)據(jù)挖掘分析日益劇增，在醫(yī)學預測方面已經(jīng)取得了很好的結(jié)果，具有非凡的意義，深度學習最近幾年已經(jīng)有個初步的結(jié)果，并且用到了醫(yī)學領域。那么工作分為，數(shù)據(jù)歸一，基于DBN的數(shù)據(jù)構(gòu)建，設計DBN模型，以及實現(xiàn)預測。設計模型，包括數(shù)據(jù)預測模塊，預測結(jié)果以及展示結(jié)果。將數(shù)據(jù)進行分析處理，預分析，以及初步的測試，得到結(jié)果。

【關(guān)鍵詞】大數(shù)據(jù)；疾病預測；醫(yī)學信息系統(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。那就是危機意識。非典毫無疑問是一場公共衛(wèi)生危機，這場危機之所以能夠爆發(fā)并造成嚴重影響，除了病毒的新發(fā)性之外，危機意識的淡薄以及由此導致的社會預警系統(tǒng)的缺乏和應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，因其破壞白細胞和淋巴細胞，而抗體均是由B淋巴細胞產(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散。疾病預測是疾病預防，準確的預測人群以及個體的疾病發(fā)展趨勢成為人們預測防范疾病是一個重要的手段，預測分為定性預測和定量預測，定性預測可以直觀的判斷預測主要是依靠經(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，而定量的預測，可以運用數(shù)學統(tǒng)計的方法對未來發(fā)展趨勢，增減速度以及可能達到發(fā)展的數(shù)量的說明。利用并構(gòu)建DBN模型，設計實現(xiàn)疾病預測行為定性預測方面，建立模型進行預測的相關(guān)算法，利用波爾茲曼機以及BP網(wǎng)絡，采用貪婪逐層學習的方法對于疾病預測風險評估，利用模糊算法，回歸算法，支持向量機，預測年際變化。利用BP神經(jīng)網(wǎng)絡預測每年疾病數(shù)目。由于疾病信息大，噪聲大，數(shù)據(jù)不完全以及隨機模糊性，疾病的風險預測顯得極其重要。本文采用了深度學習深度信念網(wǎng)絡的模型方法，來提高疾病的預測的準確性，采集疾病病人的體檢數(shù)據(jù)，對數(shù)據(jù)進行分析處理，歸一化，建立計算處理的基礎表示數(shù)據(jù)庫，對于數(shù)據(jù)進行分析，論文預測構(gòu)建。分為預處理，疾病建立，開發(fā)DBN系統(tǒng)以及參考測試結(jié)果。

2學習方法

當前幾種疾病的預測方法，先已有的包含，回歸預測，時間序列預測，灰度預測，以及人工神經(jīng)網(wǎng)絡等方法。但是此幾種方法各有缺陷，而深度學習的方法是基于數(shù)據(jù)特征進行學習，論文提出的DBN模型不僅可以學習特征還能自適應，也可以避免BP的局部極小的情況。2.1BP神經(jīng)網(wǎng)絡。BP網(wǎng)絡是通過逆向傳輸，通過梯度下降得到一個較好的效果，BP網(wǎng)絡也稱為梯度下降網(wǎng)絡，通過誤差平方和最小，BP的神經(jīng)網(wǎng)絡的拓撲結(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)值去達到誤差最小。最常見的就是一個三層的網(wǎng)絡機構(gòu)，如圖1所示。此種網(wǎng)絡有很強的映射能力，非線性性能完備。那么在BP網(wǎng)絡中，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)，學習速度慢，無法控制隱層個數(shù)等等問題。2.2DBN學習預測疾病。DBN算法是數(shù)據(jù)挖掘技術(shù)中常用的一種分類和預測方法。深度信念機，是由多個波爾茲曼機組成的神經(jīng)網(wǎng)絡，存在一個n層的網(wǎng)絡模型，針對隱層以及可視層實現(xiàn)聯(lián)合概率分布。進行預學習以及整個DBN的模型學習訓練，是對一個受限波爾茲曼機單獨進行訓練，之后疊加一層，作為下一層輸入，再通過反向?qū)W習算法進行調(diào)節(jié)，圖2所示。此模型的好處在于，首先對于數(shù)據(jù)特征進行一次學習，然后通過自學的方式再將結(jié)果輸出，作為下一層的輸入進行訓練學習。一步一步層層學習和訓練，作為深度學習的過程，對于特征分析可得到更好的結(jié)果。深度信念網(wǎng)絡實現(xiàn)了從上向下的學習結(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)絡用于各個網(wǎng)絡過程，實現(xiàn)了較好的結(jié)果。

3預測模型建立

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)分為測試和預測兩份。（1）數(shù)據(jù)采集，采集醫(yī)學數(shù)據(jù)以及劃分數(shù)據(jù)分析。（2）構(gòu)造DBN的模型，采用疾病分析方法的網(wǎng)絡構(gòu)架，包括輸入點，隱層點和輸出點的設計。（3）構(gòu)造模型，以及利用訓練數(shù)據(jù)，對其加速訓練，以及設計最好的網(wǎng)絡結(jié)構(gòu)進行分析，得到誤差函數(shù)。設計權(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)果準備率，相比與BP的網(wǎng)絡進行對比，DBN準確率高于深度學習的準確率。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)進行學習，數(shù)據(jù)處理完成模型建立完畢。

參考文獻

[1]譚慭莘，田考聰.數(shù)學模型在人群疾病預測研究中的應用[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)學模型的疾病預測方法比較研究[J].軟件導刊，2009（5）：108~110.

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

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

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

[6]王山海，景新幸，楊海燕.基于深度學習神經(jīng)網(wǎng)絡的孤立詞語音識別的研究[J].計算機應用研究，2015，8.

作者:高驍智 單位:陜西延安中學