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 U0002-3006201316371300
中文論文名稱 應用資料探勘技術於尿失禁臨床病徵分析
英文論文名稱 Using Data Mining in Urinary Incontinence Clinical Symptom Analysis
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 101
學期 2
出版年 102
研究生中文姓名 張紹揚
研究生英文姓名 Shao-Yang Chang
學號 600410772
學位類別 碩士
語文別 中文
第二語文別 英文
口試日期 2013-06-21
論文頁數 61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
中文關鍵字 骨盆底肌肉訓練  尿失禁  資料探勘  決策樹 
英文關鍵字 Pelvic floor muscle training  Urinary incontinence  Data mining  Decision tree 
學科別分類 學科別應用科學資訊工程
中文摘要 目前骨盆底肌肉訓練療程,醫師除了透過問卷內容了解患者的復健狀況外,醫師在面對不同類型的患者時,醫師只能透過醫療經驗等針對該患者提供處置方式,不容易發現其他可能影響療程等隱藏因子,故無法作出適合該患者的最佳處置。
本論文主要目的在對尿失禁患者利用資料探勘中的決策樹演算法進行分類,期望能探討 不同類型的患者中影響尿失禁治療結果等因子,提供醫師更清楚瞭解患者復健狀況。當有新患者需要進行復健運動時,即可透過決策樹分類模組達到預測的作用,醫師能適時給予患者協助。實作結果表明,各分類模組均可充分將目前患者資料正確地分類至各群組,有效協助醫師應用於臨床看診。
英文摘要 Currently, doctors in addition to the questionnaire to understand urinary incontinence through rehabilitation situation, the doctor in the face of different types of patients only by his medical experience providing for the disposition of the patient. This way is not easy to find other treatments that may affect other hidden factor, it is not appropriate for the patient to make the best deal.
The purpose of this thesis is used decision tree of data mining to discuss factors which affect result of urinary incontinence treatment of different types of patients. Providing that doctor can understand patient’s situation clearly. When a new patient needs to do pelvic floor muscle training, we can predict the result of treatment by using classification model of decision tree. Doctor can give patients assistance in pelvic floor muscle training to improve the treatment effect. The experimental results show that our approach can accurately classify the data to help doctor diagnose patients.
論文目次 目錄
第一章 緒論 1
1.1研究背景 1
1.2研究動機與目的 2
1.3論文架構 3
第二章 相關研究 4
2.1尿失禁簡介 4
2.2尿失禁治療方法 5
2.2.1非手術治療 5
2.2.2手術治療 7
2.3資料探勘 7
2.4決策樹演算法 10
2.4.1常見的決策樹演算法 10
2.4.2 C4.5決策樹演算法之定義 12
第三章 研究方法 19
3.1知識探勘流程 19
3.2尿失禁病症分析流程 21
3.2.1原始資料 24
3.2.2資料轉換及預處理 25
3.2.3選擇目標欄位 26
3.2.4資料取樣 27
3.2.5資料探勘演算法 28
3.2.6臨床醫師模型驗證 30
第四章 實作結果與分析 32
4.1實作環境說明 32
4.2資料類別分組 33
4.3決策樹結果分析 35
4.3.1決策樹模組群組 35
4.3.2分類模組正確率驗證 43
第五章 結論與未來方向 47
5.1結論 47
5.2未來方向 47
參考文獻 49
附錄一 Urogenital Distress Inventory(UDI-6) 51
附錄二 Incontinence Impact Questionnaire(IIQ-7) 52
附錄三 英文論文 53

圖目錄
圖2.1決策樹模組 10
圖2.2訊息熵值變化 16
圖2.3性別屬性作為決策樹節點 18
圖2.4購買房車決策樹模組 18
圖3.1知識探勘流程 20
圖3.2尿失禁病症分析流程圖 23
圖3.3用藥紀錄資料(具有空值資料欄位) 25
圖3.4訓練資料集 28
圖3.5測試資料集 31
圖4.1年齡區間分布 33
圖4.2復健次數區間分布 34
圖4.3決策樹模組-年齡50-59歲 35
圖4.4決策樹模組-年齡60-69歲 36
圖4.5決策樹模組-年齡70-79歲 37
圖4.6決策樹模組-復健次數16-30次 39
圖4.7決策樹模組-復健次數31次以上 40
圖4.8決策樹模組-SUI患者 41
圖4.9決策樹模組-OAB患者 42
圖4.10決策樹模組-Other患者 43
圖4.11混亂矩陣 44

表目錄
表2.1常見的決策樹演算法 11
表2.2觀察家庭是否購買房車的相關資料 15
表3.1目標欄位 27
表4.1實作環境規格 32
表4.2決策樹模組分類規則-年齡50-59歲 36
表4.3決策樹模組分類規則-年齡60-69歲 36
表4.4決策樹模組分類規則-年齡70-79歲 38
表4.5決策樹分類規則-復健次數16-30次 39
表4.6決策樹模組類規則-復健次數31次以上 40
表4.7決策樹模組分類規則-SUI患者 41
表4.8決策樹模組分類規則-OAB患者 42
表4.9決策樹分類規則-Other患者 43
表4.10測試資料驗證模組-年齡 44
表4.11測試資料驗證模組-復健次數 44
表4.12測試資料驗證模組-Type 45
表4.13分類規則-改善狀況良好 46
參考文獻 [1]Maryam Kashanian, Shadab Shah Ali, Mitra Nazemi, Shohreh Bahasadri , "Evaluation of the effect of pelvic floor muscle 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.
[2]Diokno A, Yuhico M., Jr Preference, "Compliance and initial outcome of therapeutic options chosen by female patients with urinary incontinence," J Urol, vol. 154, pp.1727–1730, 1995.
[3]Cam C, Sakali M, Ay P, Cam M, Karateke A, "Validation of the short forms of the incontinence impact questionnaire (IIQ-7) and urogenital distress inventory (UDI-6) in a Turkish population," Neurourol Urodyn, vol. 26, no. 11, pp.29–33, 2007.
[4]Schwartz, M. S., Biofeedback: A practitioner's guide, 2nd ed., New York: Guilford Press, pp. 908, 1995.
[5]Kegel AH., "Progressive resistance exercise in functional restoratio of the perineal muscles," Am Journal of Obstet Gynecol, vol. 56, no. 2, pp.238-48, 1948.
[6]Jocelyne Fayn, "A Classification Tree Approach for Cardiac Ischemia Detection Using Spatiotemporal Information From Three Standard ECG Leads," IEEE Transactions on Biomedical Engineering, vol. 58, no. 1, pp. 95-102, January 2011.
[7]Junghwan Cho, Xiaopeng Li, Zhiyong Gu, and Pradeep U. Kurup, "Recognition of Explosive Precursors Using Nanowire Sensor Array and Decision Tree Learning," IEEE Sensors Journal, vol. 12, no. 7, pp.2384-2391, July 2012.
[8]Guleng Sheri, and David Corne, "Learning-Assisted Evolutionary Search for Scalable Function Optimization: LEM(ID3)," IEEE Congress on Evolutionary Computation, pp.1-8, July 2010.
[9]Leszek Rutkowski, Fellow, IEEE, Lena Pietruczuk, Piotr Duda, and Maciej Jaworski, "Decision Trees for Mining Data Streams Based on the McDiarmid’s Bound," IEEE Transactions on Knowledge and Data Engineering, vol. 25, no. 6, pp.1272-1279, June 2013.
[10]Timo Horeis, Bernhard Sick, "Collaborative Knowledge Discovery & Data Mining: From Knowledge to Experience," Proceedings of the 2007 IEEE Symposium on Computational Intelligence and Data Mining(CIDM 2007), pp.421-428, 2007.
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2015-07-15公開。
  • 同意授權瀏覽/列印電子全文服務,於2015-07-15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