醫(yī)藥分析信息學(xué)及分析數(shù)據(jù)處理技術(shù)

第1章 　緒論
　1.1　分析科學(xué)發(fā)展前沿若干問題
　1.2　涉及的若干概念、界定及術(shù)語定義
　1.3　分析信息獲取問題
　1.4　生物醫(yī)藥分析技術(shù)發(fā)展趨勢
　1.5　藥物信息學(xué)與生物醫(yī)藥分析
　1.6　復(fù)雜物質(zhì)體系辨析與醫(yī)藥分析信息學(xué)
第2章 　分析數(shù)據(jù)處理技術(shù)基礎(chǔ)知識
　2.1　化學(xué)計量學(xué)與化學(xué)信息學(xué)
　　2.1.1　化學(xué)計量學(xué)
　　2.1.2　化學(xué)信息學(xué)
　2.2　多元統(tǒng)計分析技術(shù)
　　2.2.1　基本概念
　　2.2.2　常用的多元統(tǒng)計分析方法
　2.3　機(jī)器學(xué)習(xí)技術(shù)
　　2.3.1　機(jī)器學(xué)習(xí)的定義
　　2.3.2　機(jī)器學(xué)習(xí)的類型
　　2.3.3　機(jī)器學(xué)習(xí)的應(yīng)用領(lǐng)域
　　2.3.4　幾種常見的機(jī)器學(xué)習(xí)方法
　2.4　模式信息處理技術(shù)
　　2.4.1　基本概念
　　2.4.2　模式識別基本方法
　2.5　知識工程技術(shù)
　　2.5.1　知識工程定義
　　2.5.2　知識表示方法
　　2.5.3　知識搜索
　　2.5.4　知識推理機(jī)制
　　2.5.5　專家系統(tǒng)
　2.6　人工神經(jīng)元計算技術(shù)
　　2.6.1　神經(jīng)網(wǎng)絡(luò)的定義
　　2.6.2　基本概念與原理
　　2.6.3　神經(jīng)網(wǎng)絡(luò)的應(yīng)用
　　2.6.4　幾種常見的神經(jīng)網(wǎng)絡(luò)模型
　2.7　數(shù)據(jù)庫與數(shù)據(jù)挖掘技術(shù)　
　　2.7.1　數(shù)據(jù)庫技術(shù)概述
　　2.7.2　數(shù)據(jù)庫的基本概念
　　2.7.3　數(shù)據(jù)倉庫和數(shù)據(jù)挖掘技術(shù)
　2.8　小波分析技術(shù)
　　2.8.1　基本概念
　　2.8.2　小波分析的基本原理
　　2.8.3　信號小波級數(shù)的展開及其變換算法的實(shí)現(xiàn)
　2.9　數(shù)據(jù)可視化技術(shù)
　　2.9.1　數(shù)據(jù)可視化概念
　　2.9.2　數(shù)據(jù)可視化過程
　　2.9.3　數(shù)據(jù)可視化方法
　　2.9.4　數(shù)據(jù)可視化應(yīng)用
　　2.9.5　展望
　2.10　化學(xué)信息集成處理技術(shù)
　參考文獻(xiàn)
第3章　現(xiàn)代儀器分析信號處理
　3.1　分析信號處理技術(shù)概述
　3.2　分析儀器的信號與噪聲特性
　3.3　數(shù)字濾噪方法分類
　3.4　濾噪效果評價方法
　　3.4.1　整體濾噪效果評價指標(biāo)
　　3.4.2　局部濾噪效果評價指標(biāo)
　3.5　頻帶濾噪法
　　3.5.1　多點(diǎn)歸并平滑法
　　3.5.2　加權(quán)平均平滑法
　　3.5.3　SG數(shù)字濾波器
　　3.5.4　可調(diào)型低通濾波器
　　3.5.5　幾種常用頻帶濾噪法的性能比較
　3.6　最佳濾波器
　　3.6.1　匹配濾波器
　　3.6.2　維納濾波器和卡爾曼濾波器
　3.7　基于小波變換法的濾噪技術(shù)
　　3.7.1　小波基自適應(yīng)濾噪技術(shù)
　　3.7.2　基于小波包基分解與重構(gòu)的濾噪技術(shù)
　3.8　自適應(yīng)濾波器
　　3.8.1　最小均方自適應(yīng)濾波器
　　3.8.2　神經(jīng)網(wǎng)絡(luò)濾波器
　3.9　新型濾噪方法研究實(shí)例
　　3.9.1　基于分形理論的自適應(yīng)中位值濾噪方法研究實(shí)例
　　3.9.2　基于光譜信息計算解析的液相色譜濾噪方法研究實(shí)例
　3.10　小波信號壓縮
　參考文獻(xiàn)
第4章 　分析譜圖的譜峰辨識方法
　4.1　譜峰辨識技術(shù)概要
　4.2　譜峰檢測方法
　　4.2.1　幅值檢峰法
　　4.2.2　一階導(dǎo)數(shù)檢峰法
　　4.2.3　二階導(dǎo)數(shù)檢峰法
　　4.2.4　分形維檢峰法
　4.3　譜峰識別方法
　　4.3.1　基線漂移法
　　4.3.2　譜峰間距測定法
　　4.3.3　峰高比綜合判別法
　4.4　仿人智能辨識譜峰方法
　4.5　譜峰自適應(yīng)辨識方法
第5章 　多元校正與復(fù)雜分析數(shù)據(jù)解析
　5.1　多元校正與復(fù)雜分析數(shù)據(jù)解析概述
　5.2　多元校正
　　5.2.1　直接校正
　　5.2.2　間接校正
　　5.2.3　非線性多元校正
　5.3　近紅外光譜數(shù)據(jù)的多元校正
　　5.3.1　近紅外光譜預(yù)處理方法
　　5.3.2　波段選擇
　　5.3.3　多元校正建模方法
　5.4　復(fù)雜分析數(shù)據(jù)解析
　　5.4.1　多元分辨
　　5.4.2　應(yīng)用實(shí)例
　參考文獻(xiàn)
第6章 　化學(xué)與生物模式信息處理
　6.1　數(shù)據(jù)預(yù)處理方法
　6.2　常用的模式特征提取方法
　　6.2.1　主成分分析法
　　6.2.2　偏最小二乘法
　　6.2.3　核主成分分析法
　6.3　復(fù)雜化學(xué)與生物模式的分步特征提取法
　　6.3.1　復(fù)雜化學(xué)與生物模式特征的分步提取方法原理
　　6.3.2　特征矢量的分類能力評價指標(biāo)
　　6.3.3　復(fù)雜化學(xué)與生物模式特征的分步提取方法應(yīng)用實(shí)例
　6.4　最優(yōu)分類特征提取方法
　　6.4.1　最優(yōu)分類特征提取方法原理
　　6.4.2　最優(yōu)分類特征提取方法應(yīng)用實(shí)例
　6.5　聚類分析法
　　6.5.1　相似性測度
　　6.5.2　系統(tǒng)聚類法
　　6.5.3　動態(tài)聚類法
　6.6　判別函數(shù)法
　　6.6.1　判別函數(shù)
　　6.6.2　參數(shù)學(xué)習(xí)
　　6.6.3　多分類問題
　6.7　近鄰法
　　6.7.1　最近鄰法
　　6.7.2　k近鄰法
　6.8　神經(jīng)網(wǎng)絡(luò)模式分類法
　　6.8.1　神經(jīng)網(wǎng)絡(luò)基本原理
　　6.8.2　感知器
　　6.8.3　誤差反傳神經(jīng)網(wǎng)絡(luò)
　　6.8.4　RBF網(wǎng)絡(luò)
　6.9　支持向量機(jī)
　　6.9.1　支持向量機(jī)基本原理
　　6.9.2　多類支持向量機(jī)
　　6.9.3　支持向量機(jī)應(yīng)用實(shí)例
　6.10　模糊模式識別方法
　　6.10.1　模糊數(shù)學(xué)的基本知識
　　6.10.2　模糊模式識別的一般過程
　　6.10.3　模糊聚類方法
　　6.10.4　模糊神經(jīng)網(wǎng)絡(luò)
　　6.10.5　應(yīng)用實(shí)例
　參考文獻(xiàn)
第7章 　化學(xué)指紋圖譜計算處理
　7.1　化學(xué)指紋圖譜計算處理方法簡介
　　7.1.1　指紋圖譜相似性計算原理　
　　7.1.2　模式分類計算原理
　7.2　化學(xué)指紋圖譜測量參數(shù)的選擇
　7.3　化學(xué)指紋圖譜配準(zhǔn)方法
　7.4　化學(xué)指紋圖譜相似性測度的比較
　7.5　化學(xué)指紋圖譜模式分類計算方法
　　7.5.1　基于小波基分形參量的化學(xué)指紋圖譜計算方法
　　7.5.2　基于Fisher因子的化學(xué)指紋圖譜模式分類方法
　　7.5.3　化學(xué)指紋圖譜類別相似性計算方法
　參考文獻(xiàn)
第8章 　分析信息智能管理
　8.1　實(shí)驗(yàn)室信息管理系統(tǒng)
　　8.1.1　LIMS的定義和范疇
　　8.1.2　LIMS的發(fā)展過程
　　8.1.3　LIMS的工作流程
　　8.1.4　LIMS的功能
　　8.1.5　LIMS的實(shí)施過程
　　8.1.6　LIMS的標(biāo)準(zhǔn)和認(rèn)證體系
　8.2　電子實(shí)驗(yàn)記錄本
　　8.2.1　電子實(shí)驗(yàn)記錄本的概念
　　8.2.2　電子實(shí)驗(yàn)記錄本的功能
　8.3　中藥分析信息智能管理
　　8.3.1　中藥化學(xué)信息數(shù)據(jù)庫
　　8.3.2　中藥化合物數(shù)據(jù)庫
　8.4　中藥指紋圖譜數(shù)據(jù)庫管理系統(tǒng)
　　8.4.1　系統(tǒng)功能
　　8.4.2　應(yīng)用實(shí)例
　8.5　數(shù)字中藥信息系統(tǒng)
　　8.5.1　數(shù)字中藥信息系統(tǒng)結(jié)構(gòu)
　　8.5.2　數(shù)字中藥信息系統(tǒng)功能
　8.6　中藥分析信息的數(shù)據(jù)挖掘
　　8.6.1　基于因果關(guān)系發(fā)現(xiàn)的中藥有效組分辨識方法
　　8.6.2　中藥材關(guān)鍵藥效成分辨識方法研究實(shí)例
　　8.6.3　中藥復(fù)方關(guān)鍵藥效成分辨識方法研究實(shí)例
　　8.6.4　中藥復(fù)方有效組分配伍優(yōu)化方法研究實(shí)例
　參考文獻(xiàn)
第9章 　生物芯片分析信息處理
　9.1　生物芯片概述
　9.2　生物芯片分析過程
　9.3　芯片數(shù)據(jù)獲取
　　9.3.1　芯片圖像處理
　　9.3.2　歸一化方法
　　9.3.3　芯片數(shù)據(jù)形式
　9.4　芯片數(shù)據(jù)分析
　　9.4.1　差異分析
　　9.4.2　分類分析
　　9.4.3　聚類分析
　　9.4.4　網(wǎng)絡(luò)分析
　　9.4.5　可視化方法
　9.5　芯片分析信息處理發(fā)展趨勢
　　9.5.1　數(shù)據(jù)質(zhì)量評價與歸一化
　　9.5.2　差異分析
　　9.5.3　測度選擇　
　　9.5.4　基因相互關(guān)系發(fā)現(xiàn)
　　9.5.5　聚類結(jié)果驗(yàn)證
　參考文獻(xiàn)
第10章 　組學(xué)分析信息處理
　10.1　組學(xué)及組學(xué)分析信息處理技術(shù)概述
　10.2　蛋白質(zhì)組分析信息處理
　　10.2.1　蛋白質(zhì)組分析信息處理簡述
　　10.2.2　基于形態(tài)特征的雙向電泳圖像處理方法
　10.3　代謝組分析信息處理
　　10.3.1　代謝組信息處理技術(shù)簡述
　　10.3.2　腎陽虛模型大鼠代謝模式分析
　　10.3.3　乳腺癌代謝物組模式特征發(fā)現(xiàn)
　　10.3.4　肺癌患者尿液代謝組分析
　10.4　展望 　　
　　10.4.1　組學(xué)分析信息處理的應(yīng)用前景
　　10.4.2　組學(xué)分析信息學(xué)　
　參考文獻(xiàn)
附錄
　1　線性空間預(yù)備知識
　　1.1　基本概念及定義
　　1.2　矩陣代數(shù)
　　1.3　矩陣和向量的微積分
　2　點(diǎn)盒分形維
　　2.1　分形的定義
　　2.2　分形維數(shù)定義
　　2.3　點(diǎn)盒維數(shù)定義