李 仪，林建君，朱习军

(青岛科技大学 信息科学技术学院，山东 青岛 266061)

0 引 言

近年来，许多研究者对糖尿病医疗数据进行了大量的研究，对于医疗结构化数据，使用了许多机器学习算法来构建预测模型[1,2]。传统的机器学习算法如K均值、决策树、SVM、贝叶斯算法等，都对糖尿病结构化数据进行了分析并构造了糖尿病预测模型，取得了较好的效果[3-5]。除了传统的算法外，研究者提出将深度学习应用于结构化医疗数据中，该研究者利用深度神经网络模型，构建了糖尿病分类模型，也取得了良好的分类效果[6-8]，这表明深度学习技术在处理结构化医疗数据来预测疾病时的有效性。同时机器学习和深度学习的混合模型也逐渐得到应用。机器学习和深度学习的混合，结合了其技能和优势，可以有效辅助医生进行糖尿病预测诊断[9]。

利用深度学习进行结构化医疗数据研究的方法不多，CNN、RNN等深度学习模型适用于非结构化数据，本文采用深度神经网络(deep neural networks，DNN)对结构化数据进行研究，提出将深度神经网络与批归一化(batch normalization，BN)层相结合，利用改进的DNN模型结合机器学习技术，对结构化糖尿病数据进行分析，并对该模型进行评估。

1 数据预处理

本文使用UCI公开提供的皮马印第安人糖尿病数据集(PIMA indians diabetes data set，PIDD)进行实验，该数据集由美国国立糖尿病、消化和肾脏疾病研究所提供。PIDD数据集包含768个样本，有8个特征属性和1个标签属性，所有属性都是数值型数据，其中8个特征属性见表1。

表1 数据集特征属性