| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第6-13页 |
| 1.1 研究背景与意义 | 第6-8页 |
| 1.1.1 研究背景 | 第6-7页 |
| 1.1.2 研究意义 | 第7-8页 |
| 1.2 研究现状 | 第8-10页 |
| 1.2.1 “治未病”健康管理现状 | 第8-9页 |
| 1.2.2 国外研究现状 | 第9页 |
| 1.2.3 国内研究现状 | 第9-10页 |
| 1.3 本文主要研究内容与组织结构 | 第10-13页 |
| 1.3.1 本文主要研究内容 | 第10-11页 |
| 1.3.2 本文组织结构 | 第11-13页 |
| 第2章 相关理论概述 | 第13-19页 |
| 2.1 “治未病”与健康管理 | 第13-14页 |
| 2.1.1 “治未病”内涵 | 第13页 |
| 2.1.2 健康管理的概念 | 第13-14页 |
| 2.1.3 “治未病”健康管理体系的提出 | 第14页 |
| 2.2 大数据分析理论 | 第14-15页 |
| 2.2.1 大数据分析 | 第14-15页 |
| 2.2.2 大数据挖掘 | 第15页 |
| 2.3 大数据分析技术 | 第15-16页 |
| 2.4 大数据分析在“治未病”健康管理中的应用 | 第16-17页 |
| 2.4.1 大数据技术在“治未病”健康管理信息层面的运用 | 第16-17页 |
| 2.4.2 大数据技术在“治未病”健康管理过程层面的运用 | 第17页 |
| 2.5 本章小结 | 第17-19页 |
| 第3章 基于聚类分析的健康数据分析 | 第19-33页 |
| 3.1 聚类分析概述 | 第19-20页 |
| 3.1.1 聚类分析的概念 | 第19页 |
| 3.1.2 聚类分析的算法 | 第19-20页 |
| 3.2 K-means算法 | 第20-22页 |
| 3.2.1 原理 | 第21页 |
| 3.2.2 过程 | 第21-22页 |
| 3.3 K-means算法的改进策略 | 第22页 |
| 3.4 改进的K-means算法 | 第22-28页 |
| 3.4.1 k值的确定 | 第22-24页 |
| 3.4.2 初始聚类中心的选择 | 第24页 |
| 3.4.3 算法步骤 | 第24-26页 |
| 3.4.4 实验结果分析 | 第26-28页 |
| 3.5 “治未病”健康管理疾病风险评估应用 | 第28-32页 |
| 3.6 本章小结 | 第32-33页 |
| 第4章 基于关联规则的健康数据分析 | 第33-50页 |
| 4.1 关联规则的定义与挖掘过程 | 第34-35页 |
| 4.2 关联规则挖掘算法 | 第35页 |
| 4.3 Apriori算法 | 第35-40页 |
| 4.3.1 原理 | 第36页 |
| 4.3.2 过程 | 第36-40页 |
| 4.4 Apriori算法的改进策略 | 第40页 |
| 4.5 FP-growth算法 | 第40-43页 |
| 4.6 “治未病”健康管理辅助诊断或治疗应用 | 第43-49页 |
| 4.6.1 症状与症状间的关联规则 | 第46-47页 |
| 4.6.2 中药与中药间的关联规则 | 第47-48页 |
| 4.6.3 症状与中药间的关联规则 | 第48-49页 |
| 4.7 本章小结 | 第49-50页 |
| 第5章 大数据分析在“治未病”健康管理中的应用 | 第50-53页 |
| 5.1 聚类分析应用 | 第50-51页 |
| 5.2 关联规则分析应用 | 第51-53页 |
| 第6章 结论与展望 | 第53-55页 |
| 6.1 全文总结 | 第53-54页 |
| 6.2 未来展望 | 第54-55页 |
| 致谢 | 第55-56页 |
| 参考文献 | 第56-59页 |
| 附录 | 第59-60页 |