学位论文 > 优秀研究生学位论文题录展示

基于ANN的颈脊髓损伤和股骨转子间骨折预后预测研究

作　者: 石磊
导　师: 王兴成
学　校: 大连海事大学
专　业: 控制理论与控制工程
关键词: 医学工学结合预后预测人工神经网络粒子群算法遗传算法降维
分类号: R651.2
类　型: 博士论文
年　份: 2014年
下　载: 2次
引　用: 0次
阅　读: 论文下载

内容摘要

近年来,.医学工学结合进行诊疗研究引起了越来越多科研人员的关注,逐渐成为科学研究的热点。本文紧随医学工学交叉研究的步伐,挖掘医工交叉研究的结合点,以辽西某三甲医院为依托合作单位,顺应医患双方对于疾病预后预测的强烈需求,采用人工神经网络技术(Artificial Neural Network, ANN)对骨科损伤预后预测问题展开深入研究。鉴于骨科损伤预后情况的广泛性和复杂性,课题选择颈脊髓损伤和股骨转子间骨折(简称转子间骨折)预后问题为研究对象,由点及面地对骨科损伤预后预测中涉及到的关键问题和优化过程做深入分析,并通过研发推广骨科损伤预后预测系统体现了医学工学交叉结合的实际价值。颈脊髓损伤和转子间骨折损伤预后具有鲜明的非线性特点,很难建立准确的预后数学模型,而人工神经网络技术具有优良的非线性拟合和逼近能力,非常适合解决这一类非线性预测问题。因此本文首次将ANN用于骨科损伤的预后预测领域并开展了深入系统的研究工作。首先,选择误差反向传播神经网络(Back Propagation, BP)和概率神经网络(Probabilistic Neural Network, PNN)作为预测工具,同时基于模糊三角数的层次分析法建立了骨科损伤预后预测模型的指标评价体系,对性能指标进行了权重排序,并充分对比分析了BP网络和PNN网络的各自优缺点,结合指标评价体系为使用者提供了选择恰当神经网络预测模型的标准和方法。其次,使用传统的BP网络和PNN网络进行了骨科损伤预后预测前期试验,结合相关文献充分分析了前期试验预测精度较低的原因,发现了传统神经网络算法的自身缺陷。进而针对PNN网络的平滑参数间缺乏差异性,无法满足预测模型自适应要求的缺陷,利用变惯性权重的粒子群算法(IPSO)优化其平滑参数；针对BP网络收敛速度慢且容易陷入局部极值的缺点,利用改进的遗传算法(PGA)优化其隐层节点数和连接权值。并在优化算法基础上建立了IPSO-PNN预测模型和PGA-BP预测模型进行骨科损伤预后预测。再次,输入大量具有统计学意义的训练样本训练IPSO-PNN预测模型和PGA-BP预测模型以得到准确的预测输出,并输入大量的检测样本来检验神经网络预测模型的泛化能力,仿真结果表明,优化后的预测模型的预测精度、稳定性和泛化能力都有了很大的改善和提高。在仿真结果的基础上,本文对比了几种不同神经网络预测模型的输出特性,呼应预测模型指标评价体系的性能权重排序,汇总了BP预测模型和PNN预测模型的优缺点和各自优势领域。同时将优化的ANN预测模型与医学常用的logistic回归模型进行对比分析,突出了ANN方法进行骨科损伤预后预测的优势,也为相关医务人员提供了多元化的选择和参考。最后,本文在前期理论研究和仿真试验的基础上,利用MATLAB图形用户界面(GUI)技术设计研发了骨科损伤预后预测系统,并在合作医院小范围推广使用,反馈信息表明系统运行良好,达到了预期设计目标,可以为临床医生提供有力的参考帮助,为患者及时全面的制定下阶段的治疗和康复方案。

全文目录

摘要  6-8
ABSTRACT  8-12
第1章绪论  12-20
  1.1 课题研究背景  12-14
    1.1.1 颈脊髓损伤相关背景  12-13
    1.1.2 股骨转子间骨折相关背景  13-14
  1.2 课题研究现状  14-18
  1.3 本文主要内容  18-20
第2章 ANN医学应用及其预测模型评价体系  20-31
  2.1 ANN的医学应用  20-22
    2.1.1 在临床医学中的应用  20-22
    2.1.2 在药学中的应用  22
  2.2 ANN预测模型评价体系  22-30
    2.2.1 基于三角模糊数的层次分析法  24-25
    2.2.2 算例分析  25-28
    2.2.3 BP网络和PNN网络性能对比  28-30
  2.3 本章小结  30-31
第3章 ANN预测模型输入变量降维算法研究  31-50
  3.1 关联规则挖掘方法  31-37
    3.1.1 频繁项集挖掘的Apriori算法  31-36
    3.1.2 Apriori算法的改进和优化  36
    3.1.3 由频繁集产生关联规则  36-37
  3.2 主成分分析法  37-40
  3.3 ANN预测模型输入变量降维  40-49
    3.3.1 基于关联规则方法的输入变量降维  40-44
    3.3.2 基于主成分分析方法的输入变量降维  44-49
  3.4 本章小结  49-50
第4章 ANN训练IPSO和PGA优化算法  50-80
  4.1 预测神经网络概述  50-51
  4.2 前期试验  51-66
    4.2.1 样本数据预处理  52-57
    4.2.2 颈脊髓损伤预后BP预测模型  57-62
    4.2.3 颈脊髓损伤预后PNN预测模型  62-63
    4.2.4 转子间骨折预后logistic回归预测模型  63-66
    4.2.5 前期试验结果分析  66
  4.3 粒子群算法及其改进算法  66-70
    4.3.1 基本的粒子群算法(PSO)  67
    4.3.2 改进的粒子群算法(IPSO)  67-70
  4.4 遗传算法及其改进算法  70-74
    4.4.1 基本的遗传算法(GA)  70
    4.4.2 改进的遗传算法(PGA)  70-74
  4.5 基于PGA的BP网络优化  74-78
  4.6 基于IPSO的PNN网络优化  78-79
  4.7 本章小结  79-80
第5章颈脊髓损伤和转子间骨折预后预测研究  80-106
  5.1 基于ANN的颈脊髓损伤预后预测研究  80-95
    5.1.1 基于BP网络的颈脊髓损伤预后行走率预测  80-88
    5.1.2 基于PNN网络的颈脊髓损伤预后行走率预测  88-93
    5.1.3 不同颈脊髓损伤预后预测模型的对比分析  93-95
  5.2 基于ANN的转子间骨折预后预测研究  95-105
    5.2.1 基于BP网络的转子间骨折预后死亡率预测  95-96
    5.2.2 基于PGA-BP网络的转子间骨折预后死亡率预测  96-103
    5.2.3 基于改进logistic模型的转子间骨折预后死亡率预测  103-105
  5.3 本章小结  105-106
第6章骨科损伤预后预测系统的设计与实现  106-114
  6.1 程序开发环境简介  106-107
  6.2 骨科损伤预后预测系统的框架设计  107-109
  6.3 骨科损伤预后预测系统的设计实现  109-112
    6.3.1 颈脊髓损伤预后预测界面设计  109-111
    6.3.2 转子间骨折预后预测界面设计  111-112
  6.4 预测系统运行反馈  112-113
  6.5 本章小结  113-114
第7章总结和展望  114-116
  7.1 总结  114-115
  7.2 展望  115-116
参考文献  116-128
附录  128-136
攻读学位期间公开发表论文  136-137
致谢  137-138
作者简介  138

基于ANN的颈脊髓损伤和股骨转子间骨折预后预测研究

内容摘要

全文目录

相似论文