面向普适健康监测的心脏病分析方法

doi:10.3778/j.issn.1002-8331.1607-0137

计算机工程与应用 ›› 2018, Vol. 54 ›› Issue (1): 159-165.DOI: 10.3778/j.issn.1002-8331.1607-0137

面向普适健康监测的心脏病分析方法

朱雪彤1，钱秀娟2，孙薇薇1，侯宪春1，陈广生3，王永利4

1.佳木斯大学理学院，黑龙江佳木斯 154007
2.中移（杭州）信息技术有限公司，杭州 310012
3.佳木斯发电厂燃料分厂，黑龙江佳木斯 154007
4.南京理工大学计算机科学与工程学院，南京 210094

出版日期:2018-01-01 发布日期:2018-01-15

Analysis method of heart disease for pervasive health monitoring

ZHU Xuetong1, QIAN Xiujuan2, SUN Weiwei1, HOU Xianchun1, CHEN Guangsheng3, WANG Yongli4

1.College of Science, Jiamusi University, Jiamusi, Heilongjiang 154007, China
2.China Mobile （Hangzhou） Information Technology Co., Ltd., Hangzhou 310012, China
3.Fuel Branch, Jiamusi Power Plant, Jiamusi, Heilongjiang 154007, China
4.School of Computer Science and Engineering, Nanjing University of Science and Technology, Nanjing 210094, China

Online:2018-01-01 Published:2018-01-15

摘要/Abstract

摘要： 为了提高普适健康监测服务的病人护理质量，采用贝叶斯网络对心脏病数据进行及时准确的分析，提出从样本数据集中学习网络节点顺序的方法，克服了传统算法需要领域专家给定网络中节点顺序的限制；另外，引入了并行优化方法进一步提高在大数据量情况下建立心脏病诊断分析模型的速度。实验证明提出的方法在一定程度上提高了模型分析的准确率，并且缩短了建模的时间。

关键词: 普适健康监测, 心脏病分析, 贝叶斯网络, 并行优化

Abstract: In order to promote the health-care quality of pervasive health monitoring service, this paper uses Bayesian networks to analyze heart disease, and presents a method to conform the sequence of network nodes from sample dataset. This method overcomes the limitation that traditional algorithms which require experts of medical field give the sequence of network nodes. In addition, in order to shorten the analysis time, a parallel optimization technique is adopted to accelerate the establishment of HD diagnosis model over large amounts of data. Experiments show that the proposed method can improve the accuracy of the modeling and shorten the modeling time to some extent.

Key words: pervasive health monitoring, heart disease analysis, Bayesian networks, parallel optimization

朱雪彤1，钱秀娟2，孙薇薇1，侯宪春1，陈广生3，王永利4. 面向普适健康监测的心脏病分析方法[J]. 计算机工程与应用, 2018, 54(1): 159-165.

ZHU Xuetong1, QIAN Xiujuan2, SUN Weiwei1, HOU Xianchun1, CHEN Guangsheng3, WANG Yongli4. Analysis method of heart disease for pervasive health monitoring[J]. Computer Engineering and Applications, 2018, 54(1): 159-165.

[1]	郭雪昆，秦远辉，杜亮，罗永亮，王宏安. 基于MEBN的大型舰船舰面保障作业检测[J]. 计算机工程与应用, 2021, 57(1): 242-253.
[2]	陈海洋，刘喜庆，环晓敏. 一步预测的SVDDBN缺失数据插补算法[J]. 计算机工程与应用, 2020, 56(7): 81-87.
[3]	郑伟，侯宏旭，班志杰. 贝叶斯网络查询语义扩展的专家发现方法[J]. 计算机工程与应用, 2020, 56(13): 194-198.
[4]	吕学志1，2，胡晓峰1，吴琳1，贺筱媛1. 基于贝叶斯网络的任务共同体识别[J]. 计算机工程与应用, 2019, 55(5): 251-257.
[5]	高昂，段莉，张国辉，董志明，曹洁，郭齐胜. 计算机生成兵力行为建模发展现状[J]. 计算机工程与应用, 2019, 55(19): 43-51.
[6]	严智，张鹏，谢川. 基于Jaya的贝叶斯网络结构学习算法研究[J]. 计算机工程与应用, 2019, 55(19): 173-177.
[7]	蔡青松，陈希厚. 基于评分函数的贝叶斯网络结构融合算法[J]. 计算机工程与应用, 2019, 55(11): 147-152.
[8]	郭文强，高文强，侯勇严，李然. 基于稀缺数据集下BN参数学习的目标识别[J]. 计算机工程与应用, 2018, 54(17): 122-125.
[9]	王东1，2，陈志1，岳文静3，刘亚威1. 使用贝叶斯网络的社交网络信任驱动推荐方法[J]. 计算机工程与应用, 2017, 53(9): 146-151.
[10]	沈一超，倪世宏，张鹏. 基于贝叶斯网络的飞行动作识别方法[J]. 计算机工程与应用, 2017, 53(24): 161-167.
[11]	丁东1，付晓东1，2，岳昆3. 基于贝叶斯网络的在线商品评价质量评估[J]. 计算机工程与应用, 2017, 53(2): 21-26.
[12]	高学攀，廖士中. 基于贝叶斯网络的林火概率预测系统设计与实现[J]. 计算机工程与应用, 2017, 53(13): 246-251.
[13]	刘飞飞，蔺婧娜，刘潇潇. 基于动态贝叶斯网络的复杂网络攻击方法研究[J]. 计算机工程与应用, 2017, 53(11): 18-25.
[14]	杜元伟1，石方园2，杨娜2. 融合专家相对推断的贝叶斯网络构建方法[J]. 计算机工程与应用, 2016, 52(22): 105-112.
[15]	郑慧萌1，2，刘卫东1，肖承地1，余为锋1. 基于贝叶斯网络的硬件产品设计缺陷评估[J]. 计算机工程与应用, 2016, 52(19): 228-233.

面向普适健康监测的心脏病分析方法

Analysis method of heart disease for pervasive health monitoring

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics