發(fā)布時間：2020-05-25 20:06

【摘要】：隨著醫(yī)療信息化和可穿戴設備的快速發(fā)展,越來越多的健康數(shù)據(jù)可以從電子病歷或可穿戴設備中獲取。在醫(yī)療領(lǐng)域中,許多醫(yī)療健康數(shù)據(jù)是以時間序列的形式存在的,比如慢性疾病相關(guān)的血糖、血壓、血脂的持續(xù)監(jiān)測數(shù)據(jù),智能可穿戴設備連續(xù)監(jiān)測的心跳、脈搏和體位變化的數(shù)據(jù)等。在實際構(gòu)建時間序列健康數(shù)據(jù)預測模型的研究過程中,主要存在兩類問題,其一是針對連續(xù)的時間序列數(shù)據(jù)進行預測,預測的結(jié)果該時間序列數(shù)據(jù)未來某時點的數(shù)據(jù),稱之為連續(xù)時間序列數(shù)據(jù)預測問題。另一類問題則是利用時序數(shù)據(jù)以及相關(guān)的截面數(shù)據(jù)預測將來特定時點的相關(guān)數(shù)據(jù),稱之為時間序列特征引導的預測問題。本文針對以上兩類問題展開深入研究,主要工作如下:(1)針對時間序列特征引導的預測問題,本文提出了一種基于深度神經(jīng)網(wǎng)絡構(gòu)的時間序列特征引導的預測模型(TS-DNN)。該模型將時間序列數(shù)據(jù)和相關(guān)的截面數(shù)據(jù)作為神經(jīng)網(wǎng)絡的兩類輸入,通過深度學習自動學習時間序列數(shù)據(jù)的潛在趨勢,校正模型的預測結(jié)果,提升模型的預測精度。(2)針對連續(xù)時序數(shù)據(jù)預測問題,本文構(gòu)建了ARIMA-SVM的混合模型,將ARIMA(差分自回歸滑動平均模型)與SVM(支持向量機)兩種模型的優(yōu)勢相結(jié)合,提高連續(xù)時間序列數(shù)據(jù)預測的精確度�；旌夏Ｐ褪紫壤媒�(jīng)典的時序預測模型ARIMA模型對時序數(shù)據(jù)中的線性部分進行建模,對于ARIMA模型的預測殘差通過SVM進行預測,將兩部分的結(jié)果相加得到最終的預測結(jié)果,從而完成連續(xù)時間序列數(shù)據(jù)的預測。(3)本文將上述兩種模型分別應用在新生兒體重預測和連續(xù)血壓預測的場景中,在新生兒體重預測問題中,將孕婦的體重時序數(shù)據(jù)以及孕婦和胎兒的相關(guān)生理參數(shù)作為模型的輸入,與傳統(tǒng)的公式預測法和利用單次時點的截面數(shù)據(jù)的深度神經(jīng)網(wǎng)絡預測模型相比,TS-DNN模型精度更高,并提高了模型預測結(jié)果的穩(wěn)定性;在連續(xù)血壓預測的問題中,利用混合模型,將ARIMA和SVM模型的各自的優(yōu)勢充分利用,實驗結(jié)果表明,混合模型可以更加精確的捕獲連續(xù)血壓時間序列數(shù)據(jù)中的潛在變化趨勢,提升了血壓預測的精度,為未來的風險預警提供了技術(shù)支持。
【圖文】：

1 緒論1.1 研究背景與意義2016 年 6 月 17 日，由《中國衛(wèi)生信息管理雜志》社主辦的“醫(yī)療健康大數(shù)據(jù)——方法 應用 發(fā)展”高端研討會在成都召開。會議的主旨是社會各機構(gòu)應大力推廣醫(yī)療信息化，促使優(yōu)質(zhì)資源快速流動、推進健康化養(yǎng)老進程，并且會議還指出云計算、機器學習等新技術(shù)可以為我國醫(yī)療健康信息化提供極大幫助，信息化技術(shù)在醫(yī)療健康領(lǐng)域的應用已經(jīng)成為推動醫(yī)療服務創(chuàng)新發(fā)展的核心驅(qū)動力[1]。同時，全國各地醫(yī)院為了順應當前醫(yī)療創(chuàng)新的發(fā)展趨勢，各類醫(yī)療信息系統(tǒng)開始為醫(yī)院日常的工作提供極其便利的服務(如圖 1.1)，并且大大增加了醫(yī)院收集和存儲數(shù)據(jù)的能力。信息化技術(shù)在醫(yī)療記錄中的廣泛使用，使得醫(yī)院存儲數(shù)據(jù)的能力大大增加，，醫(yī)療健康數(shù)據(jù)每時每刻都在快速增長，這些真實可靠的醫(yī)療健康數(shù)據(jù)，可以為以后的醫(yī)療健康數(shù)據(jù)挖掘打下堅實的數(shù)據(jù)基礎。

圖 2.2 SVM示意圖展而來的支持向量回歸(SVR)，其具有良好估計、時間序列預測問題等[14][15]。SVR 的高維度的特征空間，在此基礎上進行線性回入向量， yi表示第 i 個輸入向量的預測值， 的目標是從一組函數(shù)空間中找到最優(yōu)函數(shù)：( )Tf x = w X+b則化風險函數(shù) 2.5最小化估計的權(quán)向量，b2i 11+ ( , ( ))2ni iC L y f=w X
【學位授予單位】：杭州師范大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：R-05;TP181

【參考文獻】

相關(guān)期刊論文 前8條

1 于海姝;蔡吉花;夏紅;;ARIMA模型在股票價格預測中的應用[J];經(jīng)濟師;2015年11期

2 馬亮亮;;基于PCA-ARIMA模型的高血壓發(fā)病率預測[J];河北北方學院學報(自然科學版);2013年02期

3 汪德琴;李衛(wèi)東;周玲;趙林輝;;超聲測量胎兒腹圍預測新生兒出生體重的研究[J];中國醫(yī)學工程;2013年03期

4 吳信東;葉明全;胡東輝;吳共慶;胡學鋼;王浩;;普適醫(yī)療信息管理與服務的關(guān)鍵技術(shù)與挑戰(zhàn)[J];計算機學報;2012年05期

5 蔣曉敏;呂曉燕;宗亞玲;穆仲平;;B超測量胎兒徑線預測新生兒體重的臨床研究[J];中國婦幼健康研究;2011年03期

6 劉致君;李桂榮;郭興巧;;預測胎兒體重新方法與傳統(tǒng)方法的比較[J];中國婦幼保健;2008年24期

7 楊啟文,蔣靜坪,張國宏;遺傳算法優(yōu)化速度的改進[J];軟件學報;2001年02期

8 錢向東,張家明,張滬森;多元逐步回歸分析法預測新生兒體重[J];蘇州醫(yī)學院學報;1990年02期

相關(guān)博士學位論文 前1條

1 許建強;山東省衛(wèi)生總費用分析與預測研究[D];山東大學;2016年

本文編號：2680679