时间序列健康数据的分析与预测

发布时间：2020-05-25 20:06

【摘要】：随着医疗信息化和可穿戴设备的快速发展,越来越多的健康数据可以从电子病历或可穿戴设备中获取。在医疗领域中,许多医疗健康数据是以时间序列的形式存在的,比如慢性疾病相关的血糖、血压、血脂的持续监测数据,智能可穿戴设备连续监测的心跳、脉搏和体位变化的数据等。在实际构建时间序列健康数据预测模型的研究过程中,主要存在两类问题,其一是针对连续的时间序列数据进行预测,预测的结果该时间序列数据未来某时点的数据,称之为连续时间序列数据预测问题。另一类问题则是利用时序数据以及相关的截面数据预测将来特定时点的相关数据,称之为时间序列特征引导的预测问题。本文针对以上两类问题展开深入研究,主要工作如下:(1)针对时间序列特征引导的预测问题,本文提出了一种基于深度神经网络构的时间序列特征引导的预测模型(TS-DNN)。该模型将时间序列数据和相关的截面数据作为神经网络的两类输入,通过深度学习自动学习时间序列数据的潜在趋势,校正模型的预测结果,提升模型的预测精度。(2)针对连续时序数据预测问题,本文构建了ARIMA-SVM的混合模型,将ARIMA(差分自回归滑动平均模型)与SVM(支持向量机)两种模型的优势相结合,提高连续时间序列数据预测的精确度。混合模型首先利用经典的时序预测模型ARIMA模型对时序数据中的线性部分进行建模,对于ARIMA模型的预测残差通过SVM进行预测,将两部分的结果相加得到最终的预测结果,从而完成连续时间序列数据的预测。(3)本文将上述两种模型分别应用在新生儿体重预测和连续血压预测的场景中,在新生儿体重预测问题中,将孕妇的体重时序数据以及孕妇和胎儿的相关生理参数作为模型的输入,与传统的公式预测法和利用单次时点的截面数据的深度神经网络预测模型相比,TS-DNN模型精度更高,并提高了模型预测结果的稳定性;在连续血压预测的问题中,利用混合模型,将ARIMA和SVM模型的各自的优势充分利用,实验结果表明,混合模型可以更加精确的捕获连续血压时间序列数据中的潜在变化趋势,提升了血压预测的精度,为未来的风险预警提供了技术支持。
【图文】：

医院,健康档案,医疗数据,数据

1 绪论1.1 研究背景与意义2016 年 6 月 17 日，由《中国卫生信息管理杂志》社主办的“医疗健康大数据——方法应用发展”高端研讨会在成都召开。会议的主旨是社会各机构应大力推广医疗信息化，促使优质资源快速流动、推进健康化养老进程，并且会议还指出云计算、机器学习等新技术可以为我国医疗健康信息化提供极大帮助，信息化技术在医疗健康领域的应用已经成为推动医疗服务创新发展的核心驱动力[1]。同时，全国各地医院为了顺应当前医疗创新的发展趋势，各类医疗信息系统开始为医院日常的工作提供极其便利的服务(如图 1.1)，并且大大增加了医院收集和存储数据的能力。信息化技术在医疗记录中的广泛使用，使得医院存储数据的能力大大增加，，医疗健康数据每时每刻都在快速增长，这些真实可靠的医疗健康数据，可以为以后的医疗健康数据挖掘打下坚实的数据基础。

示意图,示意图,入向量,函数空间

图 2.2 SVM示意图展而来的支持向量回归(SVR)，其具有良好估计、时间序列预测问题等[14][15]。SVR 的高维度的特征空间，在此基础上进行线性回入向量， yi表示第 i 个输入向量的预测值，的目标是从一组函数空间中找到最优函数：( )Tf x = w X+b则化风险函数 2.5最小化估计的权向量，b2i 11+ ( , ( ))2ni iC L y f=w X
【学位授予单位】：杭州师范大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：R-05;TP181

【参考文献】