给大家分享7篇关于医疗健康的计算机专业论文

今天分享的是关于医疗健康的7篇计算机毕业论文范文, 如果你的论文涉及到医疗健康等主题,本文能够帮助到你

基于数据融合的智慧养老医疗健康系统的研究与实现

这是一篇关于数据融合,智慧养老,医疗健康的论文, 主要内容为随着人口老龄化问题的加深,以及社会生活节奏越来越快,老年人的照料问题越来越受人关注,养老问题也成为社会热点问题。当养老服务的理念和技术发展起来,智慧养老这一新理念也逐渐兴起。智慧养老最早由英国生命信托基金提出,也被称为“全智能老年系统”,它通过利用传感器技术、数据处理技术、web技术和移动互联网技术等技术,改造传统养老服务模式和管理方法,为老年人提供足够的生活照料、医疗护理和精神慰藉,使其享受高质量、高享受的养老服务。本文将数据融合技术引入智慧养老平台,分析老年人日常数据,根据数据融合的结果为老人提供个性化服务,在一定程度上部分解决了养老问题。本文提出了基于数据融合的智慧养老平台的总体架构,将智慧养老平台分为基础设施层、数据支撑层和应用层。在基础设施层包括智慧养老终端、网络部署等硬件资源,在数据支撑层包括数据中心和数据融合两个层次,在应用层根据应用功能的不同分为医疗健康子系统、主动关怀子系统、社区服务与活动子系统和救援安防子系统。本文侧重实现了医疗健康子系统的功能,包括智慧养老终端详细设计、健康信息融合详细设计以及医疗健康功能的详细设计。智慧养老终端通过Zigbee网络进行组网,将数据汇聚到家用网关,由网关与数据处理中心进行交互。数据处理中心使用MINA接收数据,并使用Spring+Hibernate将数据存储在Mysql数据库中；使用Quartz框架定期对数据库中的数据进行健康信息融合,得出老年人的身体状况和得病情况；使用Struts来完成MVC架构,处理web请求；使用easyUI+ajax完成社区养老服务中心web端；使用android技术完成居家养老软件手机版和居家养老软件电视版。论文测试结果表明,基于数据融合的智慧养老医疗健康系统的功能满足实际需求,具有较强的实用性。

基于深度学习的中文疾病名称归一化研究

这是一篇关于深度学习,疾病名称标准化,医疗健康,大数据分析与处理,文本挖掘的论文, 主要内容为医疗健康信息抽取和知识挖掘是提升我国医疗健康服务和医疗管理决策水平的重要途径,尤其是在大数据时代显得更为关键。一方面,由于医疗资源分布不均衡,导致现阶段医疗知识管理与不断增长的医疗健康服务需求之间的矛盾,公众开始诉求其它医疗服务形式;另一方面,随着互联网模式的持续发展,不同形式的社交媒体逐步改变了我国医疗健康领域中人们获取和分享医疗信息方式。在这种背景下,近年来以在线健康社区为主的医疗健康服务社区逐步吸纳了众多用户群体参与其中,积累了大量健康数据。这些数据蕴含着宝贵的医疗健康知识,是深入了解用户需求,提升医疗健康服务水平的重要依据,已经成为了知识挖掘与知识发现、知识图谱构建、知识推理、知识推荐方法等医疗学术研究的重要数据源。疾病名称归一化是指将用户对疾病的指称映射到标准疾病名称上的过程,该研究作为医疗健康领域信息抽取和和知识挖掘的关键环节,是知识图谱构建和深度信息挖掘的基础。然而,由于在线文本表述缺乏严格的术语标准规范,网络文本表述往往比较随意和口语化,针对在线健康社区的疾病名称归一化面临着较大挑战。深度学习模型是人工智能领域的重要研究,它学习和适应能力强,覆盖范围广,迁移性高,能够更充分利用大规模的语义特征,发现并学习文本间的内在特征关系,能够较好地运用于复杂且专业的医疗健康领域知识发现研究。因此,为有效解决医疗健康领域下存在的挑战和问题,本文设计了基于深度学习的疾病名称归一化模型,从而进一步提升医疗健康信息抽取和知识挖掘效果。本研究首先基于在线健康社区构建了中文疾病名称归一化数据集,采用基础神经网络模型进行了中英文对照实验,并引入多种外部语义特征讨论其对实验的影响。其次从融合局部和全局语义特征向量的角度出发,提出了基于多特征融合的中文疾病名称归一化模型。接着基于多任务学习视角,一方面应用BERT获取输入文本的动态语义特征,另一方面构建混合神经网络以提取静态语义特征的语义关系,同时引入词性和医学词典生成注意力权重矩阵作为辅助任务调节向量。最后,在多任务学习模型中融入基于自注意力机制的持续学习方法,达到了最优归一化效果。最佳模型(GCBM-BSCL)在Accuracy@1上达到76.12%,在Accuracy@5上达到87.20%,在Accuracy@10上达到90.02%。本研究首次在中文疾病名称归一化任务中将CNN、BERT、自注意力机制、持续学习、深度语义融合和多任务学习相结合,从向量、模型、框架和算法等层面进行了优化,在中文医学知识图谱构建、信息抽取和自然语言理解中具有较好的应用价值,本研究不仅有助于进一步推动国内医疗健康领域知识挖掘研究进展,同时对于推进人工智能在医疗健康领域应用和深化具有重要意义。

面向医疗健康数据的知识图谱研究与应用

这是一篇关于知识图谱,问答系统,深度学习,命名实体识别,医疗健康的论文, 主要内容为随着互联网智能设备终端全球普及,其数据由不同行业、不同设备以多源、多维、多态的表现形式产生。以智慧医疗领域为例,有门诊、互联网的文字问诊数据,有诊疗过程中的HIS等系统产生的结构化数据,有检验过程中的图形数据,有预后随访的语音数据等。这些数据是否有效的利用,对于智慧医疗的发展有至关重要的作用。智慧医疗的实现,需要知识图谱技术与深度学习技术作为辅助。目前医疗行业其数据表现出的多源、多维、多态特征,亟需对医疗行业的数据进行信息抽取、分析、融合,形成可利用的多源多维多态信息融合的复杂数据应用。本文面向多源多维多态的医疗健康数据进行以下三点研究:1)研究医疗健康文本数据的知识抽取与融合方法。在知识抽取阶段,研究使用深度学习对中文医疗健康文本进行信息提取,改进基于共享参数的联合抽取模型,引入提高自然语言识别准确度的ALBERT预训练模型,针对中文识别需要进行分词的需求采用Lattice LSTM,之后进行实体标签与关系类别的输出;在知识融合阶段,研究基于Bi LSTM的医疗健康实体对齐方法,利用Bi LSTM对不同知识源的医疗健康实体进行特征匹配,实现多源知识的融合。2)研究基于文本数据的实体与意图识别方法。在用户问题文本实体识别阶段,研究基于自注意力机制的命名实体识别方法,利用Transformer编码结构获取上下文信息,识别用户问题中的目标实体;在意图识别阶段,研究基于ALBERT-Text CNN的意图识别方法,利用ALBERT与训练模型对用户输入文本进行嵌入,之后利用Text CNN进行特征提取,得到用户问题文本中的目标关系。提取完成目标实体与关系后,通过查询知识图谱对用户问题进行反馈。3)研究基于知识图谱的医疗健康数据的应用与实现。主要研究医疗健康数据应用的构建以及功能设计,对于用户需要满足自动化问诊、报告生成等医疗应用需求,并根据大数据技术对医疗健康数据应用进行技术架构与设计,使其在处理海量医疗健康数据时有良好表现,最终对数据应用中的自动化问诊部分功能进行实现。

基于数据融合的智慧养老医疗健康系统的研究与实现

基于特征空间的大规模医疗健康知识图谱检索方法研究

这是一篇关于知识图谱,检索系统,深度学习,特征空间,医疗健康的论文, 主要内容为随着信息技术的发展,医学健康数据呈指数级爆炸式增长,数据变得越发庞大冗杂,医疗健康术语或概念实体之间的关联分析利用面临巨大挑战。针对此方面问题,本文在建立医疗健康知识图谱的基础上,利用特征学习的方法实现基于特征空间的医疗健康知识图谱检索和医疗健康文献询证检索。本文的主要工作有:(1)研究大规模医疗健康领域知识图谱的构建方法。从数据采集处理、知识抽取以及实体消歧等方面开展深入研究并构建医疗健康知识图谱,构建基于MIMIC-III数据集的医疗健康知识图谱,为医疗健康领域相关概念检索提供数据基础。(2)研究基于特征空间的大规模医疗健康领域知识图谱检索算法。通过建立医疗健康知识图谱特征邻域,挖掘发现潜在图谱实体关联关系,采用特征空间上的一个领域表示候选节点集合,通过使用医疗健康知识图谱作数据集,分析不同知识图谱检索方法,验证算法的有效性及科学性。(3)研究基于特征空间的文献循证检索方法。利用医疗健康实现与文献询证关联特征实现查询筛选,通过强化学习模型学习适应用户需求特征,发现询证文献,从而更好的捕捉用户的兴趣偏好,通过模拟实验验证方法的合理性。本文在医疗健康知识图谱的检索上提供了一种新的方法,能够支持大规模医疗健康知识图谱查询以及文献询证检索,具有重要的科研和临床应用价值。