臺灣博碩士論文加值系統

在現今科技日新月異、網路資訊普及化之下，人們對於生活品質也逐漸提升，更講究生活態度。在一個豐衣足食的時代下，現代文明病也悄悄的進入我們的生活。例如：高血壓、高血糖、高血脂等，一些會影響我們身體健康的疾病。目前三高（高血壓、高血糖及高血脂）仍然是相當重要的議題，在三高之下很容易衍生出心血管疾病、代謝症候群、中風等相關的衍生疾病，而這些重大的疾病將會威脅到人們寶貴的性命。在現代人生活步調較為忙碌之下，很容易就疏忽自己的健康，而導致後過不堪設想，讓健康也跟時間一起流失掉。
本研究以中高年齡層健康檢查中的資料作為建模來源，並且利用R Shiny建構平台，提供給中高年齡層的人們能夠在忙碌之餘，利用此平台做自我的生理檢測，更能夠防範未然。同時在這資訊時代快速進步中，伴隨而來的就是資料量大量的產生，正是所謂的大數據時代，所以本平台提供幫使用者自行找尋疾病相關文章，並且做立即的資料探勘分析，讓人們能夠省下了解疾病的相關資訊的時間，透過此平台能夠初步了解高血糖、高血壓及高血脂之相關的資訊。

In the now days, following by the advance of technology and popularity of internet, it make people enjoy a higher standard of living. When people live in plenty, modern plagues are into our life. For example, Hyperglycemia, Hypertension and Hyperlipidemia, they will affect our health. Hyperglycemia, Hypertension and Hyperlipidemia are easy to breed cardiovascular disease, Metabolic syndrome and cerebrovascular event. These diseases can develop into a life-threatening emergency. Under the busy life, people are easy to ignore their health and lose their health.
In this study, I not only use the data to make models but also put models into our Health Information Services Platform to let people use this platform to test their health. Follow popularity of internet, more and more unstructured data will be produced. So I import crawler and text mining in our Health Information Services Platform to let user get some unstructured data to analyze. For example, word cloud analysis, cluster analysis, LDA analysis and association analysis.

第壹章 緒論 1
第一節 研究背景與動機 1
第二節 研究目的 1
第三節 研究流程 2
第貳章 文獻探討 3
第一節 代謝症候群 3
第二節 資料採礦 6
第三節 文字探勘 9
第四節 免費台北市老人年度健康檢查 11
第五節 相關文獻探討 13
第參章 研究方法 16
第一節 研究架構 16
第二節 研究資料 16
第三節 文字探勘作業流程 17
第四節 台北市老人健康檢查資料庫作業流程 23
第五節 研究工具 26
第肆章 實證分析 30
第一節 資料來源及研究對象 30
第二節 模型建置及評估 31
第三節 平台介面介紹 36
第四節 實例操作 41
第伍章 結論與建議 53
第一節 研究結論 53
第二節 研究建議 54
參考文獻 55
中文文獻 55
英文文獻 56

丁怡婷, & 劉志光. (2010). 文字探勘技術應用於中醫診斷腦中風之研究. Journal of Data Analysis, 5(4), 41-64.
吳思賢(2011)。屏東地區40 歲以上中老年人肥胖相關指標與高血壓、高血糖、高血脂之相關性探討。美和科技大學健康照護研究所碩士論文
吳淑儀. (2008). 應用資料探勘技術於多重死因資料之疾病關聯分析. 成功大學公共衛生研究所學位論文, 1-100.
吳瑞堯, & 周駿賢. (2011). 運用資料探勘技術於六大死因慢性疾病之研究. 資訊管理學報, 18(1), 187-211.
吳璧珍. (2008). 高血壓, 高血糖, 高血脂與生活型態相關性研究–以嘉義縣, 嘉義市人口比較. 高雄醫學大學醫務管理學研究所碩士在職專班學位論文, 1-81.
徐小玲, 唐新華, & 金宏義. (2004). 浙江省三地區人群血脂, 血糖, 體質指數與血壓關係的分析. 中國心血管雜誌, 9(2), 117-120.
高彥鈞(2014)。資料採礦技術應用於全民健保資料庫分析勃起功能障礙病患心房顫動相關因素之研究。輔仁大學統計資訊學系應用統計碩士班碩士論文。
陳冠宇. (2010). 主題模型於語音辨識使用之改進. 臺灣師範大學資訊工程研究所學位論文, 1-175.
陳譽晏(2014)。運用R Shiny建立文字探勘平台之語意分析及輿情分析。輔仁大學統計資訊學系應用統計碩士班碩士論文。
銀廣悅, 丁俊麗, 龔慶輝, 史連義, & 劉繼勇. (2006). 脂肪肝與高血脂, 高血糖及高尿酸血症的關係. 中國現代醫藥雜誌, 8(9), 7-8.
劉祺祺(2011)。以特定團體北部工作人員體檢資料分析高血壓、高血糖及高血脂之相關因子。國立台北護理健康大學健康事業管理系暨研究所碩士論文。
潘雅雪. (2008). 資料探勘技術於疾病診斷之應用. 暨南大學資訊管理學系學位論文, 1-70.
謝邦昌、蘇志雄、鄭宇庭(2011)。SQL Server 2008 R2 資料採礦與商業智慧。台北市，碁峰資訊股份有限公司。
謝朝宗(2013)。健康檢查族群中高血壓、高血糖及高血脂盛行率及其相關因素之探討－以南部某醫院為例。義守大學管理學院碩士在職專班碩士論文。
Ananiadou, S., Kell, D. B., & Tsujii, J. I. (2006). Text mining and its potential applications in systems biology. Trends in biotechnology, 24(12), 571-579.
Banu, A., & Khan, A. A. (2003). Waist-to-height ratio is a better obesity index than body mass index and waist-to-hip ratio for predicting diabetes, hypertension and lipidemia. Bangladesh Med. Res. Counc. Bull, 29(1), 1-10.
Blei, D. M., Ng, A. Y., & Jordan, M. I. (2003). Latent dirichlet allocation. the Journal of machine Learning research, 3, 993-1022.
Chan, J. C., Cheung, J. C., Lau, E. M., Wooà, J., Chan, A. Y., Swaminathan, R., & Cockrama, C. S. (1996). The metabolic syndrome in Hong Kong Chinese. The interrelationships among its components analyzed by structural equation modeling. Diabetes care, 19(9), 953-959.
Collier, N., Doan, S., Kawazoe, A., Goodwin, R. M., Conway, M., Tateno, Y., ... & Taniguchi, K. (2008). BioCaster: detecting public health rumors with a Web-based text mining system. Bioinformatics, 24(24), 2940-2941.
Hosmer Jr, D. W., & Lemeshow, S. (2004). Applied logistic regression. John Wiley & Sons.
Palaniappan, S., & Awang, R. (2008, March). Intelligent heart disease prediction system using data mining techniques. In Computer Systems and Applications, 2008. AICCSA 2008. IEEE/ACS International Conference on (pp. 108-115). IEEE.
Steyvers, M., & Griffiths, T. (2007). Probabilistic topic models. Handbook of latent semantic analysis, 427(7), 424-440.
Tiffin, N., Kelso, J. F., Powell, A. R., Pan, H., Bajic, V. B., & Hide, W. A. (2005). Integration of text-and data-mining using ontologies successfully selects disease gene candidates. Nucleic acids research, 33(5), 1544-1552.