脑卒中论文

2012高教社杯全国大学生数学建模竞赛承诺书我们仔细阅读了中国大学生数学建模竞赛的竞赛规则。我们完全明白，在竞赛开始后参赛队员不能以任何方式（包括电话、电子邮件、网上咨询等）与队外的任何人（包括指导教师）研究、讨论与赛题有关的问题。我们知道，抄袭别人的成果是违反竞赛规则的,如果引用别人的成果或其他公开的资料（包括网上查到的资料），必须按照规定的参考文献的表述方式在正文引用处和参考文献中明确列出。我们郑重承诺，严格遵守竞赛规则，以保证竞赛的公正、公平性。如有违反竞赛规则的行为，我们将受到严肃处理。我们授权全国大学生数学建模竞赛组委会，可将我们的论文以任何形式进行公开展示（包括进行网上公示，在书籍、期刊和其他媒体进行正式或非正式发表等）。我们参赛选择的题号是（从A/B/C/D中选择一项填写）：我们的参赛报名号为（如果赛区设置报名号的话）：所属学校（请填写完整的全名）：参赛队员(打印并签名)：1.2.3.指导教师或指导教师组负责人(打印并签名)：日期：年月日赛区评阅编号（由赛区组委会评阅前进行编号）：2012高教社杯全国大学生数学建模竞赛编号专用页赛区评阅编号（由赛区组委会评阅前进行编号）：赛区评阅记录（可供赛区评阅时使用）：评阅人评分备注全国统一编号（由赛区组委会送交全国前编号）：全国评阅编号（由全国组委会评阅前进行编号）：1脑卒中发病环境因素分析及干预摘要：本文对脑卒中发病个人因素和环境因素进行了分析，通过一些合理的、必要的简化建立了数学模型。在数据的处理计算上运用了数学数学软件，使数据的计算过程得到了简化，方便我们更好的了解、预测、干预脑卒中的发生。在问题一中，我们根据附件Appendix－C1中所给数据，分别对性别、年龄、职业进行了不同的分类，根据不同的分类以便我们更好的了解脑卒中的发病情况，首先，我们从性别上进行了分类，从统计结果可知，男性发病多于女性。然后，我们又对年龄进行了划分，得知50以上人群更容易发生脑卒中。最后，我们还对职业进行了分类，由统计结果可知，在所给职业中农民发病比例最高。在问题二中，我们根据附件Appendix－C2所给信息，把2007－2010年每同一个月份的气温、气压、湿度进行了平均，得到了建立了多元线性回归数学模型，利用Matlab软件，处理数据，使计算得到了简化，得到了气温、气压、湿度与脑卒中的关系。在问题三中，我们根据问题一、二的结论，得到了在气压低、湿度大、气温高的夏季发病率低，在气压高、湿度小、气温低的冬季与脑卒中的发生有很大的关系。此外我们也查阅和搜集了大量有关脑卒中的文献，了解了很多脑卒中高危人群的重要特征和关键指标，并提出了预警和干预的建议方案。关键词：脑卒中发病率，个人信息，气象因素一、问题重述脑中风是一组以脑部缺血及出血性损伤症状为主要临床表现的疾病，又称脑卒中或脑血管意外，具有极高的病死率和致残率，主要分为出血性脑中风(脑出血或蛛网膜下腔出血)和缺血性脑中风(脑梗塞、脑血栓形成)两大类，以脑梗塞最为常见。脑中风发病急，病死率高，是世界上最重要的致死性疾病之一。中风的死亡率也有随年龄增长而上升的趋势，由于一直缺乏有效的治疗措施，目前认为预防是最好的措施，因此，加强对全民普及脑中风的危险因素及先兆症状的教育，才会真正获得有效的防治效果。由以上可了解脑卒中然后根据数据可得知，不同季节对脑卒中发病率也有所不同。在寒冷的冬季发病率最高，春季气候转暖，脑中风发病率也开始下降，夏季发病率最低，秋季又开始上升。刚入秋以及早春时节也易发生脑卒中。因为这个季节的早晚温差太大。对于刚刚度过的炎热夏季或刚刚感受到春天融融暖意的人们，突如其来得改变会很不适应，特别是对老年人和具有脑卒中高危因素的人能带来灾难。许多医生有这样的体验，气温突然下降会使一些地方便的很是冷清，而医院却恰恰相反，此时的急诊室病人明显增多，脑卒中这类病人也比平日明显增多。导致者方面的原因是因为在寒冷的环境中人的末梢血管收缩，外围阻力就会增加，血压也容易升高，这样很容易造成血液黏稠度变高，也就容易形成血栓。人在睡眠的时体温会变低，这样更易发生脑血栓。这些条件都可能使一些老年人以及脑卒中危险因素者发生脑中风。2通过统计数据，我们需要解决以下问题1.根据病人基本信息，对发病人群进行统计描述。2.建立数学模型研究脑卒中发病率与气温、气压、相对湿度间的关系。3.查阅和搜集文献中有关脑卒中高危人群的重要特征和关键指标，结合1、2中所得结论，对高危人群提出预警和干预的建议方案二、问题分析经讨论知，脑卒中发病率还与性别和年龄有关系，年龄是动脉粥样硬化重要的危险因素，粥样硬化程度随年龄增高而增加。50岁以上随着年龄增加中风发病率也就越高，经过数量统计可得出：一般女性中风发病率低于男性。（见下表1）表1脑卒中与性别的关系男女发病比例男54%女46%男女表2不同职业与脑卒中发病之间的关系284453388663314666533001749030006000900012000150001800021000240002700030000发病人数（Y）职业（X）不同职业发病情况农民工人退休人员教师渔民医务人员职工离退人员从表2可以看出农民是脑卒中发病的高发人群。根据附件Appendix－C1中所给数据，通过处理数据，可以得到不同年龄与脑卒中发病的关系，如表3所示。表3不同年龄与脑卒中发病的关系3不同年龄发病情况1390313486851486921529121690500010000150002000025000年龄(X)发病人数（Y）=40(40,50](50,60](60,70](70,80]x80从表3分析可知脑卒中发病多为50岁以上的人群。根据数据分析都可表明脑卒中除与气温变化有关外，还与气压及相对湿度也有一定关系。冬季气压高、湿度小、气温低这类病易发生；夏季气压低、湿度大、气温高，这类发生的可能性相对低些。（见下表4）表4脑卒中发病率与气温、气压、相对相度的关系0200400600800100012001400123456789101112月份平均数05101520253035月份平均气压平均湿度发病人数平均气温问题思路：问题一，要求我们对数据进行分析，从而得出结论，脑卒中的发病率与性别，年龄以及职业等有关，我们会进行统计并制作图表来说明这三个因素对发病情况的影响。问题二，要求我们建立数学模型，分析气温、气压、湿度对脑卒中患病率产生的影响。可设发病人数为因变量，气温、气压、湿度为自变量，运用回归分析、Matlab软件、对其建立线性模型。通过比较各种自变量在线性模型中它们系数的大小，较为精确直观得出环境因素对脑卒中发病影响程度的差异，得出结论。问题三，根据问题一和问题二的结论，并且查阅了大量文献和相关资料，对高危人群提出预警和干预的建议方案。4三、模型假设为了解决所列的问题，我们做出下列假设：1、不考虑突发事故，与各种外界因素都无关。2、附件所给的数据真实无误，把个别错误的数据忽略。3、数据经转换后保留了原始数据的某些统计特征，即问题的可预测性4、根据统计数据分析得，发病率分别与气温、气压有关，与相对湿度关系不大。5、调查数据都是事实,不受其他干扰因素。四、符号说明Y---------表示发病人数X1--------为平均气压X2--------为平均气温X3--------为相对湿度Sig--------表示显著性P----------统计学中，皮尔逊相关系数（Pearsoncorrelationcoefficient），通常用r或是ρ表示，是用来度量两个变量X和Y之间的相互关系（线性相关）的，取值范围在[-1,+1]之间。皮尔逊积矩相关系数在学术研究中被广泛应用来度量两个变量线性相关性的强弱。五、模型的建立与求解全年气温低、气压高的1、2、12月份出血性脑卒中发病率最高,在气温高、气压低的6、7、8月份发病率最低,差异有显著统计学意义(P0.01),而缺血性脑卒中在1、2、12月份发病率最低,在6、7、8月份发病率最高,两者比较差异有显著统计学意义(P0.01);缺血性脑卒中与相对湿度密切相关(P0.05),出血性脑卒中与相对湿度无关(P0.05)。本文分析了这4年来脑卒中发病愈气象因素的关系。探讨气象因素的变化对脑卒中发病的影响。方法是对4年来脑卒中患者发病时间与气温、气压、相对湿度间因素的关系进行调查分析研究。利用多元线性回归建立模型为0112233=++++Yxxx，其中0123、、、、分别是相关系数、随机误差。根据表4的数据，应用Matlab软件编程如下：x1=[1027.22051022.63331019.22971016.1751009.7171005.71003.931006.016751011.351018.2211023.151023.34025]';x2=[3.7578336.72510.84850914.8521.58625724.47529.148528.42120924.7520.44684812.1756.805644]';x3=[67.83069270.72567.24991765.47565.91930577.17573.83881574.88715578.17573.16931570.97566.862858]';Y=[1347.512561393.751347.751392.751237.251299.251274.51242.51330.2512061142.75]';x=[x1x2x3]5[b,bint,r,rint,stats]=regress(Y,x);b,bint,stats运行结果：x=1.0e+003*1.02720.00380.06781.02260.00670.07071.01920.01080.06721.01620.01490.06551.00970.02160.06591.00570.02450.07721.00390.02910.07381.00600.02840.07491.01140.02480.07821.01820.02040.07321.02320.01220.07101.02330.00680.0669b=2.09666.7526-13.44318.6975bint=1.16703.0261-0.876914.3820-27.98241.0961stats=1.0e+003*0.00030.00220.00024.8771由上面的数据可知：0123=-13.4431=2.0966=6.7526=8.6975，，，所以123-13.44312.09666.75268.6975yxxx运行rcoplot(r,rint)可得残差图如图1所示：6图1从残差图可以看出除最后一个数据外，其余数据的残差离零点的均较近，且残差的置信区间均包含零点，这说明回归模型能较好的符合原始数据，而最后一个数据可视为异常点。应用Matlab做预测、作图如图2：NormalProbabilityPlot050010001500020406080100120SamplePercentile发病人数图2经数据输入分析得出回归方程为123-13.44312.09666.75268.6975yxxx得各数据点击回归方程的图形如图2所示，可以看出最后一个数据点离回归直线距离较远。结果分析如下：表5Coefficients标准误差tStatP-valueLower95%Upper95%下限95.0%上限95.0%Intercept-14751.184494348.522123-3.3922293750.011564243-25033.80535-4468.563617-25033.80535-4468.5636177月份-20.472311333.157588674-6.4835269690.000339355-27.93882208-13.00580057-27.93882208-13.00580057平均气压16.4667542