化验结果的处理.docVIP

化验结果的处理 （本论文是井冈山大学2009年数学建模暑假集训训练题目） 摘要 医生根据化验结果给出正确的诊断是对病人健康的重要保证.本文通过对题目中提供的1-60号确诊病例化验结果信息的分析和处理,运用数学建模的知识，给出了几种判断61-90号就诊人员是否患病的方法，并确定化验的关键指标. 针对问题1和2，通过表B.1中的信息处理和分析，我们提出了三种判别方法.分别如下： 判别分析法 此方法中依据3个判别法则，即Mahalanobis距离判别，贝叶斯判别和费歇尔判别.模型一中讨论了在这3种原则下对表B.1中数据进行分析，分别得出三种不同的判别方法.根据表B.1数据的验证及相关统计方法检验，证明这三种判别准确率达到所需水平.根据此模型可以诊断出B.2中就诊人员的化验结果有 15个患者，有15个健康者. 神经网络判别法 模型二引进神经网络中的BP算法.将7个反指标作为输入层，患病和健康作为两个输出层，利用matlab对神经网络中的BP算法进行实现.首先我们用表B.1中数据进行回判检验得出：1-30号中误判率为零，31-60号中误判病例有四个，因此我们可们认为这种判别方法是有效的.然后我们根据在本模型的建立的方法对表B.2中的30个化验结果进行判定，得出：有16个肾炎患者，有14个健康者. （3）伪变量回归判别法 在本模型中我们用题中所给的7个指标作为自变量x1…x，定义1和-1为因 变量.利用表B.1所给的两类样品，通过回归分析，求得该函数的线性近似为： 我们通过样品检验可知准确率大于80%，则可确定此方法是可行的.并利用此种方法对表B.2中有有15 个肾炎患者，有15个健康者. 针对问题3和4，通过对数据特征分析，提出了主成分分析模型：主成分分析模型我们先将表B.1数据进行标准化后得出一相关矩阵，计算其特征根贡献率，再根据累积贡献率挑选出关键因素.最后求得的关键因素有：Fe Ca Mg K Na. 最后我们对结果作了进一步分析. 关键字：判别分析、距离判别、神经网络、伪变量回归、主成分分析 1.问题重述 人们到医院就诊时，通常要化验一些指标来协助医生的诊断.诊断就诊人员是否患肾炎时通常要化验人体内各种元素含量.表B.1是确诊病例的化验结果，其中1－30号病例是已经确诊为肾炎病人的化验结果；31－60号病例是已经确定为健康人的结果.表B.2是就诊人员的化验结果.我们的问题是：  1. 根据表B.1中的数据，提出一种或多种简便的判别方法，判别属于患者或健康人的方法，并检验你提出方法的正确性.  2. 按照1提出的方法，判断表B.2中的30名就诊人员的化验结果进行判别，判定他（她）们是肾炎病人还是健康人. 3. 能否根据表B.1的数据特征，确定哪些指标是影响人们患肾炎的关键或主要因素，以便减少化验的指标.  4. 根据3的结果，重复2的工作.  5. 对2和4的结果作进一步的分析. 2.问题分析 这是一个判别问题，需要我们根据附表B.1中确诊病例的化验结果给出几种简便有效的判别方法，而且还要找出这几个指标中的影响确症的关键因素，从而减少化验指标.首先我们运用判别分析法，提出了三种不同的判别原则：距离判别法，贝叶斯判别法，费歇尔判别法.这三种方法给出的判断结果既简单有效而且准确率高，我们还提出了神经网络算法以及伪变量回归分析法，运用这些方法对B.2表中的化验结果进行了判别.最后综合这些方法判别的化验结果，使最终结果的准确达到最高. 在B.1的数据特征的分析过程中，我们可以找出一些主要的指标.这些指标在人体内的含量变化是影响人们患肾炎的关键因素，在解决如何对数据分析中，我们给出的一个逐个判别法，找出几个主要的因素.为了进一步验正此算法的正确性，我们又建立了一个主成分分析法模型.主成分分析中我们考虑了各种变量之间的相关性，这可使判断结果更有说服性，并分析确定影响的主要指标，最后我们再对结果进一步进行分析，得出相关结论. 3.问题假设 1．不考虑除题中所给的以外的能够判断患有肾炎的指标. 2．只能通过化验表中的指标含量来确诊是否患有肾炎. 3．不对肾炎患者进行归类为何种肾炎. 4．人体中各元素含量变化不会影响其他元素的含量变化. 5．题中所给数据均为合理的统计结果，数据的误差性不是很大. 6．每个人员体内化验的各种元素的含量具有相同的单位. 4.符号说明 ：当i=1,2…7时 分别表示Zn,Cu,Fe,Ca,Mg,K,Na这7种元素； ：当j=1,2…90时，分别表示1-90号病例； ：第i个元素在第j号人员体内的含量 (i=1,2…7；j=1,2…90)； ：第i个神经员到第j个神经员之间的权值； G：第i个样本总体； ：第i个样本第j个指标均值i=1,2 j=1 2