Тип работы:
Предмет:
Язык работы:


DATA MINING В ИССЛЕДОВАНИИ ПСИХОФИЗИОЛОГИЧЕСКОГО СОСТОЯНИЯ ДЕТЕЙ С ЦЕЛЬЮ ДИАГНОСТИКИ ПЕРИНАТАЛЬНОГО ПОРАЖЕНИЯ ЦЕНТРАЛЬНОЙ НЕРВНОЙ СИСТЕМЫ

Работа №92247

Тип работы

Магистерская диссертация

Предмет

информатика

Объем работы51
Год сдачи2017
Стоимость4970 руб.
ПУБЛИКУЕТСЯ ВПЕРВЫЕ
Просмотрено
48
Не подходит работа?

Узнай цену на написание


ВВЕДЕНИЕ 4
1. ПОСТАНОВКА ЗАДАЧИ ДИАГНОСТИКИ ПЕРИНАТАЛЬНОГО
ПОРАЖЕНИЯ ЦЕНТРАЛЬНОЙ НЕРВНОЙ СИСТЕМЫ 6
1.1. Применение Data Mining в медицине 6
1.2. Задачи классификации 7
1.3. Психофизиологическое состояние детей, перенесших различные
формы перинатального поражения центральной нервной системы 9
1.4. Постановка задачи 10
2. МЕТОДЫ РЕШЕНИЯ ЗАДАЧ КЛАССИФИКАЦИИ 12
2.1. Предварительный анализ данных 12
2.1.1. Предобработка данных 12
2.1.2. Статистический анализ 14
2.2. Обзор методов классификации 16
2.2.1. Наивный байесовский классификатор 16
2.2.2. Метод ближайших соседей 17
2.2.3. Деревья принятия решений 18
2.2.4. Логистическая регрессия 18
2.2.5. Метод опорных векторов 19
2.2.6. Случайный лес 20
2.2.7. Градиентный бустинг 21
2.2.8. Нейронные сети 22
2.3. Метрики определения качества 26
3. РЕШЕНИЕ ЗАДАЧИ ДИАГНОСТИКИ ПЕРИНАТАЛЬНОГО
ПОРАЖЕНИЯ ЦЕНТРАЛЬНОЙ НЕРВНОЙ СИСТЕМЫ 30
3.1. Описание и предобработка исходных данных 30
3.2. Предварительный анализ данных 33
3.3. Сравнение работы алгоритмов 35
3.4. Реализация алгоритма 41
ЗАКЛЮЧЕНИЕ 43
БИБЛИОГРАФИЧЕСКИЙ СПИСОК 45
ПРИЛОЖЕНИЕ 1 48
ПРИЛОЖЕНИЕ 2

Актуальность. При патологическом течении беременности и родов рождаются дети с поражением центральной нервной системы (ЦНС). Этот период обозначают как перинатальный с 27 недели беременности и до 7 дня после рождения ребенка [6]. Поражение ЦНС, согласно классификации периодов, имеет 4 клинические формы: перинатальное поражение ЦНС гипоксически-ишемического генеза, гипоксически-геморрагическое поражение ЦНС, натальная травма ЦНС, краниоспинальная травма.
Важность изучения данной проблемы заключается в своевременной постановке верного диагноза и проведении необходимого лечения, соответствующего одной из их клинических форм. Отсутствие лечения перинатального поражения центральной нервной системы (ППЦНС) в дальнейшем приводит к нарушению в психологической сфере, так же могут возникнуть психиатрические заболевания.
При осмотре детей в старшем возрасте (дошкольный и школьный) с целью выявления психических нарушений, важно знать имело ли место ППЦНС, для лечения и дальнейшей профилактики. Так как имеются чисто генетические заболевания психической сферы, заболевания психические связанные с травмами в старшем возрасте или они имеют основу, связанную с ППЦНС, хотя возможны и сочетания.
Так же далеко не всегда ставят диагноз ППЦНС в родильных домах, особенно в настоящее время, т.к. постановка диагноза ППЦНС приводит к уменьшению выплат из фонда федерального страхования, вследствие чего уменьшаются выплаты больнице и врачам.
Объект исследования - данные о пациентах Алтайской краевой клинической детской больницы (АККДБ), которые перенесли различные клинические формы ППЦНС (диагноз поставлен в АККДБ). Затем в дошкольном и младшем школьном возрасте у них было проведено психологическое тестирование и оценка психического статуса. В качестве контрольной группы брались данные о детях, которые не имели ППЦНС, но проживали в одном населенном пункте и находились в тех же социальных условиях.
Предмет исследования - методы data mining, как инструмент для построения прогностической модели и анализа данных.
Цель работы - построение модели диагностики перинатального поражения центральной нервной системы у детей по результатам оценки их психофизиологического состояния.
Для достижения поставленной цели необходимо решить следующие задачи:
1. Изучить методы обработки медицинских данных.
2. Исследовать связи и закономерности между симптомами.
3. Определить значимые связи и признаки.
4. Построить различные прогностические модели.
5. Оценить качество построенных моделей.
6. Выбрать и построить оптимальную модель для диагностики перинатального поражения центральной нервной системы.
В результате работы была построена модель диагностики перинатального поражения центральной нервной системы у детей по результатам их психофизиологического состояния.
Полученные результаты могут быть использованы специалистами для принятия решений при постановке диагноза.


Возникли сложности?

Нужна помощь преподавателя?

Помощь студентам в написании работ!


В ходе работы получены следующие результаты:
В младшей возрастной группе определить наличие ННЦНС представляет собой сложную задачу, в связи с тем, что психика ребенка еще полностью не сформирована. Определить наличие ННЦНС в данном возрасте возможно с точностью до 71%.
В старшей возрастной группе гораздо проще определить наличие ППЦНС. Психика детей уже более устойчива, так же представляется возможность провести дополнительные, более информативные тестирования (например, оценка чтения, письма). Благодаря этим факторам, определить наличие ННЦНС в данной возрастной группе возможно с точностью до 80%.
Так же стоит отметить, что диагностика ННЦНС в обеих возрастных группах возможна как по результатам психологического тестирования, так и по психиатрической оценке. В младшей возрастной группе для диагностики перинатального поражения центральной нервной системы наилучший результат дает использование данных о психиатрическом статусе, в старшей - данных психологического тестирования и психиатрического статуса в совокупности.
Нри проведении диагностики ННЦНС по данным психологического тестирования следует использовать модель градиентного бустинга, при обработке данных психиатрического статуса - модель логистической регрессии.
Так же ходе проведенного исследования решены поставленные задачи и достигнуты следующие результаты:
• изучены методы обработки медицинских данных;
• изучены алгоритмы бинарной классификации;
• изучены метрики определения качества для работы алгоритмов классификации;
• исследованы связи и закономерности между симптомами;
• определены значимые признаки и связи;
• построены различные прогностические модели;
• произведено сравнение моделей между собой;
• выбрана и построена оптимальная модель для диагностики ППЦНС.
Результаты данной работы могут быть использованы специалистами для дополнительной проверки детей, с целью диагностики перинатального поражения центральной нервной системы. Например, психологами в школе.
Основные результаты выпускной работы докладывались на следующих конференциях:
1. IV региональная молодежная конференция «Мой выбор - НАУКА!» Секция прикладной математики и информационных технологий с докладом «Data Mining в исследовании психофизиологического состояния детей с целью диагностики перинатального поражения центральной нервной системы»;
2. 54 Международная научная студенческая конференция МНСК-2016 Секция информационных технологий с докладом «Построение искусственной нейронной сети для диагностики психологических нарушений у детей с различными клиническими формами поражения центральной нервной системы».
Публикации:
Романова О.С., Хрулёв К.А. Построение искусственной нейронной сети для диагностики психологических нарушений у детей с различными клиническими формами поражения центральной нервной системы // Материалы 54-й Международной научной студенческой конференции МНСК-2016: Информационные технологии / Новосиб. гос. ун-т. Новосибирск, 2016. 249 с. - C. 188.



1. Айвазян С.А., Бухштабер В.М., Енюков И.С., Мешалкин Л.Д. Прикладная статистика: классификация и снижение размерности. - М.: Финансы и статистика, 1989.
2. Айвазян С. А., Енюков И. С., Мешалкин Л. Д. Прикладная статистика: основы моделирования и первичная обработка данных. - М.: Финансы и статистика, 1983. - 471 с.
3. Барсегян А.А., Куприянов М.С., Степаненко В.В., Холод И.И. Технологии анализа данных: Data Mining, Visual Mining, Text Mining, OLAP (2-е издание). - Санкт-Петербург: БХВ-Петербург, 2007. - 375 с.
4. Белоусова М.В. Психогенные расстройства у детей, перенесших перинатальное поражение ЦНС: этиология, патогенез, клиника, коррекция. Невролог. вестник. - 2000. - Т.32. - вып. 3-4. - С. 36-39.
5. Вапник В. Н. Восстановление зависимостей по эмпирическим данным. - М.: Наука, 1979.
6. Володин Н. Н., Петрухин А. С., Буркова А. С. и др. Классификация перинатальных поражений нервной системы у новорожденных // Мед. консультация. - 2000. - № 2. - С. 12-28.
7. Воронцов К. В. Комбинаторный подход к оценке качества обучаемых алгоритмов // Математические вопросы кибернетики / под ред. О.Б. Лупанов. - М.: Физматлит, 2004. - T. 13. — С. 5-36.
8. Воронцов К.В. Машинное обучение (курс лекций) — Электронный ресурс: http: //www.machinelearning.ru.
9. Вьюгин В.В. Элементы математической теории машинного обучения: учебное пособие. - М.: МФТИ: ИППИ РАН, 2010. - 231 с.
10. Гайдышев И. Анализ и обработка данных: специальный справочник. - СПб.: Питер, 2001. - 752 с.
11. Гланц С. Медико-биологическая статистика. - М.: Практика, 1998. - 459 с.
12. Горбань А.Н., Россиев Д.А. Нейронные сети на персональном компьютере. - Новосибирск: Наука. Сибирская издательская фирма РАН, 1996. - 276 с.
13. Дюк В.А., Самойленко А.П. Data Mining: учебный курс (+CD). - СПб.: Изд. Питер, 2001. - 368 с.
14. Дюк В.А., Эммануэль В.Л. Информационные технологии в медико-биологических исследованиях. - СПб.: Питер, 2003. - 528 с.
15. Ким О. Дж., Мьюллер Ч.У., Клекка У.Р. Факторный, дискриминантный и кластерный анализ. - М.: Финансы и статистика, 1989. - 215 с.
16. Красивль В.Г. Критические периоды развития головного мозга // Рос. физиолог. журн. - 2000. - T. 86 (11). - С. 1418-1425.
17. Морозов В.И. Последствия перинатальных поражений нервной системы у детей // Педиатрия. - 1998. - № 1. - С. 35-37.
18. Пиянзин А.И., Ремезов Д.В и др. Психофизический статус и картина электрической активности мозга у детей младшего школьного возраста, перенесших перинатальное поражение центральной нервной системы // Измерение, контроль, информатизация : материалы Международной научно-технической конференции «ИКИ-2000». - 2000. - С. 133-135.
19. Приказ Роскомнадзора от 5.09.2013 № 996 «Об утверждении
требований и методов по обезличиванию персональных данных».
20. Р. Флетчер, С. Флетчер, Э. Вагнер Клиническая эпидемология. Основы доказательной медицины: пер. с англ. - М.:МедиаСфера, 1998. - 352 с.
21. Реброва О.Ю. Статистический анализ медицинских данных. - МедиаСфера, 2002. - 70 с.
22. Хабарова Л.М., Пиянзин А.И. Нервно-психическое развитие детей, перенесших перинатальное поражение ЦНС // Вопросы современной педиатрии. - 2004. - Т. 3, № S1. - С. 433.
23. Хайкин С. Нейронные сети: полный курс, 2-e изд.; пер. с англ. - М.: Издательский дом «Вильямс», 2006. - 1104 с.
24. Чубукова И.А. Data Mining: учебное пособие. - М.: Интернет- университет информационных технологий: БИНОМ: Лаборатория знаний, 2006. - 382 с.
25. David W. Hosmer, Stanley Lemeshow. Applied Logistic Regression, 2nd ed. New York, Chichester, Wiley. 2002. 392 P.
26. Davis J., Goadrich M. (2006). The Relationship Between Precision-Recall and ROC Curves // Proceedings of the 23rd International Conference on Machine Learning, Pittsburgh, PA.
27. Hastie, T., Tibshirani R., Friedman J. Chapter 15. Random Forests // The Elements of Statistical Learning: Data Mining, Inference, and Prediction. — 2nd ed. - Springer-Verlag, 2009. - 746 p.
28. Nello Cristianini, John Shawe-Taylor. An Introduction to Support Vector Machines and Other Kernel-based Learning Methods. - Cambridge University Press, 2000.
29. Pandas http://pandas.pydata.org/pandas-docs/stable/.
30. Powers D.M. Evaluation: From precision, recall and f-factor to roc, informedness, markedness and correlation. // Technical report, School of Informatics and Engineering, Flinders University Adelaide, South Australia. - 2007.
31. Python Tutorial https://docs.python.org.
32. Scikit-learn http://scikit-learn.org/stable/.
33. Widrov B., Lehr M.A. 30 years of adaptive neural networks: perceptron, Madaline, and backpropagation // Proceedinga of the IEEE, vol. 78, No. 9, Septemper, 1990, p. 1415-1442.


Работу высылаем на протяжении 30 минут после оплаты.




©2024 Cервис помощи студентам в выполнении работ