时序医疗健康数据挖掘的研究
| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 ICU插管预测的研究现状 | 第10-11页 |
| 1.2.2 其他ICU临床预测的研究现状 | 第11-12页 |
| 1.2.3 时间序列处理的研究现状 | 第12-13页 |
| 1.3 本文研究内容与贡献 | 第13-14页 |
| 1.4 本文的结构安排 | 第14-16页 |
| 第二章 插管预测概述 | 第16-24页 |
| 2.1 问题定义 | 第16页 |
| 2.2 数据集介绍 | 第16-18页 |
| 2.3 数据统计与分析 | 第18-20页 |
| 2.4 性能评价方法 | 第20-21页 |
| 2.5 研究实验平台介绍 | 第21-23页 |
| 2.5.1 Tensorflow平台 | 第22-23页 |
| 2.5.2 Keras平台 | 第23页 |
| 2.6 本章小节 | 第23-24页 |
| 第三章 基于传统机器学习方法的插管预测 | 第24-45页 |
| 3.1 数据预处理 | 第24-28页 |
| 3.1.1 缺失数据的处理 | 第25页 |
| 3.1.2 不平衡数据的处理 | 第25-27页 |
| 3.1.3 数据归一化处理 | 第27-28页 |
| 3.2 特征工程 | 第28-33页 |
| 3.2.1 特征设计 | 第29页 |
| 3.2.2 特征选择 | 第29-33页 |
| 3.3 传统机器学习方法设计 | 第33-43页 |
| 3.3.1 逻辑回归模型设计 | 第34-36页 |
| 3.3.2 随机森林模型设计 | 第36-39页 |
| 3.3.3 XGBoost模型设计 | 第39-41页 |
| 3.3.4 模型融合设计 | 第41-43页 |
| 3.4 实验设定与结果分析 | 第43-44页 |
| 3.4.1 实验设定 | 第43-44页 |
| 3.4.2 结果分析 | 第44页 |
| 3.5 本章小结 | 第44-45页 |
| 第四章 基于深度学习方法的插管预测 | 第45-58页 |
| 4.1 数据预处理 | 第46-47页 |
| 4.1.1 序列离散化 | 第46页 |
| 4.1.2 缺失数据处理 | 第46-47页 |
| 4.2 基于深度学习的时间序列分类 | 第47-54页 |
| 4.2.1 循环神经网络设计 | 第47-51页 |
| 4.2.2 卷积神经网络设计 | 第51-53页 |
| 4.2.3 集成深度网络 | 第53-54页 |
| 4.3 结合静态与动态特征的深度学习框架 | 第54-55页 |
| 4.3.1 MMDL | 第54-55页 |
| 4.3.2 我们的深度学习框架设计 | 第55页 |
| 4.4 实验设定与结果分析 | 第55-56页 |
| 4.4.1 实验设定 | 第55-56页 |
| 4.4.2 结果分析 | 第56页 |
| 4.5 本章小结 | 第56-58页 |
| 第五章 总结与展望 | 第58-60页 |
| 5.1 本文的主要工作总结 | 第58页 |
| 5.2 工作展望 | 第58-60页 |
| 致谢 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 攻硕期间的研究成果 | 第65页 |
