AP聚类算法研究及其在电子病历挖掘中的应用
| 摘要 | 第4-6页 |
| Abstract | 第6-8页 |
| 主要符号表 | 第18-19页 |
| 1 绪论 | 第19-34页 |
| 1.1 研究背景与研究意义 | 第19-22页 |
| 1.1.1 研究背景 | 第19-20页 |
| 1.1.2 研究问题 | 第20-21页 |
| 1.1.3 研究意义 | 第21-22页 |
| 1.2 国内外研究进展 | 第22-30页 |
| 1.2.1 AP聚类研究进展 | 第22-27页 |
| 1.2.2 电子病历数据挖掘研究进展 | 第27-29页 |
| 1.2.3 已有研究工作中的不足 | 第29-30页 |
| 1.3 研究内容与论文结构 | 第30-34页 |
| 1.3.1 研究内容 | 第30-31页 |
| 1.3.2 论文结构 | 第31-32页 |
| 1.3.3 研究思路 | 第32-34页 |
| 2 预备知识 | 第34-43页 |
| 2.1 聚类问题形式化 | 第34页 |
| 2.2 基于代表点的经典聚类算法 | 第34-36页 |
| 2.2.1 K均值聚类 | 第34-35页 |
| 2.2.2 K中心聚类 | 第35-36页 |
| 2.3 AP聚类的提出 | 第36-40页 |
| 2.3.1 因子图与消息传递算法 | 第36-38页 |
| 2.3.2 标准AP聚类算法 | 第38-40页 |
| 2.4 聚类算法的评价指标 | 第40-43页 |
| 2.4.1 无监督评价指标 | 第41页 |
| 2.4.2 有监督评价指标 | 第41-42页 |
| 2.4.3 聚类效率评价指标 | 第42-43页 |
| 3 基于消息传递的增量式AP聚类 | 第43-66页 |
| 3.1 研究问题形式化 | 第43-44页 |
| 3.2 增量式AP聚类问题的难点 | 第44-46页 |
| 3.3 两种增最式AP聚类算法 | 第46-52页 |
| 3.3.1 基于K中心的增量式AP聚类 | 第46-49页 |
| 3.3.2 基于邻近赋值的增量式AP聚类 | 第49-52页 |
| 3.3.3 算法复杂度分析 | 第52页 |
| 3.4 计算实验 | 第52-65页 |
| 3.4.1 UCI公共数据集 | 第53-59页 |
| 3.4.2 癫痫脑电信号动态聚类 | 第59-62页 |
| 3.4.3 视频聚类与视频摘要 | 第62-65页 |
| 3.5 本章小结 | 第65-66页 |
| 4 任意形状簇AP聚类 | 第66-82页 |
| 4.1 问题提出 | 第66-67页 |
| 4.2 从特征相似度到类别相似度 | 第67-68页 |
| 4.3 算法提出 | 第68-72页 |
| 4.3.1 类别相似度矩阵构建 | 第68-70页 |
| 4.3.2 基于拉普拉斯特征映射的AP聚类 | 第70-71页 |
| 4.3.3 算法复杂度分析 | 第71-72页 |
| 4.4 计算实验 | 第72-81页 |
| 4.4.1 人造数据集 | 第72-75页 |
| 4.4.2 人脸识别 | 第75-78页 |
| 4.4.3 图像分割 | 第78-81页 |
| 4.5 本章小结 | 第81-82页 |
| 5 基于不完全因子图的快速AP聚类 | 第82-101页 |
| 5.1 问题提出 | 第82-83页 |
| 5.2 相似度矩阵压缩的理论分析 | 第83-85页 |
| 5.3 算法提出 | 第85-91页 |
| 5.3.1 快速AP聚类算法框架 | 第85-86页 |
| 5.3.2 相似度矩阵压缩算法 | 第86-89页 |
| 5.3.3 快速AP聚类算法描述 | 第89-90页 |
| 5.3.4 算法复杂度分析 | 第90-91页 |
| 5.4 计算实验 | 第91-100页 |
| 5.4.1 人造数据集 | 第91-95页 |
| 5.4.2 公共数据集 | 第95-97页 |
| 5.4.3 脑电时间序列快速聚类 | 第97-99页 |
| 5.4.4 Kaggle癫痫预测竞赛 | 第99-100页 |
| 5.5 本章小结 | 第100-101页 |
| 6 基于电子病历的典型治疗方案发现与推荐 | 第101-122页 |
| 6.1 问题提出 | 第101-105页 |
| 6.2 基于增量式AP聚类的病人群落划分 | 第105-107页 |
| 6.2.1 病人特征选择 | 第106页 |
| 6.2.2 病人群落发现 | 第106-107页 |
| 6.3 基于任意形状簇AP聚类的联合用药分析 | 第107-111页 |
| 6.3.1 构建联合用药网络 | 第108-109页 |
| 6.3.2 联合用药网络嵌入低维特征空间 | 第109-110页 |
| 6.3.3 联合用药群组发现 | 第110-111页 |
| 6.4 基于快速AP聚类的典型治疗方案发现 | 第111-119页 |
| 6.4.1 治疗记录之间的相似性度量 | 第111-115页 |
| 6.4.2 基于快速AP的治疗记录聚类 | 第115-116页 |
| 6.4.3 基于稠密核心的典型治疗方案提取 | 第116-119页 |
| 6.5 治疗方案推荐与案例分析 | 第119-120页 |
| 6.6 本章小结 | 第120-122页 |
| 7 结论与展望 | 第122-127页 |
| 7.1 结论 | 第122-123页 |
| 7.2 创新点 | 第123-124页 |
| 7.3 展望 | 第124-127页 |
| 参考文献 | 第127-135页 |
| 攻读博士学位期间科研项目及科研成果 | 第135-137页 |
| 致谢 | 第137-139页 |
| 作者简介 | 第139页 |
