1. Trang chủ
  2. » Luận Văn - Báo Cáo

Áp dụng khai thác tập phổ biến tối đại để phát triển hệ hỗ trợ quyết định chẩn đoán điều trị

100 7 0

Đang tải... (xem toàn văn)

Tài liệu hạn chế xem trước, để xem đầy đủ mời bạn chọn Tải xuống

THÔNG TIN TÀI LIỆU

Thông tin cơ bản

Tiêu đề Áp Dụng Khai Thác Tập Phổ Biến Tối Đại Để Phát Triển Hệ Hỗ Trợ Quyết Định Chẩn Đoán Điều Trị
Tác giả Nguyễn Vũ Minh Duy
Người hướng dẫn PGS.TS Quản Thành Thơ
Trường học Trường Đại Học Công Nghệ TP.HCM
Chuyên ngành Công Nghệ Thông Tin
Thể loại Luận Văn Thạc Sĩ
Năm xuất bản 2017
Thành phố TP. HỒ CHÍ MINH
Định dạng
Số trang 100
Dung lượng 4,39 MB

Nội dung

Ngày đăng: 11/07/2021, 16:46

Nguồn tham khảo

Tài liệu tham khảo Loại Chi tiết
[1]. Đỗ Phúc (2013). Giáo trình khai thác dữ liệu Data mining. Nhà xb Đại học Quốc Gia TP.HCM. Nơi xb TP.HCM.Bài báo nghiên cứu đăng trên tạp chí Sách, tạp chí
Tiêu đề: Giáo trình khai thác dữ liệu Data mining
Tác giả: Đỗ Phúc
Năm: 2013
[2]. Đỗ Văn Thành (2000). ‘Một cách tiếp cận ra quyết định trong chẩn đoán lâm sàng’. Tạp chí tin học và điều khiển học Viện Công nghệ Thông tin. 16(1). 52-58 Sách, tạp chí
Tiêu đề: Tạp chí tin học và điều khiển học Viện Công nghệ Thông tin
Tác giả: Đỗ Văn Thành
Năm: 2000
[3]. Văn Thế Thành, Trần Minh Bảo (2012). ‘Xây dựng hệ hỗ trợ ra quyết định chẩn đoán bệnh’. Tạp chí khoa học Đại học Huế. tập 74A. số 5. 129- 139 Sách, tạp chí
Tiêu đề: Tạp chí khoa học Đại học Huế
Tác giả: Văn Thế Thành, Trần Minh Bảo
Năm: 2012
[4]. Tripathy, B. K.; Acharjya, D. P. and Cynthya (April 2011). ‘A Framework for Intelligent Medical Diagnosis using Rough Set with Formal Concept Analysis’, International Journal of Artificial Intelligence &Applications (IJAIA), Vol.2, No.2 Sách, tạp chí
Tiêu đề: International Journal of Artificial Intelligence & "Applications (IJAIA)
[8]. R. Agrawal, R. Srikant (June 1994). Fast algorithms for mining association rules in large databases. Research Report RJ 9839, IBM Almaden Research Center, San Jose, California Sách, tạp chí
Tiêu đề: Research Report RJ 9839
[11]. J. Han, J. Pei, and Y. Yin. (May 2000). Mining frequent patterns without candidate generation. In Proceeding of Special Interest Group on Management of Data. pages 1–12. Dallas, TX Sách, tạp chí
Tiêu đề: In Proceeding of Special Interest Group on Management of Data
[12]. Johannes Gehrke, Doug Burdick Manuel Calimlim (2001). A Maximal Frequent Itemset Algorithm for Transactional Databases. Department of Computer Science, Cornell University. ICDE’01.Các tài liệu từ internet/website Sách, tạp chí
Tiêu đề: Department of Computer Science
Tác giả: Johannes Gehrke, Doug Burdick Manuel Calimlim
Năm: 2001
[7]. R. J. Bayardo (1998). Efficiently mining long patterns from databases, ACM SIGMOD’98 Khác
[9]. Karam Gouda, Mohammed J. Zaki (2001). Efficiently Mining Maximal Frequent Itemsets, ICDM’01 Khác
[10]. G¨osta Grahne, Jianfei Zhu (2003). High Performance Mining of Maximal Frequent Itemsets. In 6th International Workshop on High Performance Data Mining Khác
[13]. Sở y tế TP.HCM (2016). nguồn dữ liệu các mặt bệnh liên quan triệu chứng trích xuất từ kho phác đồ điều trị của [online],11/3/2017, từ<pddt.medinet.org.vn/Account/Login&gt Khác
[14]. Tổ chức Bác sĩ Gia đình thế giới WONCA (2017). Danh mục than phiền triệu chứng ICPC2 quốc tế của bác sĩ gia đình [online], 11/3/2017, từ <http://www.globalfamilydoctor.com/wicc/sensi.html.&gt Khác
[15]. Đại học Northwestern và Đại học Maryland School of Medicine (2016). Dữ liệu mặt bệnh liên quan triệu chứng [online], 11/3/2017, từ<http://disease-ontology.org/&gt Khác
[16]. IBM (2016). Công cụ tạo bộ dữ liệu khai thác dữ liệu [online], 11/03/1983, từ <http://www.almaden.ibm.com/cs/quest /syndata.html.&gt Khác
[17]. Philippe fournier viger (2017). SPMF is an open-source data mining mining library written in Java, specialized in pattern mining [online], 11/3/2017, <http://www.philippe-fournier-viger.com/spmf/datasets.php&gt Khác

HÌNH ẢNH LIÊN QUAN

Hình 1.3 Dữ liệu triệu chứng được trích từ Phác đồ điều trị và nguồn CSDL khám bệnh - Áp dụng khai thác tập phổ biến tối đại để phát triển hệ hỗ trợ quyết định chẩn đoán điều trị
Hình 1.3 Dữ liệu triệu chứng được trích từ Phác đồ điều trị và nguồn CSDL khám bệnh (Trang 30)
Hình 1.4 Dữ liệu triệu chứng và bệnh được mô hình lên dànTC1 TC2 TC3 TC4 TC5 TC6 TC7 - Áp dụng khai thác tập phổ biến tối đại để phát triển hệ hỗ trợ quyết định chẩn đoán điều trị
Hình 1.4 Dữ liệu triệu chứng và bệnh được mô hình lên dànTC1 TC2 TC3 TC4 TC5 TC6 TC7 (Trang 30)
Ta có mô hình: - Áp dụng khai thác tập phổ biến tối đại để phát triển hệ hỗ trợ quyết định chẩn đoán điều trị
a có mô hình: (Trang 33)
Hình 2.2 Hình các bước chạy thuật toán Apriori - Áp dụng khai thác tập phổ biến tối đại để phát triển hệ hỗ trợ quyết định chẩn đoán điều trị
Hình 2.2 Hình các bước chạy thuật toán Apriori (Trang 36)
Hình 2.3 Tìm kiếm trên cây của Max-Miner - Áp dụng khai thác tập phổ biến tối đại để phát triển hệ hỗ trợ quyết định chẩn đoán điều trị
Hình 2.3 Tìm kiếm trên cây của Max-Miner (Trang 40)
Hình 2.4 Các bước chạy thuật toán Max-Miner - Áp dụng khai thác tập phổ biến tối đại để phát triển hệ hỗ trợ quyết định chẩn đoán điều trị
Hình 2.4 Các bước chạy thuật toán Max-Miner (Trang 40)
Bảng 2.3 CSDL giao dịch ví dụ cho thuật toán GENMAX - Áp dụng khai thác tập phổ biến tối đại để phát triển hệ hỗ trợ quyết định chẩn đoán điều trị
Bảng 2.3 CSDL giao dịch ví dụ cho thuật toán GENMAX (Trang 42)
Hình 2.5 Các bước chạy thuật toán GENMAX - Áp dụng khai thác tập phổ biến tối đại để phát triển hệ hỗ trợ quyết định chẩn đoán điều trị
Hình 2.5 Các bước chạy thuật toán GENMAX (Trang 43)
Hình 2.6 Biểu diễn CSDL dạng Bitmap và biểu diễn trên dàn của FP-MAX - Áp dụng khai thác tập phổ biến tối đại để phát triển hệ hỗ trợ quyết định chẩn đoán điều trị
Hình 2.6 Biểu diễn CSDL dạng Bitmap và biểu diễn trên dàn của FP-MAX (Trang 47)
Hình 2.7 Tập CSDL được biểu diễn theo FP-Tree - Áp dụng khai thác tập phổ biến tối đại để phát triển hệ hỗ trợ quyết định chẩn đoán điều trị
Hình 2.7 Tập CSDL được biểu diễn theo FP-Tree (Trang 47)
Hình 2.8 Hình minh họa việc xây dựng các MFI-tree cho các ví dụ về CSDL - Áp dụng khai thác tập phổ biến tối đại để phát triển hệ hỗ trợ quyết định chẩn đoán điều trị
Hình 2.8 Hình minh họa việc xây dựng các MFI-tree cho các ví dụ về CSDL (Trang 50)
Hình 2.9 Hình minh họa giàn tập mục (The Itemset Lattice) - Áp dụng khai thác tập phổ biến tối đại để phát triển hệ hỗ trợ quyết định chẩn đoán điều trị
Hình 2.9 Hình minh họa giàn tập mục (The Itemset Lattice) (Trang 52)
Hình 2.10 Hình minh họa dàn thể hiện các tập phổ biến - Áp dụng khai thác tập phổ biến tối đại để phát triển hệ hỗ trợ quyết định chẩn đoán điều trị
Hình 2.10 Hình minh họa dàn thể hiện các tập phổ biến (Trang 52)
Hình 2.11 Hình biểu diễn cách thức phối hợp các thuật toán của MAFIA[12] - Áp dụng khai thác tập phổ biến tối đại để phát triển hệ hỗ trợ quyết định chẩn đoán điều trị
Hình 2.11 Hình biểu diễn cách thức phối hợp các thuật toán của MAFIA[12] (Trang 57)
Hình 2.12 Hình biểu diễn sự tác động của chiến lược rẻ nhánh khi có dùng reordering và không dùng reordering [12] - Áp dụng khai thác tập phổ biến tối đại để phát triển hệ hỗ trợ quyết định chẩn đoán điều trị
Hình 2.12 Hình biểu diễn sự tác động của chiến lược rẻ nhánh khi có dùng reordering và không dùng reordering [12] (Trang 58)
Hình 2.14 Hình biểu diễn các bước chạy giải thuật DSF Với giải thuật PEP - Áp dụng khai thác tập phổ biến tối đại để phát triển hệ hỗ trợ quyết định chẩn đoán điều trị
Hình 2.14 Hình biểu diễn các bước chạy giải thuật DSF Với giải thuật PEP (Trang 61)
Hình 2.17 Hình biểu diễn các bước chạy giải thuật HUTMFI - Áp dụng khai thác tập phổ biến tối đại để phát triển hệ hỗ trợ quyết định chẩn đoán điều trị
Hình 2.17 Hình biểu diễn các bước chạy giải thuật HUTMFI (Trang 64)
Hình 2.19 Hình nhận xét bước chạy giả thuật MAFIA theo CSDL bảng 2.5 - Áp dụng khai thác tập phổ biến tối đại để phát triển hệ hỗ trợ quyết định chẩn đoán điều trị
Hình 2.19 Hình nhận xét bước chạy giả thuật MAFIA theo CSDL bảng 2.5 (Trang 67)
Hình 2.21 Hình các so sánh giải thuật khai thác tập MFI của tác giả G¨osta Grahne và Jianfei Zhu [10] - Áp dụng khai thác tập phổ biến tối đại để phát triển hệ hỗ trợ quyết định chẩn đoán điều trị
Hình 2.21 Hình các so sánh giải thuật khai thác tập MFI của tác giả G¨osta Grahne và Jianfei Zhu [10] (Trang 72)
Hình 3.1 Hình ví dụ cấu trúc CSDL được tạo ra từ công cụ [16] [17] - Áp dụng khai thác tập phổ biến tối đại để phát triển hệ hỗ trợ quyết định chẩn đoán điều trị
Hình 3.1 Hình ví dụ cấu trúc CSDL được tạo ra từ công cụ [16] [17] (Trang 74)
Kết quả thực nghiệm ví dụ trên CSDL bảng 2.5 với minsupp 0.25 ta được kết quả chạy thực nghiệm, các giải thuật đều cho ra cùng kết quả tập MFI: - Áp dụng khai thác tập phổ biến tối đại để phát triển hệ hỗ trợ quyết định chẩn đoán điều trị
t quả thực nghiệm ví dụ trên CSDL bảng 2.5 với minsupp 0.25 ta được kết quả chạy thực nghiệm, các giải thuật đều cho ra cùng kết quả tập MFI: (Trang 75)
Hình 3.2 Hình Kết quả thực nghiệm trên tập CSDL bảng 2.5 minsupp 0.25 - Áp dụng khai thác tập phổ biến tối đại để phát triển hệ hỗ trợ quyết định chẩn đoán điều trị
Hình 3.2 Hình Kết quả thực nghiệm trên tập CSDL bảng 2.5 minsupp 0.25 (Trang 76)
Hình 3.3 Hình kết quả thời gian chạy các giải thuật CSDL07 với minsupp 0.7 - Áp dụng khai thác tập phổ biến tối đại để phát triển hệ hỗ trợ quyết định chẩn đoán điều trị
Hình 3.3 Hình kết quả thời gian chạy các giải thuật CSDL07 với minsupp 0.7 (Trang 76)
Hình 3.4 Hình kết quả chạy các giải thuật các CSDL ở bảng 3.1 - Áp dụng khai thác tập phổ biến tối đại để phát triển hệ hỗ trợ quyết định chẩn đoán điều trị
Hình 3.4 Hình kết quả chạy các giải thuật các CSDL ở bảng 3.1 (Trang 79)
Hình 3.5 Hình ví dụ mô hình khám bệnh tại một bệnh viện hoặc phòng khám - Áp dụng khai thác tập phổ biến tối đại để phát triển hệ hỗ trợ quyết định chẩn đoán điều trị
Hình 3.5 Hình ví dụ mô hình khám bệnh tại một bệnh viện hoặc phòng khám (Trang 80)
Hình 3.6 Hình chụp mô tả CSDL triệu chứng liên quan mặt bệnh - Áp dụng khai thác tập phổ biến tối đại để phát triển hệ hỗ trợ quyết định chẩn đoán điều trị
Hình 3.6 Hình chụp mô tả CSDL triệu chứng liên quan mặt bệnh (Trang 83)
Hình 3.8 Hình mô tả mô hình xử lý CSDL bệnh và triệu chứng - Áp dụng khai thác tập phổ biến tối đại để phát triển hệ hỗ trợ quyết định chẩn đoán điều trị
Hình 3.8 Hình mô tả mô hình xử lý CSDL bệnh và triệu chứng (Trang 86)
Hình 3.10 Hình kết quả chạy cho ra các bộ MFI từng bệnh của 10 bộ CSDL giao dịch bệnh - Áp dụng khai thác tập phổ biến tối đại để phát triển hệ hỗ trợ quyết định chẩn đoán điều trị
Hình 3.10 Hình kết quả chạy cho ra các bộ MFI từng bệnh của 10 bộ CSDL giao dịch bệnh (Trang 91)
Hình 3.11 Hình mô tả mô hình hoạt động hệ hỗ trợ ra quyết định chẩn đoán bệnh tích hợp phần mềm khám bệnh - Áp dụng khai thác tập phổ biến tối đại để phát triển hệ hỗ trợ quyết định chẩn đoán điều trị
Hình 3.11 Hình mô tả mô hình hoạt động hệ hỗ trợ ra quyết định chẩn đoán bệnh tích hợp phần mềm khám bệnh (Trang 93)

TÀI LIỆU CÙNG NGƯỜI DÙNG

TÀI LIỆU LIÊN QUAN

w