淡江大學覺生紀念圖書館 (TKU Library)
進階搜尋


下載電子全文限經由淡江IP使用) 
系統識別號 U0002-0207201212232500
中文論文名稱 骨盆底肌肉訓練之數據分群
英文論文名稱 The Data Clustering of Pelvic Floor Muscle Training
校院名稱 淡江大學
系所名稱(中) 資訊工程學系碩士班
系所名稱(英) Department of Computer Science and Information Engineering
學年度 100
學期 2
出版年 101
研究生中文姓名 林恪任
研究生英文姓名 Ko-Jen Lin
學號 699411384
學位類別 碩士
語文別 中文
第二語文別 英文
口試日期 2012-06-13
論文頁數 70頁
口試委員 指導教授-陳瑞發
委員-林偉川
委員-王英宏
委員-陳瑞發
委員-謝楠楨
中文關鍵字 集群分析  骨盆底肌肉運動  k-means  DBSCAN  SLINK 
英文關鍵字 Clustering Analysis  Pelvic Floor Muscle Training (PFMT)  k-means  DBSCAN  SLINK 
學科別分類 學科別應用科學資訊工程
中文摘要       透過安裝於骨盆底肌肉訓練輔助器上的感測器,可以取得如施力、時間等資訊,分析這些資料並將其分群,提供給醫師判斷,賦予其專業認定的特性給各cluster。這些學習後的資料便成為患者的個人化參考依據,讓病人不在醫院時也能正確練習。
      本論文的目的在研究分析三類分群演算法,將其運用在骨盆底肌肉訓練的資料分群上。在centroid-based的部份引用了k-means,density-based的部份提出了源自DBSCAN的density-split,而connectivity-based則以SLINK的概念發展了chain。此外,針對noise造成的問題,本論文提出在分群前先排除noise的方法,欲藉此改善分群結果,讓醫師判讀與後續使用的參考資料更為精確。
英文摘要       By attaching a pressure sensor on the device of pelvic floor muscle training (PFMT), we can collect data such as force and time. After data clustering, the proposed system can provide the PFMT data to the doctor. The doctor identifies the cluster by his/her professional knowledge. This identified data becomes the personal training data of the patient.
      The purpose of this thesis is studying three kinds of clustering algorithms, and implementing it for clustering the data of PFMT. In centroid-based, we reference "k-means". In density-based, we propose "density-split" which is inspired by DBSCAN. Finally, in connectivity- based, we propose "chain" which based on the concept of SLINK. Besides, in order to solve the problem caused by noise. We propose a method that excludes noise before clustering which can improve clustering result, and provide more accurate training data for clinical use.
論文目次 目錄
第一章 緒論 1
1.1 研究背景 1
1.2 研究動機 1
1.3 研究目標 2
第二章 相關研究 5
2.1 Clustering 5
2.1.1 Centroid-Based 5
2.1.2 Density-Based 8
2.1.3 Connectivity-Based 10
2.2 Noise Detection 11
第三章 研究內容與方法 12
3.1 評估方法 12
3.2 測試資料 13
3.3 Centroid-Based : k-Means 14
3.4 Density-Based : Density-Split 17
3.5 Connectivity-Based : Chain 20
3.6 Noise處理 24
3.6.1 排除方法 24
3.6.2 配合Clustering的實作說明 26
第四章 實驗與結果討論 27
4.1 實驗說明 27
4.1.1 實驗設定 27
4.1.2 實驗環境 29
4.2 實驗結果 31
4.2.1 k-Means 31
4.2.2 Density-Split 34
4.2.3 Chain 37
4.2.4 實驗數據分析與討論 39
4.3 實作於PFMT的實際資料 42
4.3.1 實作說明 42
4.3.2 實作結果 44
4.3.3 討論與建議 46
第五章 結論與未來相關研究 47
5.1 結論 47
5.2 未來相關研究 48
參考文獻 49
附錄—英文論文 51

圖目錄
圖1.1 資料處理流程 4
圖2.1 k-Means步驟 6
圖2.2 Density-connected說明 (Source: [Ester 1996]) 9
圖3.1 測試資料中的cluster基本類型 14
圖3.2 隨機初始centroid比較 14
圖3.3 Chain受noise影響圖 21
圖4.1 模擬資料類型 29
圖4.2 k-Means – 資料類型1 32
圖4.3 k-Means – 資料類型2 32
圖4.4 k-Means – 資料類型3 32
圖4.5 k-Means – 資料類型4 33
圖4.6 k-Means – 資料類型5 33
圖4.7 DS – 資料類型1 35
圖4.8 DS – 資料類型2 35
圖4.9 DS – 資料類型3 35
圖4.10 DS – 資料類型4 36
圖4.11 DS – 資料類型5 36
圖4.12 Chain – 資料類型1 37
圖4.13 Chain – 資料類型2 37
圖4.14 Chain – 資料類型3 38
圖4.15 Chain – 資料類型4 38
圖4.16 Chain – 資料類型5 38
圖4.17 三主要演算法比較執行結果 40
圖4.18 三主要演算法配合EN後比較執行結果 40
圖4.19 k-Means在原始實際資料的問題 42
圖4.20 DS在原始實際資料的問題 43
圖4.21 Chain在原始實際資料的問題 43
圖4.22 k-means – 實際資料 45
圖4.23 DS – 實際資料 45
圖4.24 Chain – 實際資料 45

表目錄
表4.1 PFMT裝置規格表 30
表4.2 實驗軟硬體表 30
表4.3 k-Means執行結果 33
表4.4 Density-Split執行結果 36
表4.5 Chain執行結果 39
表4.6 三主要演算法比較執行結果 39
表4.7 三主要演算法配合EN後比較執行結果 41
參考文獻 [Ester 1996] M. Ester, H.-P. Kriegel, J. Sander, X. Xu, “A density-based algorithm for discovering clusters in large spatial data sets with noise,” Proceedings of the Second International Conference on Knowledge Discovery and Data Mining, Portland, OR, pp. 226–231, 1996.

[Färber 2010] I. Färber, S. Günnemann, H.P. Kriegel, P. Kröger, E. Müller, E. Schubert, T. Seidl, and A. Zimek, “On Using Class-Label in Evaluation of Clusterings,” 1st International Workshop on Discovering, Summarizing and Using Multiple Clusterings Held in Conjunction with KDD, 2010.

[Kashanian 2011] M. Kashanian, S. S. Ali, M. Nazemi, and S. Bahasadri, “Evaluation of the effect of pelvic floormuscle training (PFMT or Kegel exercise) and assisted pelvic floor muscle training (APFMT) by a resistance device (Kegelmaster device) on the urinary incontinence in women “comparison between them: a randomized trial”,” European Journal of Obstetrics Gynecology and Reproductive Biology, Vol. 159, No. 1, pp. 218–223, 2011.

[Lung 2010] Chung-Horng Lung, Chenjuan Zhou, “Using hierarchical agglomerative clustering in wireless sensor networks: An energy-efficient and flexible approach.” Ad Hoc Networks Vol. 8, Issue 3, pp, 328–344, 2010.

[MacQueen 1967] J. MacQueen, “Some methods for classification and analysis of multivariate observations,” Fifth Berkeley Symposium on Mathematics, Statistics and Probability, pp. 281–297, 1967.

[Maitra 2010] Ranjan Maitra, Anna D. Peterson, Arka P. Ghosh, “A systematic evaluation of different methods for initializing the K-means clustering algorithm,” IEEE Transactions on Knowledge and Data Engineering, 2010.

[Onoda 2010] Takashi Onoda, Miho Sakai, Seiji Yamada, “Careful Seeding Based on Independent Component Analysis for k-Means Clustering,” 2010 IEEE/WIC/ACM International Conference on Web Intelligence and Intelligent Agent Technology, Vol.3, pp.112-115, 2010.

[Rand 1971] William M. Rand, “Objective criteria for the evaluation of clustering methods,” Journal of the American Statistical Association, Vol. 66, No. 336, pp. 846-850, 1971.

[Romero 2010] Jose Diaz-Romero, Salvatore Romeo, Judith V.M.G. Bovée, Pancras C.W. Hogendoorn, Paul F. Heini, Pierre Mainil-Varlet, “Hierarchical clustering of flow cytometry data for the study of conventional central chondrosarcoma,” Journal of Cellular Physiology Vol. 225, Issue 2, pp. 601–611, 2010.

[Williams 2002] G. Williams, R. Baxter, H. He, S. Hawkins and L. Gu, “A Comparative Study for RNN for Outlier Detection in Data Mining,” Proceedings of the 2nd IEEE International Conference on Data Mining, pp. 709, 2002.

[Xiao 2012] X. Xiao, S. Cao, L. Huang and Y. Tang, “Scientific Communities Found Based on the Path Structure of Citation Network,” International Journal of Intelligence Science, Vol. 2 No. 1, pp. 16-21, 2012.

[Zhong 2011] Caiming Zhong, Duoqian Miao, Pasi Franti, “Minimum spanning tree based split-and-merge: A hierarchical clustering method,” Information Sciences, Vol. 181, Issue 16, pp.3397–3410, 2011.
論文使用權限
  • 同意紙本無償授權給館內讀者為學術之目的重製使用,於2012-07-05公開。
  • 同意授權瀏覽/列印電子全文服務,於2012-07-05起公開。


  • 若您有任何疑問,請與我們聯絡!
    圖書館: 請來電 (02)2621-5656 轉 2281 或 來信