臺灣博碩士論文加值系統

隨著科技的進步以及醫療水準的提升，台灣整體社會人口已經呈現高齡化的趨勢，而近幾年更逐漸邁向超高齡化社會。高齡化人口的死亡原因當中又以慢性病為主要因素，各項慢性病中又以慢性阻塞性肺病以及中風這兩項對高齡患者尤為嚴重，且這兩者都有相同的危險因素。慢性阻塞性肺病以抽菸族群最為常見，台灣抽菸人口眾多，嚴重影響國人的健康，但對這項慢性病卻少有聽聞以及相關的研究探討過慢性阻塞性肺病與中風之間的關係。
故本研究以國內醫療機構相關資料庫為研究，篩選出目前國內罹患慢性阻塞性肺病之病患，並運用基因邏輯斯迴歸演算法、粒子群最佳化演算法以及交叉熵演算法計算各項因子的權重與倒傳遞類神經網路及支援向量機相互結合，建構六種預測中風之風險模型，並結合案例式推理系統，評估病患是否會有伴隨中風的風險，並設計評估介面，方便使用者進行併發症的風險評估。
研究結果顯示，經由傅利曼檢定發現預測模型之間ROC曲線下面積有顯著性差異，並利用成對樣本T檢定來判斷模型的整體優異性，最後統計結果預測模型當中以基因邏輯斯迴歸演算法與交叉熵演算法結合倒傳遞類神經網路之預測模型表現較為佳，經由K疊交互驗證平均準確率與ROC曲線下面積都達到了88%與0.82以上；評估模型的部分以粒子群最佳化演算法做為相似度評估，並利用傅利曼檢定來驗證三種演算法之差異，檢驗結果顯示在準確率以及ROC曲線下面積上均顯示無顯著差異存在，故三項演算法皆適合做為本評估系統預設權重，其平均準確率及平均ROC曲線下面積皆有84%與0.77以上。本研究結果能夠提供醫療機構以及臨床診斷人員，作為疾病診斷之參考依據。

As advance of Medical and technology, the population has became aging society in Taiwan, however the pupulation gradually change to Super-aged society in recent year. Chronic are the main cause of death among the elderly, Chronic Obstructive Pulmonary Disease（COPD） and Cerebrovascular Accident（CVA） are particularly serious for elderly patients, and which both have the same risk factors.Many people can smoke, which seriously affects the health of the people in Taiwan, and the COPD is the most common disease from smokers.However,seldom people heard that about COPD and studies, that CVA is a common comorbidity of COPD, or not. Therefore, this thesis selected the nrelevant factors about COPD and CVA from National Heathlthy Insurece Reaserch Database, and applied Genetic Algorithm Logistic Regression（GALR）, Particle Swarm Optimization algorithm（PSO） and Cross-entropy algorithm（CE） to calculate various weighted calculations of factors ,that supported Back-Propagation Neural Network（BPN） and Support Vector Machine（SVM） to builded six predictive models at CVA risk, and combined with a Case-based Reasoning（CBR） system to evaluate patient’s risk of CVA and design an interface.
The result showed that the area under the ROC curve between the prediction models is significantly different through Friedman test, and T test is used to determine the entire excellence of the models. The performance of GALR and CE within BPN are better in the prediction models.The rates of average accuracy and the ROC curve had reached 89% and 0.86 by K-fold cross-validation. The performance of PSO within CBR, the highest average accuracy rate is 85.63% and the ROC curve is 0.786. Therefore, the results shall serve as a reference for preventing COPD patient, which will in turn enhance proper post-treatment care and care quality and reduce medical resource consumption

中文摘要 ……………………………………………………….. i
英文摘要 ……………………………………………………….. iii
誌謝 ……………………………………………………….. v
目錄 ……………………………………………………….. vi
表目錄 ……………………………………………………….. ix
圖目錄 ……………………………………………………….. xii
第一章 緒論……………………………………………........ 1
1.1 研究背景………………………………………….... 1
1.2 研究動機………………………………………….... 2
1.3 研究目的………………………………………….... 3
1.4 研究範圍………………………………………….... 4
1.5 研究流程………………………………………….... 4
第二章 文獻探討………………………………………….... 5
2.1 慢性阻塞性肺病…………………………………... 11
2.1.1 慢性阻塞性肺病簡介……………………………… 12
2.1.2 慢性阻塞性肺病定義與診斷……………………..14
2.2.1 中風簡介…………………………………………… 15
2.2.2 中風定義與簡介…………………………………... 16
2.2.3 造成中風的危險因素與造成的負擔……………17
2.2.4 中風患者治療的現況…………………………….. 18
2.2.5 中風相關文獻……………………………………... 20
2.3 基因邏輯斯迴歸演算法………………………….. 21
2.3.1 基因演算法介紹…………………………………… 21
2.3.2 基因演算法步驟…………………………………… 22
2.3.3 邏輯斯迴歸分析與基因演算法結合……………24
2.3.4 基因演算法的相關文獻…………………………... 25
2.4 粒子群演算法……………………………………… 27
2.4.1 粒子群演算法介紹………………………………… 27
2.4.2 粒子群演算法步驟………………………………… 28
2.4.3 粒子群演算法相關文獻…………………………… 29
2.5 交叉熵演算法……………………………………… 31
2.5.1 交叉熵演算法介紹………………………………… 31
2.5.2 交叉熵演算法步驟………………………………… 31
2.5.3 交叉熵演算法相關文獻…………………………… 32
2.6 支援向量機…………………………………………. 33
2.6.1 何謂支援向量機…………………………………… 33
2.6.2 線性支援向量機…………………………………… 33
2.6.3 非線性支援向量機………………………………… 34
2.6.4 支援向量機應用相關文獻……………………….. 35
2.7 倒傳遞類神經網路………………………………… 37
2.7.1 何謂倒傳遞類神經網路………………………….. 37
2.7.2 倒傳遞類神經網路的架構……………………….. 37
2.7.3 類神經網路應用於醫療領域相關文獻………38
2.8 案例式推理系統………………………………….. 40
2.8.1 案例式推理系統介紹…………………………….. 40
2.8.2 案例式推理系統的流程………………………….. 40
2.8.3 案例式推理應用於醫療領域相關文獻………41
第三章 研究方法…………………………………............43
3.1 研究問題…………………………………………… 43
3.1.1 研究對象…………………………………………… 43
3.1.2 研究的資料來源…………………………………… 43
3.2 研究方法…………………………………………… 44
3.2.1 研究架構…………………………………………… 44
3.2.2 研究資料處理……………………………………… 46
3.3 定義研究變數……………………………………… 47
3.4 變數編碼…………………………………………… 48
3.5 建構模型與系統…………………………………… 50
3.6 演算法參數調整…………………………………… 50
3.6.1 粒子群最佳化演算法……………………………… 50
3.6.2 基因邏輯斯迴歸演算法…………………………… 50
3.6.3 交叉熵演算法………………………………………. 50
3.6.4 倒傳遞類神經網路………………………………… 51
3.6.5 支援向量機…………………………………………. 52
3.7 模型驗證與績效評估……………………………… 52
3.7.1 K疊交互驗證法…………………………………… 53
3.7.2 ROC曲線…………………………………………… 53
3.8 模型差異之統計檢定……………………………… 54
第四章 研究結果………………………………………….... 56
4.1 案例敘述統計……………………………………… 56
4.2 PSO實驗分析……………………………………… 58
4.2.1 PSO參數設定……………………………………… 58
4.2.2 PSO權重分析……………………………………… 59
4.2.3 PSO結合BPN預測模型實驗分析……………… 59
4.2.4 PSO結合SVM預測模型實驗分析……………… 64
4.3 GA實驗分析………………………………………. 66
4.3.1 GA參數設定………………………………………. 67
4.3.2 GA權重分析………………………………………. 67
4.3.3 GA結合BPN預測模型實驗分析………………. 68
4.3.4 GA結合SVM預測模型實驗分析……………… 72
4.4 CE實驗分析………………………………………. 75
4.4.1 CE參數設定………………………………………. 75
4.4.2 CE權重分析………………………………………. 75
4.4.3 CE結合BPN預測模型實驗分析……………….. 76
4.4.4 CE結合SVM預測模型實驗分析………………. 80
4.5 各項模型比較……………………………………… 82
4.5.1 研究模型結果比較………………………………… 82
4.5.2 模型差異統計檢定………………………………… 83
4.6 CBR系統的建構…………………………………… 85
4.6.1 權重值設定…………………………………………. 85
4.6.2 中風評估系統使用者介面………………………… 86
4.6.3 案例式推理評估系統之驗證……………………… 91
第五章 結論……………………………………….............93
5.1 研究結論…………………………………………….. 93
參考文獻 ……………………………………………………...... 94
附錄A ………………………………………………………... 96
附錄B ………………………………………………………... 103
附錄C ………………………………………………………... 107
Extended Abstract………………………………………………………..108

1.黃衍明（2003），基因演算法之基本概念、方法與國內相關研究概況，國立成功大學建築研究所博士論文。
2.林建智（2002），基因演算法與類神經網路整合應用之探討－以流程式工廠訂單排程為例，國立台灣科技大學工業管理研究所碩士論文。
3.林明傑、董子毅（2008），「危險評估中ROC曲線在預測2×2表上與敏感度及特異度之關係」，亞洲家庭暴力與性侵害期刊卷，4卷，2期，頁64-74。
4.林峰田、李佳昀（2000），「地震防救災文獻案例式查詢系統」，都市與計劃，27卷，1期，頁65-80。
5.童俊榮、劉志光（2013），應用資料採礦技術分析台灣健保資料庫－以攝護腺癌病人為例，Jouranl of Data Analysis，8卷，5期，頁67-83。
6.曾珠、呂書玉、李冰（2013），基於汽車售後服務本體模型的汽車服務案例式推理研究，工業工程月刊，16卷，3期，頁1007-1015。
7.美國癌症協會（ACS），(2013)的菸草與健康圖鑑《Tobacco Atlas》。
8.台灣胸腔暨重症加護醫學會（2007），慢性阻塞性肺病診治指引。
9.簡郁芬（2013），慢性阻塞性肺病的疾病分歧與治療新觀念，家庭醫學與基層醫療期刊，28卷，5期，頁101-109。
10.中華民國物理治療師公會全國聯合會（2020） 「全球慢性阻塞性肺病倡議組織對慢性阻塞性肺病分類之簡介」取自http://www.pt.org.tw/pt_news_detail.php?Bid=8&Id=187，參考日期:2020/12/25
11.台灣胸腔暨重症加護醫學會慢性阻塞性肺病共同照護衛教手冊，(2014)。
12.葉怡成（2003），類神經網路模式應用與實作，儒林圖書有限公司，台北。
13.葉怡成（2001），應用類神經網路，儒林圖書有限公司，台北。
14.蔡佩霖、郭斐然（2012），缺血性腦中風的診斷與治療，台灣家醫誌，22卷，1期，頁13-18。
15.朱芷君（2014），中風復健不再難，康健雜誌，頁187。
16.黃衍明（2003），基因演算法之基本概念、方法與國內相關研究概況，國立成功大學建築研究所博士論文。
17.林建智（2002），基因演算法與類神經網路整合應用之探討－以流程式工廠 訂單排程為例，國立台灣科技大學工業管理研究所碩士論文。
18.李維平（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103-106。
19.李維平、江正文（2007），運用活化策略改良粒子群演算法求解成效， Journal of Advanced Engineering， 2卷，1期，頁283-293。
20.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。
21.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。
22.韓復華，朱佑泩，林致瑄（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，運輸計劃季刊，45卷，2期，頁77-81。
23.李啓銘（2017），LTE 通訊系統中之位置推薦演算法，國立臺灣師範大學電機工程學系碩士論文。
24.蔡德生（2017），D2D 通訊於 LTE 蜂巢式網路中使用粒子群最佳化演算法之位置推薦，國立臺灣師範大學電機工程學系碩士論文。
25.何嘉翰（2008），基於LibSVM之異常偵測模擬分析，私立東海大學資訊工程與科學研究所碩士論文
26.任超、張航、李洪雙（2018），隨機優化的改進交叉熵方法，北京航空航天學報，44卷，1期，頁205-214。
27.胡敏、餘子璽、王曉華、任福繼、何蕾（2017），G-LBP 和方差投影交叉熵的人臉識別，圖學學報， 38卷，1期，頁82-89。
28.丁衛平，王建東，陳森博(2014)，基於改進混合蛙跳算法的粗糙屬性交叉熵優化約簡，南京大學學報（自然科學），50卷，2期，頁159–166。
29.楊璐、韓豐、陳明軒、孟金平(2018），基於支持向量機的雷暴大風識別方法，應用氣象學報， 29卷，6期，頁680-689。
30.李國成（2014），求解高維函數優化問題的交叉熵蝙蝠算法，計算機工程， 40期，10卷，頁168–174。
31.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。
32.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。
33.黃承龍、陳穆臻、王界人（2004），支援向量機於信用評等之應用，計量管理期刊，7卷，4期，頁13-18。
34.黃隆明（2012），應用倒傳遞類神經網路於PM10之預測研究，國立中興大學水土保持學系研究所碩士論文。
35.黃宇翔、王百祿（2008），「ARIMA 與適應性SVM之混合模型於股價指數預測之研究」，電子商務學報，10卷，4期，頁1041-1065。
36.錢超群（2019），基於粒子群優化的反向傳播神經網絡算法在建築物沉降預測中的應用，建築技術開發月刊，13卷，1期，頁103-104。
37.廖介綱（2017），類神經網路式案例適應方法之研究，國立中正大學電機工程研究所碩士論文。
38.曹郁翔（2017），群體智慧在基金投資組合上之應用-案例式推理系統，國立台灣師範大學管理研究所碩士論文。
39.胡漢華、陳俊榮、連立名、張谷州、廖漢文 （2008），「靜脈血栓溶解劑治療急性缺血性腦中風指引」．台灣腦中風防治指引，台灣腦中風學會，頁75-95。
40.張語恬、朱基銘、簡戊鑑、周雨青、楊燦、盧瑜芬、白健佑、白璐、Thomas Wetter、孫建安、羅慶徽（2007），「比較三種資料探勘演算法預測子宮頸癌五年存活的外部通用性效能」，台灣家庭醫學雜誌，17卷，4期，頁222-238。
41.吳杰成、許文定、葉文俊、李友專(2014)，「運用臨床檢驗值建立判斷脂肪肝之類神經網路模型」，醫療資訊雜誌，23卷，3期，頁1-12
42.台灣腦中風學會rt-PA使用規範共識小組 (2004)，「靜脈血栓溶解劑治療急性缺血性腦中風之一班準則」，醫護人員腦中風教育手冊，台北榮民總醫院，頁15-24。
43.顏正昌、盧玉強、萬樹人、林清煌、羅崇誠、陳立偉、高志強 (2010)，「改善及性腦中風病人血栓溶解治療評估效率之經驗及探討」，重症醫學雜誌，11卷，4期，頁231-238。
44.邱弘毅 (2008)，「腦中風之現況與流行病學特徵」，腦中風學會會訊，15卷，3期，頁2-4。
45.Aizerman, Mark A.; Braverman, Emmanuel M. & Rozonoer, Lev I. Theoretical foundations of the potential function method in pattern recognition learning. Automation and Remote Control. 1964, 25: 821–837.
46.Beruvides, G., Quiza, R., & Haber, R. E. （2016）. Multi-objective optimization based on an improved cross-entropy method. A case study of a micro-scale manufacturing process. Information Sciences, 334, 161-173.
47.Chan, J. C., & Eisenstat, E. （2015）. Marginal likelihood estimation with the Cross-Entropy method. Econometric Reviews, 34（3）, 256-285.
48.Celli BR: Update on the management of COPD. Chest （2008）; 133:1451-62.
49.Chen CZ, OuCY, Hsu CH, et al. Validation of the GOLD classification in predicting exacerbations and mortality in Taiwanese patients with chronic obstructive pulmonary disease. J Formos Med Assoc. （2015） Dec;114（12）:1258-66
50.da Silva, A. M. L., da Costa Castro, J. F., & Billinton, R. （2017）. Probabilistic assessment of spinning reserve via cross-entropy method considering renewable sources and transmission restrictions. IEEE Transactions on Power Systems, 33（4）, 4574-4582.
51.Deng, W., Yao, R., Zhao, H., Yang, X., & Li, G. （2019）. A novel intelligent diagnosis method using optimal LS-SVM with improved PSO algorithm. Soft Computing, 23（7）, 2445-2462.
52.Das, R., Godbole, A., Dhuliawala, S., Zaheer, M., & McCallum, A. （2020）. A Simple Approach to Case-Based Reasoning in Knowledge Bases. arXiv preprint arXiv:2006.14198.
53.Eberhart, R. C. and Y. Shi （2001） Particle swarm optimization: Developments, application and resources. Proceedings of the 2001 Congress on Evolutionary Computation, Seoul, South Korea.
54.Guo, Q., Xu, R., Yang, T., He, L., Cheng, X., Li, Z., & Yang, J. G. （2016）. Application of GRAM and AFSACA-BPN to thermal error optimization modeling of CNC machine tools. The International Journal of Advanced Manufacturing Technology, 83（5-8）, 995-1002.
55.Gunn, S. R. (1998). “Support vector machines for classification and regression”, ISIS technical report, Vol. 14.
56.Gürgen, F., Zengin, Z., Varol, F. (2012). “Intrauterine growth restriction (IUGR) risk decision based on support vector machines”, Expert Systems with Applications,Vol.39, pp.2872-2876.
57.Global Initiative for Chronic Obstructive Lung Disease: Global Strategy for Diagnosis, Management, and Prevention of COPD 2009.
58.Gross N, Levin D: Primary care of the patient with chronic obstructive pulmonary disease – part 2: pharmacologic treatment across all stage of disease. Am J Med 2008; 121:S13-24.
59.GOLD. （2011）. Global Strategy for the Diagnosis, Management and Prevention of COPD, updated 2011.
60.Global strategy for the diagnosis,management, and prevention of chronic obstructive pulmonary disease.2017 report
61.González-Briones, A., Prieto, J., De La Prieta, F., Herrera-Viedma, E., & Corchado, J. M. （2018）. Energy optimization using a case-based reasoning strategy. Sensors, 18（3）, 865.
62.Kennedy, J. and Eberhart, R. C., “Particle Swarm Optimization”, Proceedings of IEEE International Conference on Neural Networks, Vol. IV, Institute of Electrical and Electronics Engineers, 1995, pp. 1942-1948
63.Ma, C., Zhao, L., Mei, X., Shi, H., & Yang, J. （2017）. Thermal error compensation of high-speed spindle system based on a modified BP neural network. The International Journal of Advanced Manufacturing Technology, 89（9-12）, 3071-3085.
64.Mistry, K., Zhang, L., Neoh, S. C., Lim, C. P., & Fielding, B. （2016）. A micro-GA embedded PSO feature selection approach to intelligent facial emotion recognition. IEEE transactions on cybernetics, 47（6）, 1496-1509.
65.Rubinstein, R. Y. (1997). “Optimization of computer simulation models with rare events,” European Journal of Operational Research, Vol.99, pp.89-112.
66.Varatharajan, R., Manogaran, G., & Priyan, M. K. （2018）. A big data classification approach using LDA with an enhanced SVM method for ECG signals in cloud computing. Multimedia Tools and Applications, 77（8）, 10195-10215
67.World Health Organization. （2013）. WHO report on the global tobacco epidemic
68.Welikala, R. A., Fraz, M. M., Dehmeshki, J., Hoppe, A., Tah ,V., Mann, S., Williamson. T. H. ＆ Barman, S. A.（2015）. “Genetic algorithm based feature selection combined with dual classification for the automated detection of proliferative diabetic retinopathy”, Computerized Medical Imaging and Graphics, Vol.43, pp.64-77.
69.Wu, W. J., Lin, S. W. ＆ Moon, W. K. （2012）. “Combining support vector machine with genetic algorithm to classify ultrasound breast tumor images”, Computerized Medical Imaging and Graphic, Vol.36, pp.627-633.
70.Yeow, W. L., Mahmud, R. ＆ Raj, R. G. （2014）. “An application of case-based reasoning with machine learning for forensic autopsy”, Expert Systems with Applications, Vol.41, pp.3497-3505.
71.Zhu, H., Wang, Y., Wanga, K. ＆ Chen, Y.（2011）. “Particle Swarm Optimization (PSO) for the constrained portfolio optimization problem”, Expert Systems with Applications, Vol.38, pp.10161-10169.