臺灣博碩士論文加值系統

　　全球每年約有4.5億人罹患肺炎約占全球人口的7%，在2000年初期，抗體和疫苗的發明使患者存活率提升，而開發中國家居民與慢性疾病患者，肺炎仍然是嚴重的主要死因。根據報導阻塞性睡眠呼吸暫停患者在睡眠呼吸中止時，通常會持續20到40秒，且期間具有更高風險導致免疫系統感染使病人易受病原體入侵增加肺炎的風險，研究分析顯示睡眠呼吸暫停患者罹患肺炎發生率較高。
本研究以醫療機構提供睡眠呼吸中止病患為研究對象，透過文獻探討與分析，篩選出相關之重要因子後，運用基因邏輯斯迴歸演算法、交叉熵演算法、粒子群最佳化演算法結合支援向量機、倒傳遞類神經網路與案例式推理技術，建構評估系統與預測模型，用以評估後續伴隨肺炎的風險。
研究中顯示睡眠呼吸中止症為罹患肺炎的危險因子，相關因子權重值排名前三名分別為慢性肺阻塞、肺結核、年齡，根據睡眠呼吸中止症患者相關之因子權重值越高，影響罹患肺炎的風險也越高。本研究中6個預測模型平均準確度皆達87%且Roc曲線下面積達0.85以上，模型透過傅利曼檢定發現皆有顯著差異，並經由T檢定分析得到以粒子群最佳化演算法結合支援向量機之ACC與AURC值為最高，分別為90.7%與0.88。
　　在CBR案例式評估系統中建立3個評估模型，經傅利曼檢定有顯著差異，其中粒子群最佳化演算法結合案例式推理系統之平均ACC與AURC分別為88.68%與0.8564為最佳。本研究以測試案例之驗證系統，可提供醫療機構、患者與臨床工作者做為輔助診斷與評估之參考依據。

In the modern society, there are almost 450 million people have pneumonia and this accounts for 7 percent of the world's population for every year. In 20th century, the inventions of antibodies and vaccines improve the survivability, while lessd-eveloped countries and the patients of chronic disease, pneumonia is still high,and furthermore, it’s even the main causes of death.According to reports, it usually keeps obstructive about 20 to 40 seconds when the patients with sleep apnea was sleeping,and besides, the risk for the period when patients sleeps that should be much more higher caused by immune system infection so that fungicide is susceptible to invade for patients, also it increases the risk of pneumonia, the study shows that sleep apnea patients with higher incidence of pneumonia.
This study, with the help of medical institutions to provide the patients of sleep apnea as the subjects, by the literature discussion and analysis, screening the relevant important factors, we use the Genetic Algorithm Logistic Regression, Cross-Entropy Algorithm, Particle Swarm Optimization (PSO) Algorithm and combined with Support Vector Machine (SVM), Back Propagation Neural Network, Case-based Reasoning technology, A Case-based Reasoning evaluation system and predictive models were constructed to apply evaluation to the subsequent risk with the pneumonia.
The study showed that sleep apnea was a main factor for pneumonia, the top three of the related factors were Chronic Obstructive Pulmonary Disease (COPD), Tuberculosis (TB) and age, factors the higher for the weight of the factors associated with sleep apnea, the higher risk for having the pneumonia.The accuracy of the 6 predictive models in this study is over 87% and the area of the ROC curve is over 0.85. That means the models have the distinguishing ability, the models through the Friedman verification showed that all have the significant differences, and then by the T test showed that the Particle Swarm Optimization (PSO) algorithm combined with the Support Vector Machine has the best ACC and the AURC, they are 90.7% and 0.88 respectively.
Three evaluation models were established in CBR Assessment system, and it was found that three models were significantly differences by Friedman verification and T test, among which the average ACC and AURC of PSO combined with Case-Based Reasoning Technology are 88.68% and 0.8564 respectively, and it’s higher than the average accuracy of GALR and CE, it is known that PSO is superior to GA and CE, these two prediction models. In this study, a test case verification system can provide medical institutions, patients and clinical workers as a reference to assist in diagnosis and evaluation.

摘要...................................i
Abstract...............................ii
誌謝....................................iv
目錄.....................................v
表目錄..................................ix
圖目錄..................................xi
第一章緒論...............................1
1.1研究背景..............................1
1.2研究動機..............................1
1.3研究目的..............................2
1.4研究範圍與限制.........................3
1.5研究流程..............................3
第二章文獻探討...........................5
2.1睡眠呼吸中止症........................5
2.1.1睡眠呼吸中止症簡介...................5
2.1.2睡眠呼吸中止症診斷...................6
2.1.3如何治療睡眠呼吸中止症...............8
2.2肺炎.................................9
2.2.1肺炎簡介............................9
2.2.2肺炎症狀與診斷......................10
2.2.3肺炎預防............................11
2.3睡眠呼吸中止症患者與肺炎相關文獻........12
2.3交叉熵演算法..........................13
2.3.1 交叉熵演算法簡介....................13
2.3.2 交叉熵理論與步驟....................13
2.3.3 交叉熵演算法相關文獻................15
2.4基因邏輯斯演算法.......................16
2.4.1基因邏輯斯演算法簡介..................16
2.4.2基因邏輯斯演算法流程..................16
2.4.3基因演算法相關文獻....................18
2.4粒子群最佳化演算法......................19
2.4.1粒子群最佳化演算法簡介.................19
2.4.2粒子群最佳化演算法流程.................20
2.4.3粒子群最佳化演算法相關文獻.............21
2.5倒傳遞類神經網路........................22
2.5.1類神經網路簡介與模型...................22
2.5.2類神經網路模型........................23
2.5.3倒傳遞類神經網路相關文獻...............24
2.6支援向量機..............................25
2.6.1支援向量機簡介........................25
2.6.2非線性支援向量機......................25
2.6.3支援向量機相關文獻....................26
2.7案例式推理系統..........................27
2.7.1案例式推理系統簡介.....................27
2.7.2案例式推理系統之架構...................27
2.7.3案例式推理系統相關文獻.................30
第三章研究方法.............................31
3.1研究對象...............................31
3.2研究架構...............................31
3.3 研究資料與對象........................34
3.4資料前置處理...........................35
3.5研究變數定義...........................35
3.6變數編碼...............................37
3.7模型與系統架構.........................38
3.8演算法參數設定.........................39
3.8.1交叉熵演算法.........................39
3.8.2粒子群演算法.........................39
3.8.3基因邏輯斯迴歸演算法..................40
3.8.4倒傳遞類神經網路......................40
3.8.5支援向量機............................41
3.8.6案例式推理系統........................41
3.9模型驗證與績效評估......................43
3.9.1 K疊交互驗證法........................43
3.9.2 ROC曲線下面積........................44
3.9.3傅利曼檢定............................44
3.9.4成對樣本T檢定.........................45
第四章研究結果.............................46
4.1案例敘述統計............................46
4.2 粒子群最佳化演算法實驗分析..............48
4.2.1 粒子群最佳化演算法參數設定與因子權重分析.48
4.3粒子群最佳化演算法結合倒傳遞類神經網路實驗分析.50
4.3.1 參數設定.................................50
4.4粒子群最佳化演算法結合支援向量機實驗分析.......54
4.4.1 參數設定.................................54
4.5 基因邏輯斯迴歸演算法實驗分析.................58
4.5.1 基因邏輯斯迴歸演算法參數設定與因子權重分析..58
4.6基因邏輯斯迴歸演算法結合倒傳遞類神經網路實驗分析.60
4.6.1參數設定....................................60
4.7基因邏輯斯迴歸演算法結合支援向量機實驗分析........65
4.7.1參數設定.....................................65
4.8 交叉熵演算法實驗分析............................68
4.8.1 交叉熵演算法參數設定與因子權重分析............68
4.9交叉熵演算法結合倒傳遞類神經網路實驗分析..........69
4.9.1參數設定......................................69
4.10交叉熵演算法結合支援向量機實驗分析...............74
4.10.1參數設定.....................................74
4.11 研究模型比較與檢定.............................78
4.11.1 演算法權重值分析.............................78
4.11.2 研究模型評估比較.............................79
4.11.3 模型間差異統計檢定...........................80
4.12例式推理評估系統................................80
4.12.1案例式推理評估系統驗證.........................84
第五章結論與建議....................................85
5.1研究結論.........................................85
5.2研究建議........................................86
參考文獻...........................................87
附錄A 預測模型傅利曼檢定表...........................93
附錄B 預測模型傅利曼檢定表...........................94
附錄C 預測模型成對樣本T檢定表........................95
附錄D 評估系統成對樣本T檢定表........................96
Extended Abstract..................................97
 

[1]于海(2015)，「一種基於交叉熵的社區型演算法」，計算機學報，8期，頁1574-1581。
[2]王馨儀、林坤霈(2015)，「老年人的阻塞性睡眠呼吸中止症」，台灣老年醫學暨老年學雜誌，10卷，4期，頁197-206。
[3]孔欽、葉長青(2016)，「基於案例推理的故障診斷算法」，計算機系統應用，1期，頁181-186。
[4]王永亮、王春風(2016)，「基於乘客交通特性和交叉熵的機位預分配研究」，交通運輸系統工程與信息，16卷，4期，頁211-216。
[5]王秉鈞、邱鴻祥(2017)，「睡眠呼吸中止症醫療診斷知識萃取之研究」，全球科技管理與教育期刊，6卷，1期，頁33-49。
[6]王培(2017)，「淺析CBR模式下工程機械快速設計與應用」，中小企業管理與科技，6期，頁159-160。
[7]吳茂成(2014)，「基於交叉熵闕值法的快速疊代運算」，計算機應用與軟件，6期，頁6-8。
[8]成人睡眠呼吸中止症(2017)，嘉義長庚睡眠醫學中心，https://www1.cgmh.org.tw/sleepcenterjia/index.files/Page697.htm，參考日期:2018/6/10。
[9]任穎(2017)，「基於交叉低演算法的雲端計算任務調度研究」，中國現代計算機，23期，頁56-58。
[10]李維平，王雅賢、江正文 (2008)，「粒子群最佳化演算法改良之研究」，科學與工程技術期刊，4卷，2期，頁51-62。
[11]沈凡超(2008)，「應用類神經網路與支援向量機以辨認製成多重品質特性出錯之研究」，Journal of Data Analysis，3卷，5期，頁69-81。
[12]李維平、江正文、賀嘉生、李佩玲 (2010)，「以混合基因與粒子群演算法求解旅行銷售員問題」，先進工程學刊，5卷，4期，頁377-383。
[13]李俊宏、古清仁(2010)，「類神經網路與資料探勘技術在醫療診斷之應用研究」，工程科技與教育學刊，7卷，1期，頁154-169。
[14]李俊賢、陳玟彣 (2012)，「適應式影像還原-以計算智慧為方法」，資訊管理學報，19卷，3期，頁475-507。
[15]李聯旺、廖珗洲、謝政勳(2012)，「人工智慧智慧型系統導論」，全華科技圖書股份有限公司，7卷，5期，頁61-72。
[16]李建邦、俞星辰 (2014)，「以粒子群最佳化演算法結合分類器預測疾病及搜尋變數之研究」，數據分析，9卷，1期，頁57-74。
[17]杜輝、樓佩煌、葉文華(2014)，「混合粒子群算法在資源受限多項目調度中的應用研究」，中國機械工程學刊，35卷，5期，頁371-379。
[18]邢曉溪(2015)，「粒子群算法研究進展」，數據通信，3期，頁19-21。
[19]車向前、張欣欣(2016)，「利用組合型交叉熵實現多處理機調度的算法」，黑龍江科技大學學報，3期，頁323-326。
[20]李天行(2016)，「應用支援向量機於相關性製程監控階梯式干擾」，Journal of Data Analysis，11卷，4期，頁1-20。
[21]邦幫忙(2017)，「粒子群演算法簡介」，http://ithelp.ithome.com.tw/articles/10187736，參考日期：2017/6/10。
[22]李雅瓊(2017)，「基於粒子群算法的遺傳算法優化研究」，蘭州文理學院學報，1期，頁55-60。
[23]余賢斌(2017)，「應用粒子群演算法進行離散型船席及變動式橋式起重機指派」，運輸學刊，29卷，1期，頁1-34。
[24]李運生(2018)，「老年肺炎患者的X光診斷」，心理醫生，3期，頁9-10。
[25]林文修、李文瑞 (2005)，「運用基因演算法建構糖尿病前期診斷模型之研究」，醫療資訊雜誌，14卷，1期，頁51-64。
[26]邱天嵩、林淑民(2010)，「倒傳遞類神經軟體判別模式」，亞東學報，30期，頁167-184。
[27]林景嘉、鄭信鈴、王泰裕(2010)，「以類神經網路建構再發性腦中風之預測模式」，醫療資訊雜誌，19卷，2期，頁19-38。
[28]林家富(2012)，「菁英政策之基因演算法魚模型最佳化近似的應用」，工程科技與教育學刊，7卷，3期，頁437-444。
[29]周昆達(2014)，「睡眠呼吸中止症患者容易得到肺炎」http://www.apexmedicalcorp.com/index.php?sn=4565&lang=zh-tw&n=661，參考日期:2017/10/1。
[30]林軒宇、劉說安(2015)，「以支援向量機危機處於有限氣象資料進行蒸發量補遺」，農業工程學報，61卷，4期，頁1-10。 
[31]林老生、王均義(2015)，「以基因演算法優化最小二乘支持向量在地籍坐標轉換之研究」，國土測繪與空間資訊，3卷，2期，頁67-85。
[32]胡雅涵、黃正魁、楊承翰(2014)，「以基因演算法為基礎建立自動化文件分類模式」，資訊管理學報，21卷，3期，頁305-339。
[33]美國人體健康服務部(2017)，睡眠呼吸中止，
https://www.nhlbi.nih.gov/health-topics/sleep-apnea，參考日期:2018/6/10。
[34]耕莘醫訊(2007)，「什麼是睡眠呼吸中止症候群？」http://www.dajiyuan.com，參考日期:2018/6/9。
[35]孫莉(2009)，「基於交叉熵方法構件軟體可靠性優化」，計算機系統應用，18卷，12期，頁157-160。
[36]張景晴、林宇銜(2015)，「結合粒子群演算法及大渦模擬進行橢圓柱排列隊形最佳化之研究」，中國造船暨輪機工程學刊，34卷，3期，頁155-163。
[37]陳品良、楊秉哲、谷圳(2016)，「基於大數據的跨境電子商務分析架構－以商品口碑分類系統為例」，電工通訊季刊，2期，頁48-57。
[38]陳潔(2016)，「基於案例推理的流動式起重機故障診斷系統設計」，資訊科技，32期，頁54-56。
[39]國家發展委員會(2016)，「10年後台灣進入高齡社會」https://www.epochtimes.com/b5/16/8/22/n8225020.htm，參考日期:2018/4/10。
[40]陳振東(2017)，「時間序列法與類神經網路於股票漲跌預測比較之研究」，管理資訊計算，6卷，2期，頁136-146。
[41]陳清山(2017)，「以人工智慧理論探討台中市中小學校舍耐震因子及耐震能力」，建築學報，100期，頁95-116。
[42]健康日報(2018)，「肺炎高峰期來臨！遠離肺炎的7招生活對策」，https://www.ihealth.com.tw/article/%E8%82%BA%E7%82%8E/，參考日期:2018/6/19。
[43]痞客邦(2003)，基因演算法，http://edisonshih.pixnet.net/blog/category/1615616，參考日期:2018/6/13。
[44]黃昱仁、蔡俊傑(2011)，「邏輯斯迴歸在體育統計的運用」，中華體育季刊，25卷，3期，頁486-498。
[45]黃國格(2014)，「應用獨立成分分析與支援向量機辨識製程狀態之改變」，品質學報，21卷，6期，頁413-426。 
[46]葉美惠(2014)，「顧客之服務品質知覺對顧客忠誠度預測模式─應用倒傳遞類神經網路法語多元回歸分析」，明道學術論壇，9卷，2期，頁117-151。
[47]黃允成、余政洋(2015)，「隨選目標之智慧型排程與產品管理系統之研發」，30卷，3期，頁241 - 251。
[48]黃雅喬、林國峰、張明瑞、何瑞益(2016)，「支援向量基於降雨引致崩塌潛勢分析之研究」，中國土木水利工程學刊，28卷1期，頁57-66。
[49]萬絢(2016)，「綠化生態作物覆蓋評估:以粒子群演算結合線性判別分析應用於水稻影像判釋為例」，水保技術，10卷，2期，頁1-7。
[50]葉進儀(2014)，「結合基因演算法與模擬退火法於多重DNA序列之比對」，品質學報，21卷，5期，頁305-328。
[51]葉美軍(2016)，「應用基因演算法整合五大構面選股策略」，全球商業經營管理學報，8期，頁 113-123。
[52]趙宏進(2007)，「醫生籲睡眠呼吸中止症者及早治療」https://www.epochtimes.com/b5/7/2/3/n1612825.htm，參考日期:2018/6/19。
[53]熊克平，連永(2014)，「中國阻塞性睡眠呼吸暫停綜合徵患者日間嗜睡及其影響因素」，中國睡眠醫學會，2卷，1期，頁129-135。
[54]鄭景元、林嘉謨(2014)，「睡眠呼吸中止症內科治療」，台灣醫學，18卷，2期，頁204-208。
[55]衛生福利部國民健康署統計處(2017)，105年國人死因統計結果https://www.mohw.gov.tw/np-3680-1.html，參考日期:2018/5/20。
[56]賴彥汝(2014)，「睡眠技師教您如何挑選陽壓呼吸器」http://www.apexmedicalcorp.com/index.php?sn=4566&lang=zh-tw&n=698，參考日期:2018/6/10。
[57]賴春生、呂佩穎、陳自諒(2016)，「外科的臨床推理教學」，台灣醫學，20卷，3期，頁290-296。
[58]韓復華(2016)，「粒子群最佳化巨集啟發式方法求解多貨艙車輛路線問題之研究」，運輸計畫季刊，45卷，2期，頁101-131。
[59]魏巧宜(2017)，「利用混合模式預測國內股票型基金績效及多年期軌跡」，資訊管理學報，247卷，1期，頁69-95。
[60]蕭慧德、周萍芬、邱清顯 (2008)，「以支援向量機與邏輯斯迴歸進行企業危機診斷之比較」，遠東學報，25卷，2期，頁333-342。 
[61]Aamodt A,& Plaza, E(1994). “Case-Based Reasoning: Foundational Issues, Methodological Variations, and System Approaches”, AI Communications,7(1), pp.39-59.
[62]Aurora RN , & Chowdhuri S ,& Ramar K(2012), ‘The Treatment of Central Sleep Apnea Syndromes in Adults: Practice Parameters with an Evidence-Based Literature Review and Meta-Analyses’,Sleep,35(1), pp.17-40.
[63]Ballard RD ,& Gay PC(2012), ‘Interventions to Improve Compliance in Sleep Apnea Patients Previously Non-Compliant with Continuous Positive Airway Pressure.’, Departments of Medicine,24(2), pp.706-712.
[64]Davydow (2013),Depression in general intensive care unit survivors: a system atic review,Intensive Care Medicine.35(5),pp.796-809.
[65]Golias,M ,& Portal I ,& Konur,(2014).”Robust Berth Scheduling at Marine Container Terminals via Hierarchical Optimization.”,Computers and Operations Research,41,pp.412-422.
[66]Haley RW ,& Culver DH ,& White JW(1998),”The Nationwide Nosocomial Infection Rate: A New Need for Vital Statistics”, American Journal of Epidemiology , 121(2),pp.159-167.
[67]Jean RE , & Gibson CD ,& Jean RA ,& Ochieng P(2009) ‘Obstructive Sleep Apnea and Acute Respiratory Failure: An Analysis of Mortality Risk in Patients with Pneumonia Requiring Invasive Mechanical Ventilation.”,Journal of Critical Care,30(4), pp.778–783.
[68]Jiahn-Horng Chen(2014),’Design Floating Kuroshio TurbineBlade Geometries’, Renewable Energy ,l35(3) ,pp.145-153.
[69]Morimoto,& Takahashi,& Okaishi(2011),’Sleep Apnoea Syndrome as a Risk for Mortality in Elderly Inpatients.’,US National Library of Medicine National Institutes of Health, 8(1) ,pp 601-611.
[70]Sullivan CE ,& Issa FG ,& Berthon-Jones M(1985), Reversal of Obstructive Sleep Apnoea by Continuous Positive Airway Pressure Applied Through the Nares , 10(81),pp.862-865.
[71]Sims RV,& Steinmann WC,& McConville JH(2008) ‘The clinical effectiveness of pneumococcal vaccine in the elderly,Annals of Internal Medicine’ , 108(5), pp.653-657.
[72]Tatsuro Kawamoto(2017),”Cross-Validation Estimate of the Number of Clusters in a Network.”,US National Library of Medicine National Institues of Health,7(27),pp.98-115.