论文部分内容阅读
大数据开启了一次重大的时代转型,正在改变我们的生活及理解世界的方式,成为新发明和新服务的源泉,更多的改变正蓄势待发。同时,大数据也使得医疗健康领域展开一系列的变革。其中,疾病预防和诊断是医疗领域变革的一个重要方向。大数据技术为医疗健康领域的发展带来了新的契机,以数据驱动为支撑的医疗健康信息化方兴未艾。医疗数据来源广泛,数据类型众多且结构复杂,利用一般的统计学习算法和机器学习算法对数据难以建立准确的特征学习模型。基于此,本文将深度学习理论应用到生理大数据分析中,设计一种以非监督学习方式学习生理时序数据关键特征的深度人工神经网络。然后,基于多元高斯分布理论构建健康状态评估模型,将深度人工神经网络学习到的数据特征作为该评估模型的输入,以此评估用户的健康状态。论文主要研究内容如下:(1)时序数据的深度特征学习研究基于卷积神经网络理论,设计一种非监督学习的深度人工神经网络模型,用于学习多维生理时序数据的深层次特征。基于自动编码算法,研究怎样从无标签的数据中非监督地学习数据特征。研究网络模型的层数、网络节点数和学习率等关键参数,使模型能高效准确地学习生理时序数据的关键特征。(2)健康状态评估模型研究基于多元高斯分布理论构建健康状态评估模型。研究怎样利用多元高斯分布理论,设计一个能高效准确地评估用户健康状态的评估模型。(3)系统的实验与仿真利用Python和MATLAB软件平台,通过对32个自愿者的40组8×8064维生理大数据的实验与仿真,首先确定一组健康状态评估模型的最佳参数;然后利用该模型学习生理参数的特征;最后由状态评估模型得出健康状态评估结果。实验结果表明,基于卷积神经网络理论构建的特征学习模型能有效的提取多维生理大数据的深层次特征;基于多元高斯分布理论构建健康状态评估模型能够对人体的健康状态进行有效地评估。