对医学时间序列数据ABP的分类研究-计算机应用技术专业论文.docxVIP

汕头大学 汕头大学硕士学位论文 对医学时间序列数据 ABP 的分类研究 I I 摘要 目前各大医院重症监护室(ICU ) 的监护中存在着急性低血压(AHE) 抢救及 护理难题。AHE 的发生不仅会影响治疗效果, 并且严重威胁着患者的生命安全。 近年来随着医疗监护技术和信号分析处理方法的迅速发展，促进了对AHE 发生 预 测 方 法 的 相 关 研 究 。 美国 PhysioNet 的 MIMIC II(Multiparameter Intelligent Monitoring in Intensive Care)数据库包含从病人监护器获得的生理时序信号取自 医疗信息系统的临床数据，有上万个重症监护室病人的记录。这个数据库收集了 从2001到2008这八年的一家高等教学院校的重症监护室病人的内科、外科、心脏 护理和新生儿的监护数据。数据库由两部分构成，一个是临床数据库，包括来自 医院档案和病人床前记录；一个是波形数据库，有连续的高分辨率的生理波形信 号和按分钟抽取的数值时间序列。大多数的波形信号是和临床数据相一致的，但 不是全部。其中有22%的病人发生过低血压，而且这些人群的死亡率两倍于整个 数据库病人的死亡率，所以对低血压的预测研究有着重要的实际意义。PhysioNet 于2000开始，与一年一度的Computing in Cardiology会议合作，举办了一系列的 关于生命医学的比赛Physionet Challenge，旨在吸引更多的研究者分析尚未解决 的临床难题，或者解决措施效果不显著的问题。我们的课题源于PhysioNet2009 的问题，“Predicting Acute Hypotensive Episodes”，用病人的ABP记录值来对是否 发生AHE进行预测，ABP记录值是时间序列数据，所以问题归结为对时间序列数 据进行分类。 对时间序列数据进行分类与一般分类问题比较，有两大不同，其一，时间序 列的长度不相等，不能直接把每条序列看作是一条记录作为一般分类算法的输入， 即不能直接应用一般分类算法。其二，即使所有序列长度都相等，由于不同序列 的相同属性值不一定可比，如果直接用一般分类算法，效果也不一定明显。所以 我们不能直接应用一般的分类算法进行处理，而是要结合医学知识，对ABP采用 新的思想进行分类。 针对ABP的时序性，本文对ABP进行了严格的预处理，接着从三个方面进行 了特征选择：第一、ABP趋势特征；第二、统计分析；第三、基于模型聚类的描 II II 述特征，其中聚类的距离度量采用的是DTW度量方式。 然后将得到的ABP的描述量合并，并用因子分析方法进行降维，最后用SVM 进行分类处理，并且采用了交叉验证的方式，试验结果表明，这样的分析方法是 可行的。 关键词： 时间序列数据分类；特征选择；基于模型的聚类；DTW；因子分析 PAGE PAGE VI Abstract Recently, there are acute hypotension episode (AHE) rescue and nursing problem in intensive care unit (ICU) in most of the hospitals. The occurrence of an Acute Hypotension Episode (AHE) is a critical event in the ICU as it can cause multiple organ failure and thus has severe implications on the mortality risks. Nowadays, with the rapid development of medical monitoring and signal processing technology, the related research of AHE is becoming more and more popular. The MIMIC II (Multiparameter Intelligent Monitoring in Intensive Care) Databases contain physiologic signals captured from patient monitors, and comprehensive clinical data obtained from hospital medical information systems, for tens of thousands of ICU patients. Data were collected between 2001 and 2008 fr