本文对卒中后抑郁量表进行数据分析,研究卒中后抑郁的预测模型和关键影响特征。数据分析主要包括数据预处理、风险概率模型、类别判定模型、特征关联分析四个部分。风险概率模型能够以概率的方式预测患者的抑郁倾向,而类别判定模型用于判断患者是否抑郁。特征的关联分析,用于挖掘与抑郁和卒中相关联的特征集合,进一步探究卒中后抑郁的成因。本文首先介绍了智慧医疗和数据分析的概念和研究现状。卒中是导致人类死亡的三大病因之一,卒中后抑郁是卒中难以治疗和恶化的元凶。卒中后抑郁量表是采集于卒中患者的临床资料,包含社会人口学因素、生活习、疾病因素、药物依赖、遗传因素、综合诊断量表、医生诊断等多个方面,共48个特征项目。在风险概率模型的训练中,本文重点研究PLSR算法,PLSR算法对处理具有多重共线性的卒中抑郁量表数据取得较好的效果,性能得到提升。在类别判定模型的训练中,本文主要研究了FCBF、CFS、 GA、RF等算法,并提出了GA-RF的融合特征选择算法。GA-RF算法是利用GA算法打包RF分类器,以分类准确率作为评价函数,搜索特征空间寻找最优解的算法。本文设计和实现了GA-RF算法,并将其应用到类别判定模型的训练当中。在特征关联分析当中,本文研究了Apriori、Eclat算法,并在support-confidence、lift、全置信度等评估模式下,挖掘了卒中后抑郁量表特征项目集合之间的关联,分析出与抑郁和卒中稳定关联的特征集合。