基于聚类和BP网络集成的中医耳穴智能诊断仪研究

论文摘要

中医耳穴诊断在医学界的地位越来越重要,目前,世界上已有近百个国家研究和应用中医耳穴诊断,并不断取得新的进展。我们结合中国传统的医学与现代数据挖掘技术设计并开发了这套中医耳穴智能诊断仪,仪器主要模块采用了数据挖掘中聚类和BP神经网络技术的无缝结合,通过改进的自组织特征映射神经网络结合K-means聚类算法对中医耳穴诊断成熟样本进行聚类分析,然后针对各类分别创建BP神经网络模型进一步学习形成专家诊断知识库;诊断过程中通过判断所采集病人耳穴样本的类别调用相应的BP神经网络模型,利用网络的预测功能进行病情的智能诊断。数据挖掘技术近年来成为计算机技术最活跃的主要领域之一,其应用范围十分广泛,包括金融、医学、保险和政府部门等各行各业,可用于这些行业中的决策分析和预测等问题。本文详细分析了数据挖掘中的聚类和神经网络预测技术,并结合其中较有代表性的几个算法应用到中医耳穴诊断中,针对传统线性诊断的突出问题,为中医耳穴诊断提供了一条新的思路。本文提出了一种基于改进自组织特征映射神经网络（SOFM）的K-means两阶段聚类算法（ISOFMK）,该算法充分结合了SOFM聚类无教师指导和K-means聚类高效准确的优点,同时解决了SOFM网络收敛时间过长、容易陷入局部最优和K-means算法初始聚类中心选取不当造成聚类效果不佳等问题。我们将该两阶段聚类算法应用于中医耳穴智能诊断仪对耳穴生物电阻值进行聚类分析,并集成BP神经网络学习和预测,实现智能诊断病人所患疾病。本文的中医耳穴智能诊断仪较采用固定线性公式模型诊断的普通耳穴诊断仪具有更高的准确性、自适应性和更好的临床应用表现。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 课题研究背景
• 1.1.1 耳穴基本知识和发展简史
• 1.1.2 耳穴诊断医学依据
• 1.1.3 当前研究和发展现状
• 1.1.4 面临的机遇和挑战
• 1.2 本课题的研究价值
• 1.3 本论文主要内容和组织
• 第二章 数据挖掘基本理论
• 2.1 数据挖掘概述
• 2.1.1 数据挖掘的产生
• 2.1.2 数据挖掘的定义
• 2.1.3 数据挖掘的功能
• 2.2 聚类分析技术
• 2.2.1 聚类概论
• 2.2.2 聚类分析的特点
• 2.2.3 聚类分析的发展
• 2.2.4 主要聚类算法
• 2.3 BP神经网络技术
• 2.3.1 BP神经网络概论
• 2.3.2 BP神经网络结构
• 2.3.3 BP神经网络设计要求
• 2.3.4 标准BP算法
• 2.4 本章小结
• 第三章 基于ISOFM的K-means两阶段聚类算法
• 3.1 自组织特征映射网络算法
• 3.1.1 Kohonen神经网络
• 3.1.2 标准SOFM算法
• 3.1.3 标准SOFM算法性能分析
• 3.2 K-means聚类算法
• 3.2.1 标准K-means聚类算法
• 3.2.2 标准K-means聚类算法性能分析
• 3.3 传统聚类算法的缺点
• 3.4 改进自组织特征映射网络
• 3.4.1 改进思路
• 3.4.2 改进自组织特征映射神经网络算法
• 3.5 基于ISOFM的K-means两阶段聚类算法
• 3.5.1 Improved SOFM K-means算法
• 3.5.2 ISOFMK算法流程
• 3.5.3 ISOFMK仿真实验结果
• 3.5.4 ISOFMK算法性能分析
• 3.6 本章小结
• 第四章 基于ISOFMK和BP集成的中医耳穴智能诊断仪
• 4.1 仪器设计
• 4.1.1 仪器硬件设计
• 4.1.2 系统界面设计
• 4.1.3 系统模块设计
• 4.2 ISOFMK和BP在仪器测量分析模块的集成应用
• 4.2.1 耳穴生物电阻值预处理
• 4.2.2 耳穴生物电阻值ISOFMK聚类
• 4.2.3 耳穴生物电阻值BP神经网络学习
• 4.2.4 耳穴测量电阻值诊断
• 4.3 本章小结
• 第五章 结论和展望
• 参考文献
• 研究生期间个人成果
• 致谢