基于K均值聚类和随机森林的急性低血压预测研究-计算机应用技术专业论文.docxVIP

摘要 目前各大医院的重症监护室(Intensive Care Unit，简称 ICU)在对病人的监护 中存在着急性低血压(Acute Hypotensive Episodes，简称 AHE)的抢救和护理难题， AHE 的发生对病人有着严重的威胁，可导致病人休克或死亡。如果能够提前对 AHE 的发生进行自动预测，则将具有深远的临床意义，可以为医护人员分析病 情进而采取相应有效的措施争取更多的时间。在 ICU 里面，监测仪器可以实时 监测病人的各种病理信息，如心率、血压、体温等，但是这些设备均不具备自动 对病人的病情进行提前预测的功能，例如 AHE 这种棘手的病症都需要医生花很 多的时间去实时检测病人的病理信息进而去判断病情。 然而监测仪器产生的丰富的数据有很大的潜在利用价值，能够采用相应的方 法对其进行分析、挖掘，将对 ICU 中疾病的预测提供极大的可能性。对于 ICU 里面常发生的 AHE，本文提出一种利用病人血压信号来进行预测的方法，数据 经过预处理后，首先采用 K 均值(K-means)聚类算法对病人的血压信号进行特征 提取，然后利用粒子群优化算法(Particle Swarm Optimization，简称 PSO)优化 K-means 初始聚类中心重新进行提取特征，将得到的相关聚类特征值再结合相关 血压统计量利用随机森林（Random Forest）对有无发生急性低血压进行分类预 测。实验结果表明，采用本文提出的预测方法对 2063 个病人的数据进行 AHE 预测分析，预测准确性可达 80%以上，其中灵敏性为 83.1%，特效性为 80.4%， 并且可以列出特征的重要性排名，具有不错的临床研究价值。 关键字：急性低血压；K-均值聚类；粒子群优化；随机森林；预测； I Abstract At present many hospitals have to deal with the patient’s care and nursing for Acute Hypotensive Episodes (AHE) in the Intensive Care Unit (ICU). AHE has a serious threat to the patient, which can cause shock and death. It can fight for more time for doctor to analyze the condition and take appropriate and effective measures if we can predict the AHE automatically, which is far-reaching significant. In the ICU, the monitoring equipment can monitor various pathological signals in real time, such as heart rate, blood pressure and temperature and so on. But these devices are not available to predict the patient’s condition automatically. Many intractable disorders need doctors spend a lot of time to detect patient’s pathological information in real time to determine the patient’s condition. However, the rich data from the monitors have great potential value. It has a great possibility for us to predict the diseases in ICU if we can use some appropriate methods to analyze the data. This paper presents a method to predict AHE in ICU through patient’s blood pressure signal. First, we use K-means to extract the features from the patient’s blood pressure signal after the preprocessing of the data. Then Particle Swarm Optimization