BP神经网络在急性低血压发生预测模型中的应用

背景：ICU监护中术后急性低血压并发症的发生严重威胁着患者的生命安全,目前临床上主要依靠医生的经验进行预见性判断。 目的：为实现急性低血压发生的自动检测和提前预报,运用医学信息学理论,探讨一种预测急性低血压发生的模型。 方法：对发生与未发生急性低血压两者间平均动脉压信号进行小波多尺度分解,并选取各层小波系数的统计特征值中位数和最大值作为信号特征参数,提出了基于BP神经网络方法对提取的信号特征参数进行分类预测,并在MATLAB环境下进行仿真实验。 结果与结论：实验结果表明,利用BP神经网络方法对急性低血压发生的预测是可行的。     

基于AR模型和支持向量机的急性低血压预测

ICU中,急性低血压的发生严重威胁着患者的生命安全,临床上对其预测性判断主要依靠医生经验。为实现急性低血压预测,利用PhsioNet的MIMIC II数据库ICU监护中的患者临床记录,对发生与未发生急性低血压两者间的平均动脉压信号进行AR模型的功率谱估计,运用医学信息学理论,选取功率谱幅度的中位数、平均值、最大值、标准偏差和极差用于支持向量机分类预测器的学习和训练,建立分类预测模型。预测模型对测试集进行分类预测,得到预测正确率为87.5%,表明相对于直接提取患者平均动脉压信号的统计特征参数作为预测特征,本方法具有更好的预测效果,有利于实现急性低血压提前预测。     

基于支持向量机的ICU中急性低血压预测模型研究

在重症监护室(ICU)的监护中,急性低血压(AHE)的发生严重威胁着患者的生命安全,临床上主要依靠医生的经验处置。本文运用医学信息学的理论,研究一种ICU中AHE发生的预测模型。利用ICU监护中血压变化的连续记录数据,分析发生与未发生AHE两者间平均动脉压(MAP)信号的变化趋势与特点,基于统计学习理论的支持向量机(SVM)方法,选取中位数、平均值等统计特征参数用于学习和训练,建立分类预测模型。在此基础上,对不同核函数构成的分类器和预测算法进行了比较分析。实验验证,本方法能够达到比较好的分类预测效果,有利于AHE发生的提前预测。     

ICU中发生急性低血压的预测方法研究进展

在ICU监护中,急性低血压的发生可能引起严重的后果,甚至威胁患者的生命安全,如何检测和提前预报急性低血压发生已成为医学界必须重视的临床问题。近年来,医疗监护技术和信号分析处理方法的迅速发展,促进了对急性低血压发生的预测方法的相关研究,研究内容主要侧重于两个方面:一是通过研究与可能发生急性低血压相关的生命体征参数,发现动脉压、心率及血氧饱和度等可以作为有效的指标参数;二是研究这些参数的变化趋势,通过一定的时间窗和阈值判断,可达到提前1小时预测急性低血压的发生。将数字信号处理技术和临床监护参数相结合,是实现智能化监护技术发展的方向,在继续丰富监护数据库的基础上,研究者们正致力于应用医学信息学方法认识急性低血压发生的规律,寻求提前预测急性低血压发生的方法,进而设计智能化预测软件。以上研究有利于实现急性低血压提前预测,提前干预,大大降低抢救风险,具有重大的临床研究应用价值。     

基于BP神经网络的环孢素A用量预测研究

目的依据BP神经网络技术建立环孢素A用景的预测模型.方法收集服用环孢素A的肾移植病人16例.共65组样本.其中51组样本作为训练样本,14组样本作为测试样本,建立两层BP神经网络预测模型.结果 BP神经网络的仿真预测结果正确率为97.1%.结论 BP神经网络模型在环孢素A用量上能够取得良好的预测效果,具有一定的研究性.     

基于样本熵与人工神经网络的癫痫发作预测初步研究

针对目前癫痫预测多为回顾性离线研究,难以实现自动实时预测并应用于临床这一问题,进行癫痫发作实时预测的初步研究,探讨方法的可行性。提出了结合反向传播（BP）神经网络与样本熵分析进行癫痫发作实时预测的方法。首先基于临床癫痫患者发作前脑电数据计算样本熵,转化为样本熵时间序列;然后利用BP神经网络建立患者发作时间预测模型。BP神经网络模型对发作时间的预测与实际发作时间之间存在线性关系,基于样本熵值的预测结果的相关系数达到0.94以上。结合样本熵与人工神经网络算法,在脑电监测数据基础上对癫痫发作预测具有可行性,为进一步开发癫痫便携预警装置提供了基础,具有重要的潜在临床应用价值。     

基于非线性混沌分析的急性低血压预测

重症监护室中急性低血压发生的预测研究是临床医学的重点与难点。本文应用非线性混沌分析方法,对MIMICⅡ临床记录中患者的平均动脉压时间序列信号进行分析,构建患者的李雅普诺夫指数变化曲线。研究发现患者在急性低血压症状发生前一般会出现明显的指数曲线突变情况,这为急性低血压的有效预测提供了直观的依据,为急性低血压的理论研究与应用提供了一条可参考的思路。     

基于粒子群和反向传播神经网络的近红外光无创血糖检测方法研究EI北大核心CSCD

现有的近红外无创血糖检测模型研究大多数关注的是近红外吸光度与血糖浓度之间的关系,但没有考虑人体生理状态对血糖浓度的影响。为了提升血糖预测模型性能,本文采用了粒子群优化算法(PSO)对反向传播(BP)神经网络的结构参数进行训练,并引入了收缩压、脉率、体温以及1550 nm吸光度作为血糖浓度预测模型的输入变量,采用BP神经网络作为预测模型。为解决传统BP神经网络容易陷入局部最优的问题,本文提出了一种基于PSO-BP的混合模型。结果表明,训练得到的PSO-BP模型预测效果优于传统的BP神经网络。十折交叉验证预测均方根误差和相关系数分别为0.95 mmol/L和0.74;克拉克误差网格分析结果表明,模型预测结果落入A区域的比例为84.39%,落入B区域的比例为15.61%,均满足临床要求。该模型可以快速地测量血糖浓度,且具相对较高的精度。     

决策树算法应用于MIMIC-Ⅲ数据库的ICU患者急性肾损伤预测研究

目的 急性肾损伤(acute kidney injury,AKI)是重症监护病房(intensive care unit,ICU)最常见的并发症和致死因素之一.准确预测具AKI风险的患者,明确与AKI发生相关的关键因素,可为临床决策与风险患者干预提供有效指导.方法 采用公开的重症监护室数据库MIMIC-III,提取30020例患者记录(包括AKI患者17222名,Non-AKI患者12798名),收集其住ICU期间基本信息、生理生化指标、药物使用、合并症等临床信息.将患者按4:1比例随机划分训练集和独立测试集,应用逻辑回归、随机森林与LightGBM 3种机器学习方法,分别建立24 h、48 h与72 h 3个时间点的AKI预测模型,采用十折交叉验证法,对各种模型进行训练与测试,预测患者是否发生AKI,并获取重要特征.此外,利用24 h预测模型,在一周时间窗口内对ICU患者进行每隔24 h预测.结果 3种学习模型中,LightGBM性能最优,其24 h、48 h和72 h模型预测AKI的受试者工作特征曲线(receiver operator characteristic curve,ROC曲线)下面积(area under curve,AUC)值分别为0.90、0.88、0.87,F1值分别为0.91、0.88、0.86,在每隔24 h预测时,提前1 d、2 d和3 d预测AKI的成功率分别为89％、83％、80％.已住院时长、体质量、白蛋白、收缩压、碳酸氢盐、葡萄糖、白细胞计数、体温、舒张压、血尿素氮等是预测ICU患者AKI的重要特征,仅使用24个重要特征,模型仍能取得良好的预测性能.结论 基于ICU患者的基本信息、生理生化指标、药物使用及合并症等临床信息,应用机器学习模型,可对其是否发生AKI进行多时间点的有效预测,并明确其关键风险因素.     

椎动脉支架内再狭窄的人工神经网络分析

探讨椎动脉狭窄支架植入术后再狭窄的危险因素,并利用人工神经网络对椎动脉支架内再狭窄（ISR）进行预测分析。首先,随访97例临床患者,对 12种可能影响椎动脉支架内再狭窄的因素进行单因素分析,总结出具有统计学意义的相关因素。然后,利用BP神经网络建立影响因素样本集与对应的ISR之间的隐性联系模型。最后,利用神经网络预测患者是否会发生支架内再狭窄,并对预测准确率进行评估。结果表明,置入支架后,再狭窄组中支架长度平均值为15 mm,无再狭窄组患者中支架长度平均值为17 mm,两者具有显著差异(P=0.005);再狭窄组患者平均扩张比为1.15,无再狭窄组患者平均扩张比为1.17,两者具有显著差异（P=0.01）;再狭窄组和无再狭窄组患者椎动脉侧别也具有显著差异（P=0.045）。同时,评估结果显示,BP神经网络模型预测结果令人满意,不会发生ISR的确诊率q175%,会发生ISR确诊率q2=100%。支架长度、椎动脉侧别和支架扩张比对椎动脉ISR具有显著性影响。BP神经网络模型可用于预测椎动脉ISR的发生。     

基于BP人工神经网络模型构建电子病历系统的数据分析

背景：电子病历中包含大量能够辅助临床诊断和决策的医疗信息。 目的：利用BP人工神经网络进行电子病历的数据挖掘。 方法：针对BP人工神经网络的原理及算法进行了分析,提出BP人工神经网络模型构建的6个步骤,分别为训练数据集的确定,数据准备,网络模型的建立,进行数据挖掘,评估BP网络得到的结果及预测结果的应用。并分析了BP人工神经网络在电子病历中的相关应用。 结果与结论：利用BP人工神经网络可以对电子病历进行分析预测,查找存在的危险因素。证实BP人工神经网络在电子病历系统数据分析中具有实际应用价值。     

Prediction of acute hypotensive episodes by means of neural network multi-models

This work proposes the application of neural network multi-models to the prediction of adverse acute hypotensive episodes (AHE) occurring in intensive care units (ICU). A generic methodology consisting of two phases is considered. In the first phase, a correlation analysis between the current blood pressure time signal and a collection of historical blood pressure templates is carried out. From this procedure the most similar signals are determined and the respective prediction neural models, previously trained, selected. Then, in a second phase, the multi-model structure is employed to predict the future evolution of current blood pressure signal, enabling to detect the occurrence of an AHE.The effectiveness of the methodology was validated in the context of the 10th PhysioNet/Computers in Cardiology Challenge—Predicting Acute Hypotensive Episodes, applied to a specific set of blood pressure signals, available in MIMIC-II database. A correct prediction of 10 out of 10 AHE for event 1 and of 37 out of 40 AHE for event 2 was achieved, corresponding to the best results of all entries in the two events of the challenge. The generalization capabilities of the strategy was confirmed by applying it to an extended dataset of blood pressure signals, also collected from the MIMIC-II database. A total of 2344 examples, selected from 311 blood pressure signals were tested, enabling to obtain a global sensitivity of 82.8% and a global specificity of 78.4%.     

利用Stein-Weiss解析函数结合反向传播神经网络进行血管分割

针对传统反向传播（BP）神经网络对血管进行分割存在耗时长且识别率不高的问题,本研究提出一种新的基于Stein-Weiss解析函数的BP神经网络算法用于血管分割。首先为每个体素构建一个Stein-Weiss函数,然后根据Stein-Weiss解析函数的解析性,计算出相应体素的16个特征值,将这些特征值输入到BP神经网络的输入层,采用BP神经网络的自学习能力对这些数据进行分类学习,最后通过BP神经网络的泛化能力来获取血管边缘。对肝脏血管分割的实验结果表明,相对于传统的BP神经网络分割算法,该算法提取的函数血管边缘识别率高、细节丰富,分割效率也明显提高。     

基于BP神经网络的全身骨SPECT图像分割

我们尝试用BP神经网络分割全身骨SPECT图像,实现病变区域的自动识别。由于SPECT图像病变区域的判断要考虑图像的整体信息,其特征具有不确定性,单靠神经网络识别很难达到理想的效果。我们把分割过程分预处理、神经网络分割和后处理三部分,先用最佳阈值法进行预处理,然后用神经网络进行粗分类,最后用模板匹配和去对称程序排除误识别的区域。     

BP网络在麻醉深度监测算法上的应用

麻醉是临床手术中必不可少的环节,但麻醉的过深或过浅可能给病人带来伤害,因而对麻醉深度的监测具有较高的临床价值。脑电是目前检测麻醉深度最有潜力的方法,首先通过滤波等处理方式得到较为纯净的脑电信号,分析时域和频域的特征,计算相应的参数,并将该参数作为前向反馈神经网络的输入参数,选择合适的BP神经网络拟合得到一个能够评价麻醉深度的无量纲常数。使用BP神经网络拟合结果来表征麻醉深度准确率普遍在90%以上,反映了BP神经网络在麻醉深度监测上具有较高的应用价值。     

基于模糊小波神经网络的磁共振图像分割方法

针对磁共振图像分割的特点,将小波分析优异的局部特性、模糊逻辑的定性知识表达能力和神经网络的自学习能力结合起来,提出了一种基于模糊小波神经网络的磁共振图像分割方法.该方法采用小波函数作为模糊隶属函数,利用神经网络实现模糊推理,并采用反向误差传播算法对网络进行训练.实验结果表明,这种基于模糊小波神经网络的磁共振图像分割方法与普通神经网络分割方法相比,具有更高的分割精度和更快的训练收敛速度.     

BP神经网络在肝癌数字减影血管造影诊断中的应用

目的 探讨利用BP神经网络对肝癌数字减影血管造影(DSA)图像进行计算机辅助诊断的应用价值.方法 分析32例肝癌病例DSA影像资料,应用BP神经网络建立计算机临床辅助诊断模型,然后把100个随机抽样测试样本(非病灶样本55个,病灶样本45个)输入模型验证诊断准确率.结果 肝癌计算机辅助诊断模型成功建立,100个随机抽样样本经模型分析,真阳性率为91%,真阴性率95%.结论 BP神经网络可应用于临床辅助肝癌DSA诊断.     

Application of artificial neural network model combined with four biomarkers in auxiliary diagnosis of lung cancer

The purpose of the study was to explore the application of artificial neural network model in the auxiliary diagnosis of lung cancer and compare the effects of back-propagation (BP) neural network with Fisher discrimination model for lung cancer screening by the combined detections of four biomarkers of p16, RASSF1A and FHIT gene promoter methylation levels and the relative telomere length. Real-time quantitative methylation-specific PCR was used to detect the levels of three-gene promoter methylation, and real-time PCR method was applied to determine the relative telomere length. BP neural network and Fisher discrimination analysis were used to establish the discrimination diagnosis model. The levels of three-gene promoter methylation in patients with lung cancer were significantly higher than those of the normal controls. The values of Z(P) in two groups were 2.641 (0.008), 2.075 (0.038) and 3.044 (0.002), respectively. The relative telomere lengths of patients with lung cancer (0.93 ± 0.32) were significantly lower than those of the normal controls (1.16 ± 0.57), t = 4.072, P < 0.001. The areas under the ROC curve (AUC) and 95 % CI of prediction set from Fisher discrimination analysis and BP neural network were 0.670 (0.569–0.761) and 0.760 (0.664–0.840). The AUC of BP neural network was higher than that of Fisher discrimination analysis, and Z(P) was 0.76. Four biomarkers are associated with lung cancer. BP neural network model for the prediction of lung cancer is better than Fisher discrimination analysis, and it can provide an excellent and intelligent diagnosis tool for lung cancer.