茅榮杰　汪作為　杜亞松

數(shù)據(jù)挖掘技術(shù)在兒童精神醫(yī)學(xué)中的運(yùn)用*

茅榮杰汪作為杜亞松

【摘要】當(dāng)前各種資訊及數(shù)據(jù)信息呈爆炸式增長(zhǎng)，如何從中挖掘出有用的知識(shí)成為亟待解決的問(wèn)題，由此數(shù)據(jù)挖掘技術(shù)應(yīng)運(yùn)而生，并已開(kāi)始用于兒童精神醫(yī)學(xué)。本文基于國(guó)內(nèi)外數(shù)據(jù)挖掘技術(shù)在兒童精神醫(yī)學(xué)中的發(fā)展?fàn)顩r，簡(jiǎn)要介紹了數(shù)據(jù)挖掘的概念、方法及各種挖掘方法的運(yùn)用現(xiàn)狀，總結(jié)了數(shù)據(jù)挖掘技術(shù)在兒童精神醫(yī)學(xué)中運(yùn)用的不足之處，并對(duì)今后的發(fā)展趨勢(shì)進(jìn)行展望。

【關(guān)鍵詞】數(shù)據(jù)挖掘兒童精神醫(yī)學(xué)信息人工智能

隨著計(jì)算機(jī)技術(shù)和互聯(lián)網(wǎng)的發(fā)展普及，人們能夠輕而易舉地采集到各種資訊，這些資訊及其伴隨的數(shù)據(jù)信息呈爆炸式增長(zhǎng)。兒童精神科醫(yī)師在工作中可以通過(guò)視頻、音頻、量表、病程記錄和日志等獲得多方面的數(shù)據(jù)信息，但是“我們被數(shù)據(jù)淹沒(méi)，卻缺乏知識(shí)”［1］。如何透過(guò)紛繁復(fù)雜的數(shù)據(jù)信息尋找其背后的規(guī)律，挖掘出有用的知識(shí)［2］，數(shù)據(jù)挖掘技術(shù)應(yīng)運(yùn)而生，并已開(kāi)始用于兒童精神醫(yī)學(xué)(研究18周歲以下兒童青少年精神障礙的學(xué)科稱為兒童精神醫(yī)學(xué))。本文就數(shù)據(jù)挖掘技術(shù)在兒童精神醫(yī)學(xué)中的運(yùn)用展開(kāi)綜述。

1　數(shù)據(jù)挖掘的概念和方法

1.1數(shù)據(jù)挖掘的概念數(shù)據(jù)挖掘(Data Mining，DM)又稱為數(shù)據(jù)庫(kù)中的知識(shí)發(fā)現(xiàn)(Knowledge Discover in Database，KDD)，是指運(yùn)用計(jì)算機(jī)等人工智能方法挖掘數(shù)據(jù)庫(kù)中大量數(shù)據(jù)背后潛藏著的有價(jià)值的信息的過(guò)程［1］。通過(guò)數(shù)據(jù)挖掘，數(shù)據(jù)擁有者可以把握事物的發(fā)展規(guī)律并以此來(lái)指導(dǎo)實(shí)踐工作。數(shù)據(jù)挖掘技術(shù)是在統(tǒng)計(jì)分析、模式識(shí)別、機(jī)器學(xué)習(xí)及數(shù)據(jù)庫(kù)技術(shù)等基礎(chǔ)上發(fā)展起來(lái)的一門新興學(xué)科，可以與包括兒童精神醫(yī)學(xué)在內(nèi)的其他學(xué)科相結(jié)合，為其他學(xué)科的發(fā)展提供新的研究方法。

1.2數(shù)據(jù)挖掘的方法數(shù)據(jù)挖掘用來(lái)對(duì)數(shù)據(jù)進(jìn)行描述和預(yù)測(cè)。常用的數(shù)據(jù)挖掘方法如下: (1)數(shù)據(jù)的匯總和表述:其目的是對(duì)數(shù)據(jù)進(jìn)行濃縮，給出它的緊湊描述。比如計(jì)算頻數(shù)、均值、百分比、方差等數(shù)據(jù)，還可以運(yùn)用統(tǒng)計(jì)表、直方圖等可視化技術(shù)以便更直觀地了解事物［3］。(2)聚類(Clustering) :是將一個(gè)集中的數(shù)據(jù)劃歸至不同組別。聚類所依據(jù)的規(guī)則是:同一類別內(nèi)的各種數(shù)據(jù)相似性較高，不同類別之間的數(shù)據(jù)相似性較低［4］。最常用的兩種聚類方法是劃分法(包括K均值法等)和系統(tǒng)分類法(又叫層次分類法)。(3)相關(guān)分析:常用來(lái)作相關(guān)分析(Correlation Analysis)的方法有:①關(guān)聯(lián)規(guī)則(Association Rules ) :關(guān)聯(lián)規(guī)則反映了事物之間的關(guān)聯(lián)性，最經(jīng)典的算法是Apriori算法［5］。②貝葉斯網(wǎng)絡(luò)(Bayesian Network) :利用貝葉斯公式對(duì)條件概率等指標(biāo)進(jìn)行計(jì)算，分析事物之間的相關(guān)性。③回歸分析(Regression Analysis) :回歸分析可以用來(lái)描述因變量與一個(gè)或多個(gè)自變量之間的關(guān)系，如線性回歸、Logistic回歸等。(4)分類(Classification) :是一種數(shù)據(jù)分析的過(guò)程，根據(jù)記錄各種屬性的值確定該記錄屬于哪一類［6］。對(duì)于待分類的數(shù)據(jù)能被分到哪幾類必須是預(yù)先確定的，這是與聚類不同的地方。常用的分類方法有決策樹(shù)分類器、貝葉斯分類器、人工神經(jīng)網(wǎng)絡(luò)、近鄰分類器(KNN)、支持向量機(jī)等。(5)回歸分析: (Regression Analysis) :數(shù)學(xué)模型確定后，通過(guò)自變量的值來(lái)預(yù)測(cè)應(yīng)變量，如Logistic回歸、回歸樹(shù)、人工神經(jīng)網(wǎng)絡(luò)等［7］。(6)時(shí)間序列分析:現(xiàn)實(shí)世界中有大量的數(shù)據(jù)在時(shí)序上具有關(guān)聯(lián)性。時(shí)間序列分析(Time series Analysis)就是在數(shù)據(jù)庫(kù)中挖掘出在時(shí)間順序上出現(xiàn)頻率高的數(shù)據(jù)組合模式［8］。(7)異常值監(jiān)測(cè)或偏差分析:數(shù)據(jù)庫(kù)中存在一些明顯偏離常態(tài)的數(shù)據(jù)，而這些數(shù)據(jù)背后常常隱藏著某種信息。偏差分析(Outlier Detection)的基本思想就是尋找觀察結(jié)果與參照量之間有意義的差別，再?gòu)倪@些差別中挖掘出有用的信息［9］。

上述挖掘方法中，數(shù)據(jù)的匯總和表述、聚類、相關(guān)分析，通常用來(lái)對(duì)數(shù)據(jù)進(jìn)行描述，屬于描述型的挖掘方法;而分類、回歸分析、時(shí)間序列分析、異常值監(jiān)測(cè)或偏差分析，用來(lái)對(duì)數(shù)據(jù)進(jìn)行預(yù)測(cè)，屬于預(yù)測(cè)型的挖掘方法。實(shí)際上，描述和預(yù)測(cè)是相互聯(lián)系不可分割的兩個(gè)過(guò)程，描述是預(yù)測(cè)的基礎(chǔ)，而預(yù)測(cè)的準(zhǔn)確性又反過(guò)來(lái)修正描述。就某些挖掘方法而言，既可用于描述也可用于預(yù)測(cè)，例如回歸分析，可以用于描述因變量如何隨自變量變化而變化;當(dāng)回歸分析模型建立以后，它可以用于預(yù)測(cè)，即通過(guò)輸入自變量的確定值，對(duì)未知事物(因變量)進(jìn)行預(yù)測(cè)。

2　數(shù)據(jù)挖掘在兒童精神醫(yī)學(xué)中的運(yùn)用現(xiàn)狀

數(shù)據(jù)挖掘技術(shù)已經(jīng)在金融、電信、制造、能源等多個(gè)領(lǐng)域得到了較為深入的應(yīng)用，但在醫(yī)學(xué)中的應(yīng)用剛剛起步，而在兒童精神醫(yī)學(xué)中更是處于試探摸索階段。面對(duì)海量的醫(yī)學(xué)數(shù)據(jù)，數(shù)據(jù)挖掘技術(shù)已經(jīng)顯示出其重要的實(shí)用價(jià)值和經(jīng)濟(jì)價(jià)值［10］。目前數(shù)據(jù)挖掘技術(shù)在兒童精神醫(yī)學(xué)中的應(yīng)用主要在以下幾方面:

2.1數(shù)據(jù)的匯總和表述數(shù)據(jù)的匯總和表述是對(duì)數(shù)據(jù)的初步挖掘，為進(jìn)一步使用其他挖掘方法墊定基礎(chǔ)，因此已得到較為廣泛的運(yùn)用。比如朱艷麗等［11］調(diào)查河南省某少年教養(yǎng)管理所在押的97名男性少年教養(yǎng)人員，了解其人格類型及其自尊、成就動(dòng)機(jī)、應(yīng)對(duì)方式等。國(guó)外Clarke AR等［12］分析了100個(gè)8～12歲患有注意缺陷多動(dòng)障礙(ADHD)的女孩的腦電圖數(shù)據(jù)，了解其α波、β波、θ波、δ波等波形的分布、波幅、節(jié)律等; Thapar A等［13］跟蹤隨訪了7 387個(gè)青少年，定期做精神病樣體驗(yàn)的自陳問(wèn)卷調(diào)查，分析數(shù)據(jù)后發(fā)現(xiàn)1.7%的個(gè)體的精神病樣體驗(yàn)隨年齡增長(zhǎng)而減少，16.8%斷斷續(xù)續(xù)出現(xiàn)，而0.9%則會(huì)持續(xù)出現(xiàn)。

2.2聚類分析在兒童精神醫(yī)學(xué)中，聚類分析通常用于如下三個(gè)方面: (1)對(duì)某一種疾病的亞型探索:國(guó)外學(xué)者運(yùn)用最多的是孤獨(dú)癥亞型探索，如Lane AE等［14］對(duì)54名孤獨(dú)癥兒童的感覺(jué)處理及適應(yīng)方式作聚類分析，將孤獨(dú)癥患兒分為味覺(jué)敏感型、嗅覺(jué)敏感型和運(yùn)動(dòng)相關(guān)感覺(jué)敏感型三類; Hrdlicka M等［15］對(duì)64名孤獨(dú)癥患兒的MRI數(shù)據(jù)進(jìn)行聚類分析，最后將其聚為四類。(2)用于兩類疾病異同比較: Goldstein G等［16］比較高功能孤獨(dú)癥與精神分裂癥的異同，先通過(guò)聚類分析法將精神分裂癥患者聚為四亞類，再將這四亞類與高功能孤獨(dú)癥數(shù)據(jù)聚類，發(fā)現(xiàn)精神分裂癥中的其中一個(gè)亞類可以與高功能孤獨(dú)癥聚為一類，兩者在認(rèn)知上有較多相似之處; Cuccaro ML等［17］通過(guò)聚類分析方法探索孤獨(dú)癥譜系障礙與癲癇癥的聯(lián)系，發(fā)現(xiàn)兩者在言語(yǔ)和運(yùn)動(dòng)能力發(fā)育上有較多相似之處。(3)對(duì)疾病相關(guān)因素及癥狀的歸類:馮永亮等［18］對(duì)上海市669名大學(xué)女生非意愿性行為特征進(jìn)行聚類分析，發(fā)現(xiàn)具有一定個(gè)人及行為特征的青少年容易遭受非意愿性行為的侵?jǐn)_，應(yīng)針對(duì)這些特征因素采取相應(yīng)措施。Rizzo R等［19］回顧了100名Tourette綜合征(抽動(dòng)穢語(yǔ)綜合征)患者長(zhǎng)期臨床過(guò)程，通過(guò)因子分析和聚類分析發(fā)現(xiàn)，10年后有48%的患者除抽動(dòng)穢語(yǔ)癥狀外，表現(xiàn)出強(qiáng)迫癥的癥狀。

2.3相關(guān)分析在傳統(tǒng)的統(tǒng)計(jì)分析中，用作相關(guān)分析的主要是回歸相關(guān);而數(shù)據(jù)挖掘技術(shù)中的相關(guān)還包括關(guān)聯(lián)規(guī)則、貝葉斯網(wǎng)絡(luò)分析等。目前的運(yùn)用舉例如下: (1)關(guān)聯(lián)規(guī)則: García EG等［20］用關(guān)聯(lián)規(guī)則分析了9 300名14～18歲青少年關(guān)于物質(zhì)使用的數(shù)據(jù)庫(kù)，得出與酒精、煙草、大麻、可卡因等使用最相關(guān)的因素，比如與酒精使用最相關(guān)的因素是父母的教育方式和同伴的使用(置信度為0.8 528)。Vianna RC等［21］通過(guò)關(guān)聯(lián)規(guī)則發(fā)現(xiàn)與嬰兒死亡最相關(guān)的因素是青少年懷孕生育。(2)回歸與相關(guān):杜亞松領(lǐng)導(dǎo)的科研小組做過(guò)不少研究，如江文慶等［22］對(duì)網(wǎng)絡(luò)成癮者數(shù)據(jù)庫(kù)進(jìn)行Logistic回歸分析，提示網(wǎng)絡(luò)成癮與應(yīng)對(duì)方式中使用“問(wèn)題解決”、“幻想”、“自責(zé)”以及在“對(duì)支持的利用”能力上獨(dú)立相關(guān);劉文文等［23］用Logistic回歸分析探討影響孤獨(dú)癥患兒嚴(yán)重程度的相關(guān)因素發(fā)現(xiàn)具有女性、父母文化程度低、新生兒窒息、剖宮產(chǎn)、易怒敏感古怪的性格特征、淡漠型混亂型的依戀類型、發(fā)現(xiàn)癥狀到就診的間隔時(shí)間長(zhǎng)等特征的孤獨(dú)癥患兒更有嚴(yán)重程度較重的傾向。國(guó)外也有不少類似的研究，如Yurdu爧en S等［24］通過(guò)分層回歸分析法發(fā)現(xiàn)學(xué)齡前兒童情緒和行為問(wèn)題與母親的焦慮情緒、拒絕的態(tài)度和養(yǎng)育方式密切相關(guān)，而母親的焦慮情緒是最重要的影響因素。(3)貝葉斯網(wǎng)絡(luò)分析: Snoek HM等［25］運(yùn)用貝葉斯理論分析青少年身高體質(zhì)量指數(shù)(BMI)變化軌跡與情緒、在外就餐和過(guò)分克制飲食的關(guān)系，發(fā)現(xiàn)越過(guò)分克制飲食BMI指數(shù)越高。Le TN等［26］通過(guò)貝葉斯網(wǎng)絡(luò)分析青少年犯罪行為與學(xué)校人口學(xué)因素和種族歧視的關(guān)系，發(fā)現(xiàn)學(xué)校學(xué)生種族越是多樣化和歧視，青少年犯罪率越高，但老師的種族多樣化與之沒(méi)有關(guān)系;除非裔美國(guó)人之外，女性老師比率越高，青少年犯罪率越低。

2.4分類分類是數(shù)據(jù)挖掘中的常用方法，決策樹(shù)算法、貝葉斯分類器、人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等多種分類算法均已在兒童精神醫(yī)學(xué)中得到運(yùn)用。目前的分類方法運(yùn)用于如下幾個(gè)方面: (1)用于疾病的診斷識(shí)別:國(guó)內(nèi)陳冰梅等［27］通過(guò)對(duì)全國(guó)1 125份病例資料的數(shù)據(jù)分析，將人工神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)相結(jié)合，編制了智能計(jì)算機(jī)診斷系統(tǒng)，經(jīng)測(cè)試發(fā)現(xiàn)其診斷結(jié)果與資深專家診斷符合率為99%。國(guó)外Wall DP等［28］將人工智能分類技術(shù)用于孤獨(dú)癥患兒的篩查; Perego P等［29］將支持向量機(jī)技術(shù)用于孤獨(dú)癥的早期診斷。(2)用于風(fēng)險(xiǎn)預(yù)測(cè)和嚴(yán)重程度評(píng)估: Pazzani M J等［30］用貝葉斯概率模型用于新生兒患智能發(fā)育遲滯的風(fēng)險(xiǎn)評(píng)估。Ang RP等［31］將預(yù)測(cè)型數(shù)據(jù)挖掘技術(shù)與傳統(tǒng)Logistic回歸分析相比較，用于青少年攻擊行為的預(yù)測(cè)，確證了決策樹(shù)、人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等分類技術(shù)的效果。Stahl D等［32］利用支持向量機(jī)技術(shù)分析了嬰兒事件相關(guān)電位數(shù)據(jù)庫(kù)(這些嬰兒后來(lái)被診斷患有孤獨(dú)癥)，建立了孤獨(dú)癥患病風(fēng)險(xiǎn)的預(yù)測(cè)模型。(3)決策支持:決策樹(shù)分類與成本效益分析相結(jié)合，能夠指導(dǎo)人們作出最優(yōu)策略，其運(yùn)用有著較早的歷史，早在1995年Fletcher J等［33］將決策樹(shù)技術(shù)用于產(chǎn)前唐氏綜合征的篩查方式比較，用成本效益分析比較血清測(cè)定法與羊膜穿刺法的優(yōu)略。決策支持技術(shù)不斷地得到運(yùn)用和發(fā)展，如Magyary D等［34］將決策樹(shù)技術(shù)用于注意缺陷多動(dòng)障礙患兒的評(píng)估和管理，發(fā)現(xiàn)結(jié)果與幾個(gè)國(guó)家專業(yè)機(jī)構(gòu)發(fā)布的多動(dòng)癥指南相一致。Ebesutani C等［35］用決策支持系統(tǒng)發(fā)現(xiàn)預(yù)先用自評(píng)問(wèn)卷調(diào)查可以減輕青少年心理治療的負(fù)擔(dān)。

2.5回歸分析數(shù)據(jù)挖掘技術(shù)中的回歸分析不僅包括Logistic回歸等經(jīng)典回歸分析法，還包括人工神經(jīng)網(wǎng)絡(luò)、回歸樹(shù)等不能用函數(shù)表達(dá)的復(fù)雜算法，具有廣闊的運(yùn)用前景。(1)經(jīng)典回歸分析: López-Villalobos JA等［36］以200例注意缺陷多動(dòng)障礙患兒相關(guān)數(shù)據(jù)為學(xué)習(xí)樣本，以年齡、匹配熟悉圖測(cè)驗(yàn)(MFFT-20)分、兒童嵌圖測(cè)試分(CEFT)、Stroop測(cè)試分?jǐn)?shù)為自變量，建立是否患有多動(dòng)癥的Logistic回歸模型，經(jīng)測(cè)試后該模型預(yù)測(cè)的靈敏度為85%、特異度為85%(相對(duì)于DSM–Ⅳ診斷標(biāo)準(zhǔn))。(2)人工神經(jīng)網(wǎng)絡(luò): Nuovo AG等［37］嘗試建立測(cè)定智商的神經(jīng)網(wǎng)絡(luò)，其測(cè)試性能比韋氏智商量表更精確(置信區(qū)間5個(gè)單位)。(3)回歸樹(shù)算法:當(dāng)決策樹(shù)輸出的是連續(xù)變量時(shí)稱之為回歸樹(shù)，而實(shí)際上單純運(yùn)用回歸樹(shù)的研究并不多見(jiàn)，通常是將分類與回歸結(jié)合在一起，稱為分類回歸樹(shù)(Classification And Regression Tree，CART)。該算法已得到廣泛的運(yùn)用。Mckenzie DP等［38］用短期心境和感受問(wèn)卷(SMFQ)調(diào)查5 769名美國(guó)及加拿大青少年，用分類回歸樹(shù)法(CART)進(jìn)行數(shù)據(jù)分析，結(jié)果發(fā)現(xiàn)自我憎恨和不被愛(ài)是增加抑郁水平的兩個(gè)重要預(yù)測(cè)因素，由此考慮制定相應(yīng)措施。Brabant ME等［39］成功運(yùn)用CART法預(yù)測(cè)受性虐待的少女的自殺風(fēng)險(xiǎn)。

2.6時(shí)間序列分析時(shí)間序列分析是當(dāng)前人工智能和數(shù)據(jù)庫(kù)系統(tǒng)研究的熱點(diǎn)之一。但目前尚未發(fā)現(xiàn)有專門將時(shí)間系列分析用于兒童精神醫(yī)學(xué)的報(bào)道，但可以在相關(guān)的學(xué)科如腦電圖中見(jiàn)到一些零星研究。Ferri R等［40］曾有將時(shí)間系列模型用于分析新生兒腦電圖的報(bào)道。Kim SH等［41］報(bào)道，將時(shí)間系列分析與自回歸分析相結(jié)合后分析癲癇患者的腦電圖，預(yù)測(cè)的速度和準(zhǔn)確率明顯高于以前的方法。

2.7異常值監(jiān)測(cè)和時(shí)間系列分析類似，僅在兒童精神醫(yī)學(xué)相關(guān)的領(lǐng)域見(jiàn)到報(bào)道。Mefford HC等［41］將異常值監(jiān)測(cè)技術(shù)用于研究人類基因組變異(CVNs)，發(fā)現(xiàn)1 105名不明原因智力殘疾的兒童(非孤獨(dú)癥)中有7名兒童染色體位點(diǎn)16p11.2缺失，而16p11.2缺失曾經(jīng)被認(rèn)為與孤獨(dú)癥有關(guān)，且發(fā)現(xiàn)異常值監(jiān)測(cè)法相比其他方法更加經(jīng)濟(jì)實(shí)用。

3　運(yùn)用展望

從以上綜述中我們看到數(shù)據(jù)挖掘技術(shù)已經(jīng)在兒童精神醫(yī)學(xué)中有一定的應(yīng)用，但這種應(yīng)用剛剛起步，今后必然會(huì)不斷地發(fā)展和完善。首先，數(shù)據(jù)挖掘需要面對(duì)的是海量數(shù)據(jù)，而上述數(shù)據(jù)挖掘技術(shù)在兒童精神心理疾病中的應(yīng)用研究樣本量非常小，更多的是嘗試性運(yùn)用，今后研究者必然會(huì)擴(kuò)大樣本量，在大規(guī)模數(shù)據(jù)庫(kù)中驗(yàn)證其應(yīng)用價(jià)值和實(shí)際可操作性。其次，數(shù)據(jù)挖掘技術(shù)在具體運(yùn)算之前還要經(jīng)歷漫長(zhǎng)的數(shù)據(jù)預(yù)處理階段，包括數(shù)據(jù)清洗、數(shù)據(jù)格式轉(zhuǎn)換、變量整合、數(shù)據(jù)表連接等，使其應(yīng)用遠(yuǎn)沒(méi)有傳統(tǒng)統(tǒng)計(jì)學(xué)廣泛。隨著簡(jiǎn)潔實(shí)用的數(shù)據(jù)挖掘軟件技術(shù)的發(fā)展，預(yù)計(jì)數(shù)據(jù)預(yù)處理會(huì)更加簡(jiǎn)便，數(shù)據(jù)挖掘技術(shù)也更易得到推廣［43］。再次，目前在兒童精神醫(yī)學(xué)中所用的數(shù)據(jù)挖掘技術(shù)比較單一，可能僅挖出數(shù)據(jù)背后眾多規(guī)律的一小部分，這難免造成重要知識(shí)的遺漏和數(shù)據(jù)資源的浪費(fèi)，因此今后各種挖掘方法必然趨向于整合，從而提高挖掘效率。最后，信息貴在新、快，即所謂的“實(shí)時(shí)性”。對(duì)于兒童精神心理疾病，越早發(fā)現(xiàn)和治療，預(yù)后越好。這就需要數(shù)據(jù)挖掘技術(shù)與自動(dòng)化技術(shù)和視頻、音頻、圖像處理等技術(shù)結(jié)合起來(lái)，實(shí)時(shí)監(jiān)測(cè)，快速轉(zhuǎn)換、運(yùn)算和分析，并及時(shí)給出危險(xiǎn)警示和指導(dǎo)措施，充分發(fā)揮其實(shí)用價(jià)值［44］。

參考文獻(xiàn)

［1］Codreanu DE，Parpandel DE，Popa I.Extracting knowledge from data-data mining［J］.Challenges of the Knowledge Society，2013，1: 2020－2025

［2］Winship K.Data mining in children and family services: the Contra Costa County experience［J］.J Evid Soc Work，2012，9(1-2) : 19－26

［3］Alazemi AR.Data，text and web mining for business intelligence:A Survey［J］.International Journal of Data Mining＆Knowledge Management Process，2013，3(2) : 1－21

［4］Trebuňa P，Halˇcinová J.Mathematical tools of cluster analysis ［J］.Applied Mathematics，2013，4(5) : 814－816

［5］Anwar MA.Finding association rules through efficient knowledge management technique［J］.International Journal of Advanced Computer Sciences and Applications，2013，3(12) : 131－134

［6］Dash SR，Dehuri S.Comparative study of different classification techniques for post operative patient dataset［J］.International Journal of Innovative Research in Computer and Communication Engineering，2013，1(5) : 1101－1108

［7］龔著琳，陳瑛，章魯，等.生物醫(yī)學(xué)數(shù)據(jù)挖掘［M］.上海:上?？茖W(xué)技術(shù)出版社，2011: 25－44

［8］Momani NM.Time series analysis model for rainfall data in Jordan: case study for using time series analysis［J］.American Journal of Environmental Sciences，2013，5(5) : 599－604

［9］Chandore P，Chatur P.Outlier detection techniques over streaming data in data mining: A research perspective［J］.International Journal of Recent Technology and Engineering，2013，2(1) : 157－162

［10］Kaur H，Wasan SK.Empirical Study on Applications of Data Mining Techniques in Healthcare［J］.J Comput Sci，2006，2(2) : 194－200

［11］朱艷麗，趙山明.少年教養(yǎng)人員人格類型及其與自尊、成就動(dòng)機(jī)、應(yīng)對(duì)方式的調(diào)查［J］.中國(guó)組織工程研究與臨床康復(fù)，2007，11(17) : 3306－3309

［12］Clarke AR，Barry RJ，Mccarthy R，et al.EEG activity in girls with attention-deficit/hyperactivity disorder［J］.Clinical Neurophysiology，2003，114(2) : 319－328

［13］Thapar A，Heron J，Jones RB，et al.Trajectories of change in self-reported psychotic-like experiences in childhood and adolescence［J］.Schizophrenia Research，2012，140(1－3) : 104－109

［14］Lane AE，Young RL，Baker AZ，et al.Sensory processing subtypes in autism: association with adaptive behavior ［J］.J Autism Dev Disord，2010，40(1) : 112－122

［15］Hrdlicka M，Dudova I，Beranova I，et al.Subtypes of autism by cluster analysis based on structural mri data［J］.Eur Child Adolesc Psychiatry，2005，14(3) : 138－144

［16］Goldstein G，Minshew NJ，Allen DN，et al.High-functioning autism and schizophrenia: a comparison of an early and late onset neurodevelopmental disorder［J］.Arch Clin Neuropsychol，2002，17(5) : 461－475

［17］Cuccaro ML，Tuchman RF，Hamilton KL，et al.Exploring the relationship between autism spectrum disorder and epilepsy using latent class cluster analysis［J］.J Autism Dev Disord，2011，42(8) : 1630－1641

［18］馮永亮，牛紅峰，左霞云，等.上海市大學(xué)生非意愿性行為的聚類特征分析［J］.中國(guó)衛(wèi)生統(tǒng)計(jì)，2011，28(1) : 33 －36

［19］Rizzo R，Gulisano M，Calì PV，et al.Long term clinical course of Tourette syndrome［J］.Brain Dev，2012，34(8) : 667－673

［20］García EG，Blasco BC，López RJ，et al.Study of the factors associated with substance use in adolescence using Association Rules［J］.Adicciones，2010，22(4) : 293－299

［21］Vianna RC，Moro CM，Moysés SJ，et al.Data mining and characteristics of infant mortality［J］.Cad Saude Publica，2010，26(3) : 535－542

［22］江文慶，杜亞松，辛秦，等.上海市網(wǎng)絡(luò)成癮中學(xué)生的應(yīng)對(duì)方式與社會(huì)支持［J］.上海精神醫(yī)學(xué)，2011，23(2) : 87－91

［23］劉文文，楊曹驊，張林娜，等.父母親對(duì)孤獨(dú)癥癥狀的認(rèn)識(shí)及嚴(yán)重程度影響因素的研究［J］.中國(guó)兒童保健雜志，2013，21(6) : 575－577

［24］Yurdusen S，Erol N，Genz T.The effects of parental attitudes and mothers' psychological well-being on the emotional and behavioral problems of their preschool children［J］.Matern Child Health J，2013，17(1) : 68－75

［25］Snoek HM，Engels R，van Strien T，et al.Emotional，external and restrained eating behaviour and BMI trajectories in adolescence［J］.Appetite，2013，(67) : 81 －87

［26］Le TN，Stockdale G.The influence of school demographic factors and perceived student discrimination on delinquency trajectory in adolescence［J］.J Adoles Health，2011，49 (4) : 407－413

［27］陳冰梅，樊曉平，周志明，等.基于人工神經(jīng)網(wǎng)絡(luò)與人工智能的計(jì)算機(jī)系統(tǒng)在兒童心理障礙診斷領(lǐng)域的應(yīng)用［J］.中國(guó)組織工程研究與臨床康復(fù)，2011，15(13) : 2467－2470

［28］Wall DP，Dally R，Luyster R，et al.Use of artificial intelligence to shorten the behavioral diagnosis of autism ［J］.PloS One，2012，7(8) : e43855

［29］Perego P，F(xiàn)orti S，Crippa A，et al.Reach and throw movement analysis with support vector machines in early diagnosis of autism［J］.Conf Proc IEEE Eng Med Biol Soc，2009: 2555－2558

［30］Pazzani MJ，Mani S，Shankle WR.Acceptance of rules generated by machine learning among medical experts［J］.Methods of Inf Med，2001，40(5) : 380－385

［31］Ang RP，Goh DH.Predicting juvenile offending: a comparison of data mining methods［J］.Int J Offender Ther Com Criminol，2013，57(2) : 191－207

［32］Stahl D，Pickles A，Elsabbagh M，et al.Novel machine learning methods for ERP analysis: a validation from research on infants at risk for autism［J］.Developmental Neuropsychology，2012，37(3) : 274－298

［33］Fletcher J，Hicks NR，Kay JD，et al.Using decision analysis to compare policies for antenatal screening for Down’s syndrome［J］.BMJ，1995，311(7001) : 351－356

［34］Magyary D，Brandt P.A decision tree and clinical paths for the assessment and management of children with ADHD ［J］.Issues Ment Health Nurs，2002，23(6) : 553－566

［35］Ebesutani C，Bernstein A，Chorpita BF，et al.A transportable assessment protocol for prescribing youth psychosocial treatments in real-world settings: reducing assessment burden via self-report scales［J］.Psychological Assessment，2012，24(1) : 141－155

［36］López-Villalobos JA，Serrano-Pintado I，Sánchez-Mateos JD，et al.Utility of a statistical model of cognitive styles in attention deficit hyperactivity disorder［J］.Psicothema，2011，23(4) : 818－823

［37］Di Nuovo AG，Di Nuovo S，Buono S.Intelligent quotient estimation of mental retarded people fromdifferent psychometric instruments using artificial neural networks ［J］.Artif Intell Med，2012，54(2) : 135－145

［38］Mckenzie DP，Toumbourou JW，F(xiàn)orbes AB，et al.Predicting future depression in adolescents using the Short Mood and Feelings Questionnaire: a two-nation study［J］.Journal Affect Disord，2011，134(1－3) : 151－159

［39］Brabant ME，Hébert M，Chagnon F.Identification of sexually abused female adolescents at risk for suicidal ideations: a classification and regression tree analysis［J］.J Child Sex Abus，2013，22(2) : 153－172

［40］Ferri R，Chiaramonti RM，Musumeci SA，et al.Nonlinear EEG analysis during sleep in premature and full-term newborns［J］.Clinical Neurophysiology，2003，114 (7) : 1176－1180.

［41］Kim SH，F(xiàn)aloutsos C，Yang HJ.Coercively adjusted auto regression model for forecasting in epilepsy EEG［J］.Comput Math Methods Med，2013，545－613

［42］Mefford HC，Cooper G.A method for rapid，targeted CNV genotypingidentifies rarevariants associatedwith neurocognitive disease［J］.Genome Res，2009，19(9) : 1579－1585

［43］Raju SH，Latha TS.An Unique Data mining Task for Sorting: Data Preprocessing for efficient External Sorting ［J］.International Journal of Advanced Research in Computer Engineering＆Technology (IJARCET)，2013，1(9) : 69－76

［44］Güiza F，Van Eyck J，Meyfroidt G.Predictive data mining on monitoring data from the intensive care unit［J］.J Clin Monit Comput，2013，27(4) : 449－453

(收稿日期:2014－07－08)

通訊作者:杜亞松，E-mail: yasongdu@163.com

*基金項(xiàng)目:國(guó)家重點(diǎn)基礎(chǔ)研究發(fā)展計(jì)劃項(xiàng)目(編號(hào): 2010CB529602) ;上海市科學(xué)技術(shù)委員會(huì)科研計(jì)劃項(xiàng)目(編號(hào): 11411952401)

doi:10.3969/j.issn.2095－9346.2015.01.026

【中圖分類號(hào)】R749.94

【文獻(xiàn)標(biāo)識(shí)碼】A

【文章編號(hào)】2095－9346(2015)－01－0077－04

作者單位:200030，上海交通大學(xué)醫(yī)學(xué)院附屬精神衛(wèi)生中心