| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第12-18页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.2.1 电子病历处理方法 | 第13-14页 |
| 1.2.2 信息抽取方法 | 第14-15页 |
| 1.2.3 预测和分类方法 | 第15-16页 |
| 1.3 论文研究内容 | 第16-17页 |
| 1.4 论文的组织结构 | 第17-18页 |
| 2 相关理论及技术 | 第18-28页 |
| 2.1 电子病历处理技术 | 第18-22页 |
| 2.1.1 支持向量机模型 | 第18-20页 |
| 2.1.2 逻辑回归模型 | 第20-22页 |
| 2.2 文本信息抽取 | 第22-25页 |
| 2.2.1 隐马尔科夫模型 | 第22-24页 |
| 2.2.2 条件随机场模型 | 第24-25页 |
| 2.3 预测和分类模型 | 第25-27页 |
| 2.3.1 神经网络介绍 | 第25-26页 |
| 2.3.2 卷积神经网络(CNN) | 第26-27页 |
| 2.3.3 循环神经网络(RNN) | 第27页 |
| 2.4 本章小结 | 第27-28页 |
| 3 基于深层网络模型的电子病历匿名化 | 第28-39页 |
| 3.1 基于深层条件随机场的匿名化模型 | 第28-31页 |
| 3.1.1 深层条件随机场模型 | 第29-30页 |
| 3.1.2 特征模板 | 第30-31页 |
| 3.2 基于BR-BiRNN的匿名化模型 | 第31-34页 |
| 3.2.1 块表示方法 | 第31-32页 |
| 3.2.2 词向量的生成 | 第32-33页 |
| 3.2.3 BR-BiRNN模型 | 第33-34页 |
| 3.3 基于BR-BiLSTM-CRF的匿名化模型 | 第34-38页 |
| 3.3.1 LSTM记忆单元结构 | 第34-36页 |
| 3.3.2 BR-BiLSTM-CRF模型 | 第36-38页 |
| 3.4 本章小结 | 第38-39页 |
| 4 基于神经网络的妊娠高血压预测模型 | 第39-53页 |
| 4.1 基于特征融合的循环神经网络预测模型 | 第39-46页 |
| 4.1.1 信息抽取基本框架 | 第39-40页 |
| 4.1.2 构建触发词词典 | 第40-42页 |
| 4.1.3 规则设计 | 第42-44页 |
| 4.1.4 模型训练 | 第44-46页 |
| 4.2 基于文本数值化的TQ-LSTM预测模型 | 第46-52页 |
| 4.2.1 参数提取和文本数值化 | 第46-49页 |
| 4.2.2 缺失值处理 | 第49-50页 |
| 4.2.3 模型训练 | 第50-52页 |
| 4.3 本章小结 | 第52-53页 |
| 5 实验结果与分析 | 第53-61页 |
| 5.1 电子病历匿名化实验结果 | 第53-57页 |
| 5.1.1 数据集 | 第53-54页 |
| 5.1.2 结果分析与讨论 | 第54-57页 |
| 5.2 妊娠高血压疾病预测实验结果 | 第57-60页 |
| 5.2.1 基于特征融合的循环神经网络预测模型结果分析 | 第57-59页 |
| 5.2.2 TQ-LSTM预测模型结果分析 | 第59-60页 |
| 5.3 本章小结 | 第60-61页 |
| 6 总结和展望 | 第61-64页 |
| 6.1 总结 | 第61-62页 |
| 6.2 展望 | 第62-64页 |
| 参考文献 | 第64-68页 |
| 个人简历、在校期间发表的学术论文与研究成果 | 第68-69页 |
| 致谢 | 第69页 |