數(shù)據(jù)挖掘技術在吸毒者脈象信號識別中的應用.pdf

1、近幾十年來，數(shù)據(jù)庫技術和大容量存儲器等硬件的快速發(fā)展，使得人們收集數(shù)據(jù)的能力得到進一步的提高。傳統(tǒng)數(shù)據(jù)分析技術在應對新型數(shù)據(jù)集提出的挑戰(zhàn)時存在種種局限性，而數(shù)據(jù)挖掘技術突破了這些局限。醫(yī)療信息化的發(fā)展，診斷數(shù)據(jù)量的激增，需要結合數(shù)據(jù)挖掘技術進行深入分析，提取有潛在意義的知識。
　　吸毒嚴重危害人體健康，破壞人的中樞神經(jīng)系統(tǒng)，致使人體其他器官功能失調和組織病理變化。根據(jù)中醫(yī)診斷學理論，脈象信號中包含著極為豐富的心血管系統(tǒng)等生理病理信

2、息，對人體重要信息病變的診斷具有重要的臨床價值。本文以在重慶戒毒所采集的15例健康正常人和15例海洛因吸毒者脈象信號的實測數(shù)據(jù)為研究對象，選用SAS/EM數(shù)據(jù)挖掘工具，建立C4.5決策樹和LMBP神經(jīng)網(wǎng)絡分類模型對脈象信號進行識別。
　　為更好地從大量冗雜數(shù)據(jù)中挖掘出有用知識，首先要對數(shù)據(jù)進行預處理。小波變換在時頻域具有良好的局域化特性，非常適合脈象這種非平穩(wěn)信號的分析。除了采用時域信號作為特征輸入，進行兩種脈象信號的初步劃分，本

3、文還采用以db4為小波的Mallat多分辨率算法，對30例脈象信號進行三層分解提取細節(jié)系數(shù)作為第二類特征輸入，從而達到數(shù)據(jù)轉換目的，為進一步的分類作準備。
　　C4.5決策樹方法是基于機器學習的數(shù)據(jù)挖掘方法，它形式簡單，分類速度快，可以較好地解決小樣本的學習問題。本文建立了C4.5決策樹分類器對吸毒者進行檢測識別，它以信息增益率進行屬性選擇。實驗結果表明：當以時間域屬性作為特征參量，輸入C4.5決策樹模型時，識別率達到93.3％。

4、當選用提取的各層細節(jié)系數(shù)作為特征輸入時，最優(yōu)識別率為93.3%，雖識別率一致，但提高了穩(wěn)定性。
　　BP人工神經(jīng)網(wǎng)絡，具有很高的容錯性和可靠性，其自組織性和自適應學習能力大大放松了傳統(tǒng)識別方法所需的約束條件，非常適合用于研究生物醫(yī)學信號。為進一步提高分類性能，本文還著重研究了Levenberg-Marquardt BP算法，并建立單隱層（H1）和雙隱層（H2）的BP網(wǎng)絡分類模型。將第三層細節(jié)系數(shù)作為特征參量，分別訓練和測試單隱層B