基于語義Web的本體表示及其在醫(yī)學領域的應用研究.pdf

1、現(xiàn)有Web上的資源不能由機器做出準確的語義識別。為了探索解決的方法，本文以在醫(yī)學領域的應用研究為例，對基于語義Web的電子病歷本體結(jié)合輔助診斷的分類方法的體系結(jié)構(gòu)進行了設計，并對其中的一些關鍵技術進行了詳細的設計并對輔助診斷分類器進行了實現(xiàn)。本文提出的這種方法對實現(xiàn)醫(yī)學領域充分的信息共享和智能的信息資源利用有重要的作用，在其他應用領域也可以參照此方法。 首先，本文研究了基于語義Web的本體研究的研究背景并概述在醫(yī)學領域應用研究現(xiàn)

2、狀。通過對本體技術的深入研究來確定適合本文的基于語義Web的電子病歷本體樣例的本體描述語言及本體構(gòu)建方法。 然后，描述了基于語義Web的電子病歷本體結(jié)合輔助診斷的分類方法的體系結(jié)構(gòu)。給出了基于本體的醫(yī)學領域相關知識的表示方法，并用OWL DL本體描述語言生成了醫(yī)學領域兩種疾病的電子病歷本體樣例片段；并結(jié)合機器學習的知識，提出了適合于利用電子病歷本體庫進行輔助診斷的基于熵的屬性加權(quán)的最近鄰算法。 最后，根據(jù)本文提出的基于熵

3、的屬性加權(quán)的最近鄰算法，在實驗中用Java編寫出該算法的程序，以心臟病電子病歷樣例庫和肝炎電子病歷樣例庫中的數(shù)據(jù)為例，在Eclipse軟件上運行出分類判斷的實驗結(jié)果，并比較分析了在Weka軟件上運行的最近鄰算法IBK、樸素貝葉斯算法、貝葉斯信念網(wǎng)算法、J48決策樹算法、AdaBoostMl算法等其他機器學習算法對以上兩個樣例庫進行分類判斷的實驗結(jié)果。通過實驗證明，本文設計的基于熵的屬性加權(quán)的最近鄰算法判斷病例的準確率高于其他傳統(tǒng)的機器學