基于Elman反馈型神经网络的肾综合征出血热发病率预测模型
肾综合征出血热发病率季节性时间序列预测模型
文章编号:1002-2694(2003)04-0121-01肾综合征出血热发病率季节性时间序列预测模型*郭秀花1,3,曹务春1,胡良平2,赵秋敏1,张泮河1中图分类号:R文献标识码:A疾病预测,在流行病学方面主要指对某疾病未来流行趋势、流行水平的质与量的估计。
根据肾综合证出血热(HF RS)过去的季节性时间序列发病率疫情资料,预测疾病随季节的发病情况,为进一步研究提供具有预见性的线索和方向,对于疾病的预防和控制有着重要意义。
1资料资料来自卫生部自然疫源性疾病专家咨询委员会的资料汇编(第三、五集)11,22、流研所罗成旺等提供132、5疾病监测6杂志2000年第9-A期142。
在1995~1998年全国设立的HF RS监测点虽然有41个,但有的监测点数据不全,如武昌县和新安县出现0的数据较多,按4年48个月进行预测效果不好。
因此,我们选取了资料较全面的34个监测点:北京市、天津市、唐山市、太原市、运城地区、牙克石、黑河市、密山市、蛟河市、沈阳市、临沂市、济宁市、上海市、大丰县、东海县、阜阳地区、安庆市、凤台县、天台县、高安市、宁乡县、福建省、天门市、宝鸡市、西安市、户县、宁夏区、确山县、淮阳县、涪陵市、南充市、天水市、遵义地区、云南省,编号分别为1~ 34。
本文要用这34个HFRS监测点1995~1998按月的发病率数据,预测1999年的各月发病率。
2方法15~82本文是将全国34个监测点4年48个月的发病率分别按月进行季节性时间序列预测。
将每个监测点48个月的发病率作散点图及动态曲线分析,判断其是否存在季节性变化。
若各年的发病率基本上保持不变或变化很小,其动态曲线围绕一条水平线上下波动,而没有明显的随时间推移不断增长或减少的趋势,就是季节性水平时间序列;若时间序列的散点图或动态曲线呈明显的随时间推移而不断增长或减少的趋势,就是季节性趋势时间序列。
季节性水平时间序列的预测方法可有:同季(月)平均法、指数平滑外推法。
一种肾综合征出血热年发病数的预测模型[发明专利]
![一种肾综合征出血热年发病数的预测模型[发明专利]](https://img.taocdn.com/s3/m/dcf11c67cc22bcd127ff0c06.png)
专利名称：一种肾综合征出血热年发病数的预测模型专利类型：发明专利
发明人：李青
申请号：CN201711392802.1
申请日：20171221
公开号：CN108010588A
公开日：
20180508
专利内容由知识产权出版社提供
摘要：本发明公开了一种肾综合征出血热年发病数的预测模型，属于医学领域，其步骤为选定监测点、确定病人、计算L、计算S、计算W、测算决定系数0.8S、建立预测模型进行。
本发明解决现有技术中无肾综合征出血热年发病数的预测模型的问题。
本发明直接利用L、S、W建立预测模型，从而探寻一种能较为精准预测肾综合征出血热发病人数的规律，为肾综合征出血热预防和控制工作提供科学依据。
申请人：李青
地址：230601 安徽省合肥市经济技术开发区繁华大道12560号
国籍：CN
更多信息请下载全文后查看。
基于人工智能技术的疾病预测模型研究
基于人工智能技术的疾病预测模型研究Introduction疾病预测模型是指通过利用医学数据来预测患者是否患有某种疾病以及该疾病的严重程度。
由于现代医学技术的发展，医疗数据获取更加便捷和稳定，结合人工智能技术，可以更加准确地预测疾病发生的可能性和风险。
Literature Review疾病预测是非常重要的医学研究领域。
SVM (Support Vector Machine) 、NN (Neural Network) 、kNN (k-Nearest Neighbor) 和NB (Naive Bayes)等机器学习算法都被广泛应用于疾病预测模型中。
在这些算法中，最常用的是基于深度学习的神经网络。
神经网络通过复杂的权重和激活函数来学习医疗数据的特征，并通过模型输出来预测疾病发生的概率。
Methodology本研究采用了深度学习的方法，以预测糖尿病患者的风险为例。
我们在数据集上训练了一个具有多个隐藏层的深度神经网络模型。
在测试数据集上进行测试，我们的模型能够准确地预测糖尿病患者的分级，并帮助医生对这些患者进行更有效的治疗手段。
此外，我们采用了交叉验证和dropout技术来防止过度拟合模型，从而提高模型的泛化能力和准确性。
Results在本研究中，我们使用了Pima印第安人糖尿病数据集来验证我们的模型。
该数据集有768个样本，每个样本有8个特征。
我们将数据集划分为训练数据集和测试数据集，其中训练数据集占80％，测试数据集占20％。
模型在测试数据集上的准确率为85％，F1-Score为0.81，召回率为0.77。
这表明我们开发的基于神经网络的疾病预测模型具有高准确性和高预测精度，可以帮助医生更好地识别和治疗糖尿病患者。
Discussion在本研究中，我们使用深度神经网络作为疾病预测模型的主要算法，并采用交叉验证技术和dropout技术来提高模型的性能。
然而，随着人工智能技术的不断发展，疾病预测模型的性能还可以进一步提高。
使用生态位模型预测肾综合征出血热传播风险的开题报告
使用生态位模型预测肾综合征出血热传播风险的开
题报告
一、研究背景
肾综合征出血热是一种由汉坦病毒引起的急性热性出血病，具有高
度传染性和致死率。
自1995年首次爆发至今，已在亚洲和非洲多个国家/地区出现，严重威胁着全球公共卫生安全。
由于肾综合征出血热与宿主、环境和人与人之间的联系密切相关，生态位模型可以有效预测其传播风险，为制定干预措施提供科学依据。
二、研究目的
本研究旨在使用生态位模型预测肾综合征出血热在不同地区的传播
风险，分析关键环境和宿主因素，并为疾病防控提供参考建议。
三、研究方法
1. 数据收集：收集肾综合征出血热病例报道、汉坦病毒感染状况、
环境因素（如温度、湿度、降雨量等）和宿主动物（如鼠类、蝙蝠等）
信息。
2. 生态位模型构建：以病例作为研究对象，将病例观察地区的宿主
群落、环境因素和病毒活动情况嵌入到模型中，构建生态位模型。
3. 风险评估：使用生态位模型预测不同地区的肾综合征出血热传播
风险，分析环境和宿主因素对疾病传播的影响，并提出预防建议。
四、研究意义
本研究将为肾综合征出血热的疫情监测和预防提供科学依据，为提
高公共卫生应急响应能力提供支持。
此外，该研究还可为其他类似疾病
的生态学研究提供参考。
SARFIMA模型在肾综合征出血热发病预测中的应用
SARFIMA模型在肾综合征出血热发病预测中的应用齐畅1刘利利1李春雨1朱雨辰1张丹丹1王志强2李秀君「△【提要】目的研究季节性自回归分数差分移动平均(SARFIMA)模型预测肾综合征岀血热(HFRS)发病率的效果，并与SARIMA模型进行比较。
方法收集山东省2009年1月至2018年12月HFRS月发病数据，考虑时间序列的短记忆性和长记忆性，构建SARFIMA模型，以SARIMA模型作为对比，比较两个模型的预测准确性。
结果山东省2009-2018年HFRS月发病率具有明显周期性和季节性特征。
模型评估表明，SARFIMA模型具有更好的拟合度和预测能力。
SARFIMA(1,0.33,3)(l,0,0)12：AIC=-629.76；RMSE=0.028；SARIMA(1,0,3)(1,1,0)12：AIC=-356.43；RMSE= 0.033。
结论SARFIMA模型能较好地拟合山东省HFRS月发病率的动态变化，且预测效果优于SARIMA模型。
因此，SARFIMA模型可用于HFRS发病率的预测。
【关键词】时间序列分析季节性自回归分数差分移动平均季节性自回归移动平均肾综合征岀血热预测【中图分类号】R181【文献标识码】A DOI10.3969/j.issn.1002-3674.2021.01.004Application of SARFIMA Model in Predicting Incidence of Hemorrhagic Fever with Renal SyndromeQi Chang,Liu Lili,Li Chunyu,et al(Department of Biostatistics,School of Public Health,Cheeloo College of Medicine, Shandong Univers ity(250012),Jinan)[Abstract]Objective To explore the effect of seasonal autoregressive fractional moving average(SARFIMA)model to predict the incidence of hemorrhagic fever with renal syndrome(HFRS),and compare it with SARIMA model.Methods The monthly incidence data of HFRS in Shandong Province from January2009to December2018were collected,and the shortterm and long-term memory of the time series was considered to construct a SARFIMA model.The SARIMA model was used to compare with SARFIMA.Results During the study period,the time series of HFRS in Shandong Province has obvious periodic and seasonal characteristics.The fitting and forecast effect of SARFIMA model was better than SARIMA.SARFIMA (1,0.33,3)(1,0,0)12：AIC=-629.76；RMSE=0.028；SARIMA(1,0,3)(IJ,。
全国肾综合征出血热监测方案
全国肾综合征出血热监测方案全国肾综合征出血热（HFRS）是一种由汉坦病毒引起的急性传染病，主要通过啮齿动物（如鼠类）传播给人类。
该病的特点是高热、出血、肾功能受损等症状，严重时可导致死亡。
为了及时发现和控制HFRS的传播，制定一个全国范围的监测方案至关重要。
以下是一份全国肾综合征出血热监测方案，以便及时应对疫情。
1.监测目标：-监测HFRS的流行病学和临床特征。
-监测疫情的暴发和传播情况。
-监测病例的分布和高风险区域。
2.监测内容：-病例监测：建立完善的病例报告系统，包括对疑似病例和确诊病例进行登记和报告。
-病毒监测：对流行病学调查中的患者、啮齿动物和环境样品进行汉坦病毒的检测。
-知识监测：监测公众对HFRS的认知水平和疫情相关知识的掌握情况。
-疫苗供应监测：实时监测疫苗的生产和供应情况，并做好储备工作。
-卫生设施监测：监测医疗机构和社区卫生设施的防控措施是否得到有效执行。
3.监测方法：-流行病学调查：对疫情暴发区域进行流行病学调查，获取病例的相关信息，并确定病例的传播途径和风险因素。
-病例报告和通报：建立HFRS病例的报告和通报机制，确保病例能够及时上报和公开。
-采集样品：对医院、农贸市场、居民区等可能存在汉坦病毒的地方进行采样，并发送到指定实验室进行检测。
-调查表和问卷：设计调查表和问卷，了解公众对HFRS的认知和防控措施的掌握情况，以便提供针对性的教育和宣传。
4.监测机构和责任：-国家卫生健康委员会：负责统筹协调全国范围内的监测工作，制定监测方案和政策。
-地方卫生健康委员会：负责监测方案的具体实施，建立和维护病例报告系统，协助进行流行病学调查和样品采集。
-实验室：负责样品的检测工作，确保检测结果准确可靠。
-医疗机构：负责病例的诊断和治疗工作，并向卫生健康委员会报告病例情况。
5.监测结果的利用：-及时通报：将监测结果及时通报给社会各界和公众，提高大众对HFRS的认知和防控意识。
-针对性干预：根据监测结果，制定具体的防控措施和政策，针对高风险区域和人群进行重点干预。
肾综合征出血热发病率的ANN预测模型
学习过程 即开始 ， 练学 习过程 由正 向传播 和 反 向传播 组 训 成， 先正 向传播 ， 若输 出响应 与期望输 出模 式的 误差大于阈 值 时， 则转入 反向传播 过程 ， 同时根据误 差大小 逐层修正 各 层 连接权值 ． 然后再进 入正向传播过程 。若输 出响应 与期 望 输 出模式 的误差仍大 于闭值 时． 再转入反 向传播 ， 同时修 正 各 层连接权值 、 如此 反复若 干次 直至误 差小于阈 值。Ｂ Ｐ学 习算法实质上 是最小均方 （Ｍｓ算 法 的推广 、 Ｌ ） 各个 连接权 的 调整量分别 与各 个学习模式对 的误差 函数 毋 成 比例变化 ， 该方法称 为标 准误差逆传播算法 （ 卫称平 均误差 ） 。 在Ｂ Ｐ算法中 、 连接权值的改变规 则为 ： ＝－＋谪） ｗ ｇ ／
【 关键词】 Ｂ 人工神经网络 ； Ｐ 非线性时间序列； 态学习； 动 发病率 【 中图分类号 】 Ｒ ９ ．；５２ ８ 【 １５４Ｒ １． 文献标识码 】 Ａ
Ｐ ｅ ｉｔｖ ｄ ｌｏ ｒｉ ｃａ ｅ ｒ ｌｎ ｔ ｒ ｏ Ｒ ｎ ｉ ｅ ｃ ｒ ｄ ｃ ｉｅ ｍｏ ｅ ｆＢＰ ａ ｔ ｉｌｎ ｕ ａ ｅｗｏ ｋ ｆ ｒＨＦ Ｓ ｉ ｃｄ ｎ ｅ ｉ ｆ
Ｄ Ｇ Ｓｏ — ａ ｈ ｕｈ ｎ．Ｗ Ａ Ｇ Ｊｅｚｅ ．ＹＵ ｉ —ｏ ｇ ｉ Ｎ ｉ—ｈ ｎ Ｎ Ａ ｘａ ｈ ｎ ｏ
【ｃ ｏ ｌ ｆ ｕ ｌ ｅ ｌ Ｓ ｈｏ ｂｉ Ｈ ａｔ ｈ ｎ ｏ ｇ Ｕ ｉｅｓ ｙ ） ｏＰ ｃ ｈ．Ｓ ａ ｄ ｎ ｎｖｒｉ ｔ
＾ Ｓ Ｒ＾ Ｏ ｊｃ ｖ ：Ｔ ｘｌ ｅ ｔ ｒ ｐ ｃ ｏ ｐｅｉ ｉ ｉ ａｅ ｉ ｉｅｃ ｆｔ ｒ ｉ ｉ ｏ ｅ ｏ Ｂ Ｔ Ｃｒ ｂｅｔ ｅ ｏｅｐ ｒ ｈ ｐｏ ｅｔ ｆ ｒ ｃｎ ｄｓ ｓ ｎ ｄｎｅ ｏ ｈ ｐｅ ｃ ｖ ｍ ｄ ｌ ｆ ｉ ｏ ｅ ｓ ｄ ｔｇ ｅ ｃ ｅ ｄ ｔｅ
基于小波分析的肾综合征出血热发病率预测方法
基于小波分析的肾综合征出血热发病率预测方法
吴学森;王洁贞;刘云霞;张娜
【期刊名称】《中国卫生统计》
【年(卷),期】2005(022)001
【摘要】目的建立季节性趋势时间序列小波预测模型的方法,提高肾综合征出血热发病率的预测精度.方法对原始序列进行多层小波分解,提取趋势项、周期项和随机项,对它们分别进行预测,将各项的预测值合并作为原序列的预测值.结果小波分解后建模的预测精度为84.8%,而ARIMA建模的预测精度为66.1%.结论用小波预测模型对HFRS作短、中期预测是有效、可行的.
【总页数】4页(P9-12)
【作者】吴学森;王洁贞;刘云霞;张娜
【作者单位】山东大学公共卫生学院卫生统计教研室,250012;安徽蚌埠医学院流行病与卫生统计教研室,233003;山东大学公共卫生学院卫生统计教研室,250012;山东大学公共卫生学院卫生统计教研室,250012;山东大学公共卫生学院卫生统计教研室,250012
【正文语种】中文
【中图分类】R512.8
【相关文献】
1.基于改进的小波分析的电力负荷预测方法研究 [J], 谢蓓敏;赵雪松
2.基于小波分析的测井产能预测方法 [J], 王志强;陈华勇;刘杰;时新芹
3.一种基于小波分析和Elman动态神经网络的中长期电力负荷预测方法 [J], 赵智勇;黄伟;尉扬
4.基于小波分析的ARMA-SVR网络流量预测方法 [J], 刘亮;江汉红;王洁;芮万智
5.基于小波分析的时间序列ARIMA模型预测方法 [J], 李荞每;成丽波
因版权原因，仅展示原文概要，查看原文内容请购买。
基于人工智能的慢性肾病分级预警模型
基于人工智能的慢性肾病分级预警模型摘要：目前世界超过5亿人患有不同的肾脏疾病，但全社会对慢性肾脏病的知晓率尚不足10% ，肾病患者甚至一些非肾脏科的大夫对慢性肾脏病的危害缺乏足够的了解，由于慢性肾脏病早期多没有明显症状，很容易被忽略，很多患者直到肾功能完全恶化导致尿毒症时才去就医。
同时，针对不同慢性肾病的等级又有对应的不同治疗方向。
因此，对慢性肾病进行分级预警是一个影响非常深远的课题。
在进行慢性肾病分级的过程中，肾小球滤过率对慢性肾病分级起着基础与指导的作用，因此我们必须着重解决一个重要的问题：肾小球滤过率的评估。
本文主要针对肾小球滤过率的预测进行设计。
为了达到人工智能对慢性肾病进行分级的最终目的，本文将通过MATLAB软件平台对肾小球滤过率的评估进行仿真。
接着对于在医院收集好的数据进行筛选，最终选出一组具有较高参考意义的数据，对其使用适当的处理方法，并运用了BP神经网络来构建合适的预测模型，对肾小球滤过率进行预测评估。
在经过反复的网络学习，测试后，最终确定一个误差最少，精度最高，稳定性最好的BP神经网络评估模型。
最后，根据训练好的神经网络对数据进行分级，从而最终构建出一个实用性良好的慢性肾病分级预警模型。
关键词：慢性肾病；肾小球滤过率；BP神经网络一、前言在众多的神经网络结构中，多层前馈神经网络是目前应用最广泛也是最成熟的一种网络结构。
Rumelhart，McClelland和他们的同事洞察到神经网络信息处理的重要性，于1982年成立了一个PDP小组，在研究并行分布信息处理方法，探索人类认知的微结构的过程中，于1986年提出了BP网络(Back．PropagationNetwork，简称BP网络)模型，实现了Minsky的多层网络设想[1]。
在多层前馈神经网络MFNN中，网络权值的调整是通过著名的误差反向传播学习算法——BP算法来进行的。
BP网络具有非线性映射能力、泛化能力和容错能力，同时BP网络结构简单，是在自动控制中是最有用的学习算法之一，也是慢性疾病分析的首选神经网络[2-5]。
基于 ARIMA-ERNN组合模型预测我国甲肝发病率
基于 ARIMA-ERNN组合模型预测我国甲肝发病率许春杰;冯福民;胡泊;尹素凤;郭春月;宋瑞瑞;汪可可;肖孟迎;张秀峰;刘晓宇;范红敏【摘要】Aim:To compare the effect of ARIMA model , BPNN model and ARIMA-ERNN combination model in pre-diction on incidence of hepatitis A in China , and compare the predictive effect among them .Methods: The data of inci-dence of hepatitis A from January 2004 to December 2015 in China were collected and SPSS 17.0 and Eviews 8.0 were used to construct ARIMA model , Matlab 8.0 was used to establish BPNN model and ARIMA-ERNN combination model .At the same time, the data in 2015 was used to evaluate the effect of prediction .Results: The MRE, MER, MSE,RMSE, MAE fitted and forecasted by ARIMA-ERNN combination model were lower than those of ARIMA model and BPNN model , and the MRE was lower than 5%.Conclusion:The ARIMA-ERNN combination model for forecasting the incidence of hep-atitis A is superior to the single ARIMA model and BPNN model .%目的：比较ARIMA模型、BPNN模型和ARIMA-ERNN组合模型在我国甲肝发病率预测中的应用效果，探讨预测甲肝发病率的优化模型。
肾综合征出血热患者IFN-γ、IL-4水平变化及意义
肾综合征出血热患者IFN-γ、IL-4水平变化及意义张斌国;栾清欣;郭明秋【期刊名称】《检验医学》【年(卷),期】2005(020)003【摘要】目的探讨肾综合征出血热(HFRS)患者血清中干扰素α(IFN-γ)、白细胞介素-4(IL-4)的水平变化与HFRS患者病情转归之间的关系.方法用双抗体夹心酶联免疫吸附试验(ELISA)测定46名正常对照者和49例不同治疗时期的HFRS患者血清中IFN-γ、IL-4的含量.结果 HFRS患者血清中IFN-γ、IL-4的水平明显高于对照组(P＜0.05);重症患者发热期血清中IFN-γ的含量明显高于恢复期,差异亦有显著性(P＜0.05);轻症患者发热期血清中IL-4的含量明显高于恢复期,差异有显著性(P＜0.05).结论 HFRS患者血清中IFN-γ、IL-4的含量明显升高,随着病情的好转,血清中IFN-γ、IL-4的含量逐渐趋向正常,IFN-γ和IL-4的检测有利于HFRS病情的观察和治疗.【总页数】2页(P277-278)【作者】张斌国;栾清欣;郭明秋【作者单位】青岛市市立医院检验科,山东,青岛,266011;青岛市市立医院检验科,山东,青岛,266011;青岛市市立医院检验科,山东,青岛,266011【正文语种】中文【中图分类】R446.62【相关文献】1.肾综合征出血热患者血清IL-12、IFN-γ和IL-4水平及临床意义 [J], 王玉花;马志俊;赵宏;朱奋勇;孙志坚2.肾综合征出血热患者血清IL-12p70、IFN-γ、IL-4、血浆D-二聚体和血管血友病因子水平及临床意义 [J], 周文俊;马韫佳;袁虹萍3.慢性淋巴细胞白血病患者血清 TGF-β、IL-17、IL-4及IFN-γ水平变化及其临床意义 [J], 张瑞;庞楠楠;李金花;张正昊;陈刚;曲建华4.肾综合征出血热患者TNF-α IL-6 IL-4 IFN-γ水平变化及意义 [J], 王平忠;李宜川;陈延平;徐哲;王九平;白雪帆5.老年不同级别宫颈病变患者Treg、IFN-γ及IL-4水平变化及其临床意义 [J], 周晓涵;宁玉梅;马军因版权原因，仅展示原文概要，查看原文内容请购买。
基于支持向量机的肾综合征出血热疫情预测
基于支持向量机的肾综合征出血热疫情预测黄德生;沈铁峰;吴伟;关鹏;周宝森【期刊名称】《中国媒介生物学及控制杂志》【年(卷),期】2008(19)6【摘要】目的探讨支持向量机(SVM)在肾综合征出血热(HFRS)发病率预测上的优势及应用前景。
方法首先,利用辽宁省葫芦岛市1984-2006的气象资料(包括平均气压、平均气温、平均降雨量、相对湿度、日照时数、日照百分率)和动物疫情资料(包括鼠密度和鼠带病毒率)共8个指标作为解释变量,所有变量均进行归一化到[0,1]区间,将整个数据集分成训练集和检验集,从数据集中随机抽取1/3个体(舍入取整)组成检验集,其余样本作为训练集。
其次,利用软件R2.60构造HFRS发病率预测的SVM模型,获得误差平方和。
最后,与基于反馈(BP)和径向基函数(RBF)神经网络模型的预测结果进行比较。
结果对于训练集,SVM拟合的误差平方和的-x±s为(0.031±0.009),而BP和RBF神经网络拟合的误差平方和的x-±s分别为(0.074±0.030)和(0.082±0.018);对于检验集,SVM预测的误差平方和的x-±s为(0.067±0.021),而BP和RBF神经网络预测的误差平方和的x-±s分别为(0.073±0.022)和(0.089±0.036)。
结论SVM作为近年来在统计学理论的基础上发展起来的一种新的模式识别方法,在解决小样本、非线性及高维模式识别问题中具有较高的预测精度和较强的泛化能力。
该模型对于发病率的预测是可靠的,可以作为HFRS疫情预测的参考方法。
【总页数】3页(P557-559)【关键词】支持向量机;肾综合征出血热;预测【作者】黄德生;沈铁峰;吴伟;关鹏;周宝森【作者单位】中国医科大学基础医学院数学教研室;辽宁省葫芦岛市疾病预防控制中心;中国医科大学公共卫生学院流行病学教研室【正文语种】中文【中图分类】R512.8;R181.8【相关文献】1.应用ARIMA模型对全国2004-2009年肾综合征出血热疫情分析及预测 [J], 郭海强;丁海龙;曲波;孙高2.应用直线回归统计方法对肾综合征出血热疫情进行预测研究 [J], 王英军;赵铁镪;王萍;李淑清;黄志;杨国庆;李晓英;刘宝3.赤峰市1998～2001年肾综合征出血热肾监测与疫情分析 [J], 阴利群;陈冬立;王梦元4.关于肾综合征出血热──中国肾综合征出血热疫情 [J], 陈化新5.辽宁省肾综合征出血热流行现况与疫情预测研究 [J], 王英军;赵铁镪;傅荣华;石英;李志;陈学军;李淑清;吴泽明;孙百军;王苹;王志学;石峰;佟静平;邢铁藩;李悦;何亚轩;蔡东皓;李志民;孙悦新;岑亚平;徐广芹;王凤文;杨国庆;李晓英;刘宝;曹景坤;杨素云因版权原因，仅展示原文概要，查看原文内容请购买。
肾综合征出血热发病率的小波预测模型
肾综合征出血热发病率的小波预测模型
吴学森;王洁贞;刘云霞;张娜
【期刊名称】《中国公共卫生》
【年(卷),期】2004(20)9
【摘要】目的建立季节性水平变化趋势时间序列小波预测模型 ,提高肾综合征出血热 (HFRS)发病率的预测步长及精度。
方法对原始序列进行多层小波分解 ,分解后的各层分别用自回归滑动平均 (ARIMA)模型进行预测 ,将各层的预测值合并作为原序列的最终预测值。
结果小波预测模型 4步预测精度为 82 4 5 % ,而ARIMA建模的 4步预测精度为 6 7 97%。
结论用小波预测模型对水平变化趋势的HFRS作短、中期预测是有效。
【总页数】3页(P1031-1033)
【关键词】小波分析;肾综合征出血热;预测;模型
【作者】吴学森;王洁贞;刘云霞;张娜
【作者单位】山东大学公共卫生学院卫生统计教研室,济南250012;安徽蚌埠医学院
【正文语种】中文
【中图分类】R512.8
【相关文献】
1.小波神经网络在肾综合症出血热发病率预测中的应用 [J], 张兴裕;张韬;刘元元;李晓松
2.肾综合征出血热发病率季节性时间序列预测模型 [J], 郭秀花;曹务春;胡良平;赵
秋敏;张泮河
3.ARIMA模型在宜春市肾综合征出血热发病率预测中的应用 [J], 杨其松;朱蒙曼;张天琛;谢昀;胡国良;刘晓青
4.GRNN组合预测模型对辽宁省及部分地区肾综合征出血热发病率的预测研究 [J], 吴伟;郭军巧;周宝森
5.肾综合征出血热发病率的ANN预测模型 [J], 丁守銮;王洁贞;袁晓红
因版权原因，仅展示原文概要，查看原文内容请购买。
肾综合征出血热发病率季节性时间序列预测模型
肾综合征出血热发病率季节性时间序列预测模型
郭秀花;曹务春;胡良平;赵秋敏;张泮河
【期刊名称】《中国人兽共患病学报》
【年(卷),期】2003(019)004
【摘要】疾病预测，在流行病学方面主要指对某疾病未来流行趋势、流行水平的
质与量的估计。
根据肾综合证出血热(HFRS)过去的季节性时间序列发病率疫情资料，预测疾病随季节的发病情况，为进一步研究提供具有预见性的线索和方向。
对于疾病的预防和控制有着重要意义。
【总页数】2页(P121-121,123)
【作者】郭秀花;曹务春;胡良平;赵秋敏;张泮河
【作者单位】军事医学科学院微生物流行病研究所,北京,100071;北京军医学院;军事医学科学院微生物流行病研究所,北京,100071;军事医学科学院情报所;军事医学科学院微生物流行病研究所,北京,100071;军事医学科学院微生物流行病研究所,北京,100071
【正文语种】中文
【中图分类】R692
【相关文献】
1.应用ARIMA-GRNN模型对肾综合征出血热发病率时间序列数据的预测研究[J], 吴伟;郭军巧;安淑一;关鹏;周宝森
2.模糊时间序列分析在肾综合征出血热发病率预测的应用初探 [J], 张韬;冯子健;杨
维中;李晓松;赵星;郭鹏飞;何红燕
3.GRNN组合预测模型对辽宁省及部分地区肾综合征出血热发病率的预测研究 [J], 吴伟;郭军巧;周宝森
4.肾综合征出血热发病率的小波预测模型 [J], 吴学森;王洁贞;刘云霞;张娜
5.时间序列模型在肾综合征出血热发病率预测中的应用 [J], 李秀君;康殿民;曹杰;
王洁贞
因版权原因，仅展示原文概要，查看原文内容请购买。
肾综合征出血热发病率的流行病学分析
肾综合征出血热发病率的流行病学分析
高雅琴;哈杰
【期刊名称】《中国卫生工程学》
【年(卷),期】2002()4
【总页数】2页(P255-256)
【关键词】肾综合征;HFRS;出血热发病率
【作者】高雅琴;哈杰
【作者单位】吉林省吉林市疾病预防控制中心
【正文语种】中文
【中图分类】R1
【相关文献】
1.模糊时间序列分析在肾综合征出血热发病率预测的应用初探 [J], 张韬;冯子健;杨维中;李晓松;赵星;郭鹏飞;何红燕
2.基于小波分析的肾综合征出血热发病率预测方法 [J], 吴学森;王洁贞;刘云霞;张娜
3.黑龙江省灾区肾综合征出血热宿主动物带毒指数与发病率相关性分析 [J], 孙荣芳;刘忠伟;许君;李冀宏;刘学振
4.安徽省肾综合征出血热沙鼠肾细胞Ⅰ型灭活疫苗免疫性及其流行病学效果的考核[J], 王以银;刘红;任次早;宋明宇;吴炳权;韩远荣;魏强;黄玉有;谢杰;李芙蓉;戴振威;罗兆庄
5.野鼠密度动态变化与肾综合征出血热及恙虫病发病率相关性分析 [J], 刘运喜;杨占清;吴钦永;李子健;秦德太;马淑彬;王增君;朱洪霞
因版权原因，仅展示原文概要，查看原文内容请购买。
肾综合征出血热Box-Jenkins模型研究
肾综合征出血热Box-Jenkins模型研究
翁寿清;邵守坤;徐校平;周卫群;阮玉华
【期刊名称】《中国媒介生物学及控制杂志》
【年(卷),期】1998(9)4
【摘要】目的：建立肾综合征出血热（ＨＦＲＳ）Ｂｏｘ－Ｊｅｎｋｉｎｓ模型。
方法：用游程检验对发病序列进行随机性检验。
结果：提示ＨＦＲＳ疫苗应在高危人群和高发地区人群中接种；用Ｂｏｘ－Ｊｅｎｋｉｎｓ模型对建德市ＨＦＲＳ发病作实验预测研究，结果准确。
结论：该模型适合于实际预测，不失为疾病预测中快速。
【总页数】4页(P246-249)
【关键词】肾综合征出血热;疫苗;模型;疾病预测
【作者】翁寿清;邵守坤;徐校平;周卫群;阮玉华
【作者单位】浙江省建德市卫生防疫站;上海医科大学
【正文语种】中文
【中图分类】R512.8
【相关文献】
1.ARIMA模型在安丘市肾综合征出血热月发病率预测研究中的应用 [J], 石福艳;
禹长兰;杨光;王素珍
2.肾综合征出血热研究进展—第2届国际肾综合征出血热会议部分论文介绍 [J], 杨东亮
3.三种时间序列模型在盐城市肾综合征出血热发病预测应用中的比较研究 [J], 李峰; 王海燕; 陈国清; 徐士林; 杨长庆; 李长城; 姜仁杰; 陈胤忠; 沈进进; 金辉
4.关于肾综合征出血热──肾综合征出血热治疗研究进展 [J], 张成文
5.关于肾综合征出血热──肾综合征出血热疫苗研究进展 [J], 杭长寿
因版权原因，仅展示原文概要，查看原文内容请购买。
肾综合征出血热实验动物模型的研究和应用
肾综合征出血热实验动物模型的研究和应用
刘江秋;李忠义
【期刊名称】《微生物学杂志》
【年(卷),期】1990(000)0Z1
【摘要】建立肾综合征出血热(HFRS)疾病动物模型是进一步深入研究其发病机理、药物筛选、疫苗制备、临床治疗的迫切需要。
最早用于肾综合征出血热病毒(HFRSV)分离和实验研究的动物是非疫区黑线姬鼠,以后相继发现实验饲养的一些
动物对HFRSV亦很敏感。
目前有二种动物模型:一种为感染动物模型,供分离和培
养病毒及感染试验用;另一种为致病模型,主要用于发病机理,疫苗制备及实验治疗等方面的研究。
细胞培养分离病毒成功之后,大大简化了病毒的培养和扩增,然而体外
细胞感染不可能代替完整的动物机体对病毒感染的反应性。
因此建立一个
【总页数】4页(P124-126,148)
【作者】刘江秋;李忠义
【作者单位】[1]沈阳军事医学研究所;[2]沈阳军事医学研究所
【正文语种】中文
【中图分类】Q93
【相关文献】
1.角色互换法在研究生实验动物模型教学中的应用 [J], 梅志强;韩建红;赵明德
2.淋巴瘤实验动物模型构建的研究与应用 [J], 熊豫麟;张远旭;黄云超;杨世华
3.脊髓损伤实验动物模型评价：诱发电位的应用与研究进展 [J], 王雪菲;张军卫;
4.脊髓损伤实验动物模型评价：诱发电位的应用与研究进展 [J], 王雪菲;张军卫
5.多发性硬化实验动物模型的研究与应用进展 [J], 赵培源;陈少昀;刘喜红;杨丽萍因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
１ Ｃ ｈ ｉ ｎ ａ Ｍｅ ｄ ｉ ｃ ａ ｌ Ｕｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ． Ｓ ｈ ｅ ｎ ｙ ａ ｎ ｇ １ １ ０ １ ２ ２ ． Ｌ ｉ ａ ｏ ｎ ｉ ｎ ｇ Ｐ ｒ 删ｉ ｎ ｃ ｅ ． Ｃ ｈ ｉ ｎ ａ ；
Ｏ ． １ ８ ６ １ 。结论 Ｅ ｌ ｍａ ｎ 神经 网络较好地拟 合和预测 了全 国 Ｈ Ｆ Ｒ Ｓ 的发病趋势 ， 并且其 拟合 和预测效果优 于 Ｓ Ａ Ｒ Ｉ ＭＡ
模型 ， 具有较强的推广应用价值 。 关键词 ： 肾综合征 出血热 ； Ｅ ｌ ｍ ａ ｎ ￥ ｌ ￣ 经 网络 ； 发病率 ； 预测
均绝 对误 差 （ Ｍ Ａ Ｅ） 、 平均 绝对误 差百 分 ￣（ ＭＡ Ｐ Ｅ） 以及 均方误 差平 方根 （ Ｒ ＭＳ Ｅ） 分别 为 ０ ． ０ ０ ８ ８ 、 ０ ． １ １ ９ １ 和０ ． ０ １ ２ ７ ；
Ｓ ＡＲ Ｉ ＭＡ模 型 的 ＭＡ Ｅ、 ＭＡ Ｐ Ｅ和 Ｒ ＭＳ Ｅ分别 为 ０ ． ０ １ １ １ 、 Ｏ ． １ ２ ６ ８ 和０ ． ０ ２ ０ ６ 。对 于预 测 样本 ， Ｅ ｌ ｍ ａ ｎ神经 网络 的 ＭＡ Ｅ 、 ＭＡ Ｐ Ｅ和 Ｒ ＭＳ Ｅ分 别 为 ０ ． ０ ０ ７ ９ 、 ０ ． １ １ ８ ０和 ０ ． ０ ０ ９ ６ ； Ｓ Ａ Ｒ Ｉ ＭＡ模 型 的 ＭＡ Ｅ、 ＭＡ Ｐ Ｅ和 Ｒ ＭＳ Ｅ分 别 为 Ｏ ． ０ １ ７ ８ 、 ０ ． ２ ７ ７ ８和
２ Ｌ ｉ ａ ｏ ｎ ｉ ｎ ｇ Ｃ ｅ ｎ ｔ ｅ ｒ ｆ ｏ ｒ Ｄ ｉ ｓ ｅ ａ ｓ ｅ Ｃ ｏ ｎ ｔ ｒ ｏ ｌ ａ ｎ ｄ Ｐ ｒ ｅ ｖ ｅ ｎ ｔ ｉ ｏ ｎ
Ｃ ｏ ｒ ｒ ｅ ｓ ｐ ｏ ｎ ｄｉ ｎ ｇ ａ ｕ ｔ ｈ ｏ ｒ ： Ｚ ＨＯＵ Ｂ ａ ｏ ． ｓ ｅ ｎ ． Ｅ ｍａ ｌ ｌ ： ｂ ｓ ｚ ｈ ｏ ｕ ＠ｍａ ｉ ｌ ． ｃ ｍｕ ． ｅ ｄ ｕ ． ｃ ｎ
Ａ ｂ ｓ ｔ ｒ ａ ｃ ｔ ：０ｂ ｊ ｅ ｃ ｔ ｉ ｖ ｅ Ｔ ｏ ｄ ｅ ｓ ｃ ｉ ｒ ｂ ｅ ｔ ｈ ｅ ｐ ｒ ｏ ｃ ｅ ｄ ｕ ｒ ｅ ｏ ｆ ｂ ｕ ｉ ｌ ｄ ｉ ｎ ｇ Ｅ ｌ ｍ ａ ｎ ｎ ｅ ｕ ｒ ａ ｌ ｎ ｅ ｔ ｗ ｏ ｒ ｋ ｍ ｏ ｄ ｅ ｌ ，ａ ｎ ｄ ｅ ｘ ｐ ｌ ｏ ｒ ｅ ｔ ｈ ｅ ｖ ａ ｌ ｕ ｅ ｏ ｆ
Ａｐ ｐ ｌ ｉ ｃ ａ ｔ ｉ ｏ ｎ ０ ｆ Ｅｌ ｍａ ｎ ｆ ｅ ｅ ｄ ｂ ａ ｃ ｋ ｎ ｅ ｕ ｒ ａ ｌ ｎ ｅ ｔ ｗｏ ｒ ｋ ｍｏ ｄ ｅ ｌ ｔ ｏ ｐ ｒ ｅ ｄ ｉ ｃ ｔ ｔ ｈ ｅ ｉ ｎ ｃ ｉ ｄ ｅ ｎ ｃ ｅ ０ ｆ ｈ ｅ ｍｏ ｒ ｒ ｈ ａ ｇ ｉ ｃ ｆ ｅ ｖ ｅ ｒ ｗｉ ｔ ｈ ｒ ｅ ｎ ａ ｌ ｓ ｙ ｎ ｄ ｒ ｏ ｍｅ
中图分类号 ： Ｒ ３ ７ ３ ． ３ ２ 文献标 志码 ： Ａ 文章 编号 ： １ ０ ０ ３ — ４ ６ ９ ２ （ ２ ０ １ ５ ） ０ ４ — ０ ３ ４ ９ — ０ ４
ＤＯＩ ： １ ０ ． １ １ ８ ５ ３ ／ ｛ ． ｉ ｓ ｓ ｎ ． １ ０ ０ ３ ． ４ ６ ９ ２ ． ２ ０ １ ５ ． ４． ０ ０ ０ ５
Ｓ ｕ ｐ ｐ ｏ ｓ ｅ ｄ ｂ ｙ ｔ ｈ ｅ Ｎａ ｔ ｉ ｏ ｎ ａ ｌ Ｎａ ｔ ｕ ｒ ａ ｌ Ｓ ｃ ｉ ｅ ｎ ｃ ｅ Ｆ ｏ ｕ ｎ ｄ ａ ｔ ｉ ｏ ｎ ｏ ｆ Ｃ ｈ ｉ ｎ ａ（ Ｎｏ ． ８ １ ２ ０ ２ ２ ５ ４ ． ３ ０ ７ ７ １ ８ ６ ０）
吴伟 ， 郭军巧 ， 安淑一 ， 关鹏 ， 周宝森
１ 中国医科 大学 ， 辽宁 沈 阳 １ １ ０ １ ２ ２ ； ２辽宁省疾病预防控制中心 摘 要 ：目的 阐述建立 Ｅ １ ｍａ ｎ 神经 网络模 型预测 肾综合 征出血热 （ Ｈ Ｆ Ｒ Ｓ ） 发病 率 的方法 和步骤 ， 探讨其应用前 景。 方法 使 用全 国 ２ ０ ０ ４ －２ ０ １ ３ 年Ｈ Ｆ Ｒ Ｓ的月 发病率 资料 ， 建立 Ｅ ｌ ｍａ ｎ 神经 网络 预测模型 和 Ｓ Ａ Ｒ Ｉ ＭＡ模 型 ， 对２ ０ １ ４ 年 对于训练样本 ， Ｅ ｌ ｍ ａ ｎ ￥ ＊ 经 网络 的平 １ —９月 Ｈ Ｆ Ｒ Ｓ 的月发病率进行 预测 ， 比较 ２ 个模型 的拟合 和预测效果 。结 果
ｐ ｏ ｔ ｅ ｎ ｔ ｉ ａ ｌ ａ ｐ ｐ ｌ ｉ ｃ ａ ｔ ｉ ｏ ｎ ｏ ｆ ｔ ｈ ｅ ａ ｂ ｏ ｖ ｅ ｍｏ ｄ ｅ １ ． Ｍｅ ｔ ｈ ｏ ｄ ｓ Ｍｏ ｎ ｔ ｈ ｌ ｙ ｉ ｎ ｃ ｉ ｄ ｅ ｎ ｃ ｅ ｏ ｆ ｈ ｅ ｍｏ ｒ ｒ ｈ ａ ｇ ｉ ｃ ｆ ｅ ｖ ｅ ｒ ｗ ｉ ｔ ｈ ｒ ｅ ｎ ａ ｌ ｓ ｙ ｎ ｄ ｒ ｏ ｍｅ（ Ｈ Ｆ Ｒ Ｓ ）
ｏ ｒＢ ｉ ｏ ｌ ＆ Ｃｏ ｎ ｔ ｒ ｏ ｌ ， Ａｕｇ 中国媒介生物学及控制杂志 ２ Ｏ １ ５ 年８ 月第 ２ ６ 卷第 ４ 期 Ｃ ｈ ｉ ｎ Ｊ Ｖ ｅ ｃ ｔ
—
ｕ ｓ ｔ ２ ０ １ ５ ， Ｖｏ １ ． ２ ６ ， Ｎｏ ． ４
・ ３ ４ ９ ・
—・论ຫໍສະໝຸດ 著 ・ 基于 Ｅ ｌ ｍ ａ ｎ 反馈型神经网络的肾综合征 出血热 发病 率预测模 型