急性低血壓時間序列的特征學習與預測研究.pdf

1、急性低血壓癥（Acute Hypotension Episodes，AHE）作為重癥監(jiān)護(Intensive Care Unit，ICU)中一種高死亡率、高突發(fā)率的術后并發(fā)癥，嚴重威脅著患者術后的生命安全。生理信號時間序列的監(jiān)控、處理與預測技術已為疾病診斷與治療方案的選取提供重要的輔助作用。面向AHE，可收集ICU中病患的血壓數據構建典型的生理信號時間序列，通過對數據處理與預測，從而預測病患未來血壓變化的規(guī)律,從而及早預防 AHE的發(fā)生

2、。傳統(tǒng)的生理信號時間序列分析方法有概率統(tǒng)計、小波分析、神經網絡等，然而這些方法依然存在特征難學習、求解精度難以提高的難題。因此，面向高度非線性、混沌的急性低血壓時間序列，研究新型的時間序列特征學習與高效預測方法已然成為臨床醫(yī)學研究的重點與難點。
　　本文采用的AHE時間序列數據來源于PhysioNet，它提供了大量而真實的病患數據。首先利用滑動窗口對AHE時間序列進行處理，實現數據流切分。提出用集合經驗模態(tài)分解（Ensemble

3、Empirical Mode Decomposition，EEMD）方法對切分后的每一段數據進行分解，從而形成若干個固有模態(tài)函數（Intrinsic Mode Function，IMF）。然后提出用深度學習（Deep Learning，DL）方法對每一個IMF進行特征提??；最后根據特征集合，利用基因表達式編程（Gene Expression Programming，GEP）方法實現分類模型的構建。并通過構建多分類器，實現對AHE的集成預