首页 > 文献资料
-
基于小波变换和K-means聚类算法的心电信号特征提取
目的 研究一种基于小波变换和K-means聚类算法的心电信号特征提取方法,根据特征点信息判断心电是否正常.方法 利用小波变换和形态学滤波方法去除工频干扰、肌电干扰和基线漂移等主要的噪声之后,利用K-Means聚类算法提取出心电信号的QRS波群,P波和T波这3个主要的特征点,实现心电智能诊断.结果 实验数据取自MIT-BIH数据库,多次实验结果显示QRS波群的阳性检测度(P+)达到99.68％和灵敏度(Se)达到99.21％,P波和T波的检测准确度分别达91.43％和97.01％.结论 相对于其它方法,本文心电特征提取方法准确度较高,具有一定参考价值;在移动医疗和临床医疗方面具有一定实用价值.
-
一种快速自动分析流式数据方法研究
目的：流式数据分析的主要过程是对样本数据中的细胞进行类群划分。针对传统人工分析数据方式的缺点，提出一种快速自动数据分析方法。方法不同于人工二维逐次投影设门分析方法，该方法基于冗余的K-means聚类结果，通过同类细胞亚群合并方式实现多维流式数据直接分析。针对流式数据的特点，提出核密度估计初始化类群数目和k-d树优化算法效率。对冗余的聚类结果，提出两段回归拟合算法确定优分类。结果分析实验1数据的误判率为0．0736，分析时间为2 s；分析实验2数据误判率为0．0805，分析时间为1 s。结论相比基于概率聚类方法和非概率聚类方法，该法不仅能快速对多维流式数据进行直接分析，且分析结果更准确，误判率更低。
-
卫生技术人员远程医学教育调查的聚类分析
目的:探讨远程医学教育能在多大程度上满足不同类型卫生技术人员的需要.方法:使用K-Means聚类分析法对521名没有接受过任何远程医学教育的卫生技术人员进行分类.结果:基于卫生技术人员远程医学教育调查数据,成功将卫生技术人员分成4类,分别为教学医院护士组、非教学医院医生组、教学医院中高级医生组、教学医院初级医生组.结论:根据这四组人员的不同特点和需求,可以制定合理的远程医学教育推广方案.
-
基于聚类和支持向量机的胃癌患者住院费用建模研究
目的 针对胃癌患者住院费用分类标签设定的复杂性以及传统费用建模方法的局限性,提出了一种基于聚类和支持向量机的建模方法,为胃癌患者住院费用的控制和预测提供方法和基础.方法 以宁夏某综合性三甲医院2009-2011年3年间1 583例胃癌患者为样本,采用K-means算法对总住院费用逐年聚类得到分类标签,后通过支持向量机对住院费用进行建模预测以及影响因素分析,用分类准确率作为预测效果的评价指标.结果 胃癌患者住院费用呈逐年增加趋势,其中以西药费为主,占总费用的53.74％.通过K-means算法以年份对费用聚类比单纯以费用分布特征聚类的分类准确率提高了13.13％,当核函数选用高斯核函数,且惩罚因子C=10和核参数g=1时建立的支持向量机模型稳定,分类准确率为92.11％.治疗结果、是否手术、入院情况、住院天数、年龄、住院次数和婚姻状况是影响住院费用的因素,其中主要的影响因素为治疗结果和是否手术.结论 对住院费用逐年聚类以得到分类标签的方法更加合理,且聚类和支持向量机相结合能有效地用于住院费用建模预测.胃癌患者住院费用的控制关键是要减少药品费的支出以及提高医疗水平,增大医疗费用透明度及完善医疗保障制度等方面.
-
基于高斯混合模型Varian NovalisTX直线加速器盆腔肿瘤放疗摆位误差分布预测模型的构建
[目的]构建Varian NovalisTX直线加速器盆腔肿瘤放疗摆位误差分布预测模型.[方法]选取加速器治疗30例盆腔肿瘤患者先验IGRT摆位误差数据,采用高斯混合模型构建误差分布预测模型,并求解分析模型参数.[结果]由模型参数可知摆位误差主要往μ1～μ4四个中心点方向集中;中心点坐标表明误差在Vrt方向(-3.88～4.28)mm和Lng方向(-2.41～1.54)mm较大,Lat方向(-1.85～0.72)mm较小;误差可能性往μ2和μ4中心(0.301、0.310)较μ1和μ3中心(0.190、0.196)大;摆位误差标准差可达5.2 mm.[结论]高斯混合模型对盆腔摆位误差分布进行定量描述和预测分析,为缺少IGRT的盆腔肿瘤放疗摆位误差控制及肿瘤计划靶区外扩提供参考.
-
基于K-means的机构归一化研究
分析k-means算法的核心思想和基本步骤,借鉴现有基于频繁词集的文本聚类初始中心确定方法,提出一种面向大规模机构名称归一化处理应用的机构聚类方法,详细阐述机构聚类中心的生成、相似度算法的选择以及迭代次数问题,其实验和应用效果表现良好.
