论文部分内容阅读
ICU作为医院的危重病人抢救中心,集先进的监测、治疗设备和现代医疗护理技术于一体,对重症病例施行进行严密监测和及时有效治疗。在ICU中,危及生命的突发情况时有发生,如果能够实现尽早诊断预测,采取恰当的紧急措施,对提高危急重病的抢救成功率具有重要意义。术后急性低血压是一种发生率高,后果十分严重的并发症,是ICU监护技术发展的重点关注问题之一。本文运用医学信息技术的原理方法,研究ICU监护中术后急性低血压发生的预测方法。基于ABPMean信号变化过程的连续记录数据,采用人工智能方法分析监测信号的特征与可能发生急性低血压的密切关系,运用支持向量机模式识别方法对信号的特征参数进行学习和训练,构建了ICU术后急性低血压预测模型。本文研究的医学信息来源于MIMIC II数据库,为了便于有效灵活地使用数据,首先构建了一个数据直接读取和预处理的基础平台。通过对数据格式的识读,在MATLAB上编程实现了ABPMean信号的直接读取;利用插值法提高测试集中ABPMean信号的采样率,使其与训练集的采样率一致;运用阈值判断法,筛选出符合分析要求的数据。基于AR模型的功率谱估计和小波变换两种方法,分析术后患者的ABPMean信号的变化趋势与特征,获得了判断发生急性低血压的主要参数。确定选取ABPMean信号功率谱幅度的中位数、最大值、平均值、标准偏差和极差,以及ABPMean信号的高频小波系数的最大值表达ABPMean信号的特征。实验证实这些参数具有较好的特异性。获得信号特征参数后,运用基于统计学习理论的支持向量机方法,建立分类预测模型。其中,误差惩罚因子C的取值、核函数形式的选取非常重要,在学习和训练过程中,根据各种参数变化对判断正确率的影响情况,进行了预测模型参数的优化。结果表明:采用基于小波变换建立的多项式核函数支持向量机分类预测模型可达到最优的分类预测效果,预测正确率可达90%。上述方法达到了较好的分类预测效果,可以为ICU监护中急性低血压发生的提前预测和提前干预提供技术支撑,具有重要的临床研究应用价值。