换一批基于CNN-LSTM-Attention模型的缺血性脑卒中发病预测
Prediction of ischemic stroke incidence based on CNN-LSTM-Attention model
摘要目的 构建基于卷积神经网络(CNN)-长短时记忆网络(LSTM)-注意力机制(Attention)的深度学习模型,探讨气象、临床因素与缺血性脑卒中发病的关联性.方法 纳入缺血性脑卒中住院患者的临床资料及同期的气象数据,构建基于CNN、LSTM和Attention的融合模型CNN-LSTM-Attention,通过最大预测偏差和均方根误差(RMSE)评估模型的预测性能.通过选择1～7 d的滞后天数,探讨不同滞后天数对预测性能的影响.结果 在短期和长期预测中,CNN-LSTM-Attention融合模型(短期:1.5和0.6;长期:8.3和2.5)的最大预测偏差和RMSE均优于LSTM模型(短期:2.8和1.2;长期:19.5和5.5)和CNN-LSTM模型(短期:2.0和0.8;长期:11.2和3.3).纳入滞后天数后,滞后3 d(短期:0.7和0.4;长期:5.5和1.9)和5 d(短期:0.8和0.3;长期:6.5和2.0)在短期和长期预测中的最大预测偏差和RMSE均小于滞后0 d(短期:1.5和0.6;长期:8.3和2.5).滞后1 d(1.5和0.8)和7 d(1.9和0.9)在短期预测中的最大预测偏差和RMSE均大于滞后0 d.在长期预测中,滞后1 d(6.8和2.4)的两项指标低于滞后0 d,高于滞后3 d和5 d,滞后7 d的最大预测偏差(7.5)低于滞后0 d,但RMSE(2.7)高于滞后0 d.结论 建立的CNN-LSTM-Attention融合模型对缺血性脑卒中发病具有较好的预测性,可为医疗资源合理配置提供参考.
更多相关知识
关键词
缺血性脑卒中气象因素预测模型卷积神经网络长短时记忆网络注意力机制ischemic strokemeteorological factorsprediction modelconvolutional neural networkslong short-term memory networksattention
栏目名称
DOI
10.19405/j.cnki.issn1000-1492.2025.12.020
发布时间
2026-01-24（万方平台首次上网日期，不代表论文的发表时间）
- 浏览7
- 被引0
- 下载3
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
