论文部分内容阅读
随着信息技术的不断发展,医院内信息系统愈加完善,特别是物联网、移动医疗、自动化分析检测仪、可穿戴设备的普及,医院、医生和患者都成了数据的直接创造者,每天都会有大量的数据产生并存储。充分挖掘医疗健康大数据中包含的潜在价值,对提高医疗服务质量、节约医疗成本、加强个人健康管理具有重要作用。但是将潜在价值挖掘出来的过程却充满挑战。其中一个问题就是计算负担的问题,数据量的增长、数据维度的增长都使得现有的串行计算方式不堪重负,医生如果想从海量临床记录中挖掘出有效的信息,可能仅在算法模型训练阶段就耗费几小时甚至几天的时间,数据处理的工作会占用医生大量宝贵的时间和精力。还有一个问题就是医疗健康大数据的不完整性和时效性常常导致研究人员训练出的模型具有较差的泛化能力,在面对真实的数据时,经常表现出较大的精度落差。在医疗健康大数据环境下,针对现有数据分析算法处理能力不足,数据分析耗时长,分析算法适应能力较差等问题,本论文研究了当今主流的并行计算方法,来应对这些挑战。主要研究内容包括:在临床数据方面,研究了 CUDA并行平台,结合心电数据特点,设计了并行的心拍分割和特征提取方法,再结合算法特点,设计出并行的广义回归神经网络用于心拍的分类任务,为心血管疾病的诊断提供辅助信息。在保证较高分类精度的前提下,并行算法使得程序的运行效率获得上百倍的提升,大大缩短了数据处理时间,为医生节约出更多的时间,使得医生可以将更多的精力放在诊疗过程中。在个人健康数据方面,研究了 OpenCL并行平台,设计出了一种基于智能手机的个性化运动分类方法,通过集成在智能手机中的加速度传感器和陀螺仪收集运动数据,设计实现了并行Adaboost-stump算法用于分类模型的训练,对坐、站、走、跑、骑车五种常见的运动进行分类,并取得了令人满意的分类精度。OpenCL下的并行设计充分发挥了智能手机的计算能力,大大缩短了数据处理时间,使得用户可以便捷、高效地在智能手机上训练属于自己的个性化模型。在数据分析平台方面,设计实现了基于并行计算和机器学习的临床决策支持系统,在机器学习算法方面实现了 6种常用的机器学习模型,以适应不同的数据分析需求。在程序运行效率方面分别把上述6种算法在3种不同框架下并行化,使得系统可以在不同的硬件环境下都能获得效率提升。实验中,系统表现出了出色的运行效率和分类精度,可以高效、精确地完成提供医疗辅助建议的作用。