检索历史 清除

摘要伴随着医疗行业的快速发展，医疗手术过程中涉及的安全问题愈加受到关注。采用全身麻醉意味着手术的难度大、危险性高，有创收缩压作为衡量病人身体状态的重要指标，极易受到全麻操作的影响产生波动甚至大幅突变，从而增加手术难度、威胁病人生命安全。目前全麻后的情况预判仅依靠人力，判断不稳定性较高，需要预测功能来弥补现有实时监测设备的不足。因此，准确预测术中全麻后有创收缩压、预判血压危险有重要研究意义。论文基于改进分数岭回归构建术中全麻后有创收缩血压预测模型，实现了在手术准备阶段对全麻后有创收缩压的准确预测。主要内容如下：<br>　　首先，建立了基于分数岭回归（Fractional Ridge Regression, FRR）的术中全麻后有创收缩压预测模型。结合医学知识与机器学习理论设计了数据预处理算法和特征选择算法，对数据进行清洗、标准化，并设计特征选择算法。设计了模型框架与评价指标，使用回归预测与危险预判两类指标全面评估模型效果。采用网格搜索算法优化模型参数，并使用多种机器学习模型对比分析，总结了FRR模型的优越性与不足。<br>　　其次，基于嵌套聚类优化算法（Nested Clustering Optimization, NCO）改进模型的特征权重调整过程。针对FRR模型在回归预测指标与危险预判指标上的不足，对其进行改进。使用嵌套聚类优化算法对特征变量进行聚类分析，计算子类与大类间的权重值，并将所求得的权重代入原有计算过程中，实现对FRR模型的初步改进，得到NCO-FRR模型，明显提升了模型的回归预测指标性能。<br>　　再次，基于双向门控循环单元原理改进模型迭代过程。为了进一步提升模型性能，为手术安全提供更可靠的保障，对NCO-FRR模型单向迭代过程的不足进行改进。将双向门控循环单元（Bidirectional Gated Recurrent Unit, BiGRU）的双向迭代原理进行迁移使用，采用对训练集进行双向迭代的方式完成建模，提出改进后的Bi-NCO-FRR模型，进一步提升模型的预测准确率和危险判断能力，弥补了原模型单向迭代的不足。<br>　　最后，构建变异系数法改进的集成模型。为了弥补危险预判指标上的不足，将Bi-NCO-FRR模型与套索回归模型、支持向量机模型进行集成，再利用变异系数法改进传统集成模型。最终建立的模型有较好的综合性能：从回归预测指标来看，误差内预测准确率达到97.5%，均方根误差与平均绝对误差降幅超过20%；从危险预判指标来看，对于发生血压危险的判断准确率为90.3%，F1值相较改进之前增长超过26%，实现了在手术准备阶段对全麻后有创收缩压的准确预测与血压危险的正确预警。