时间序列NARX反神经网络用于预测阻抗心脏学ICG缺失点:一个预测模型
Sara Benouar1,2, Malika Kedir-Talha2, Fernando Seoane1,3,4,5
1Department of Clinical Science, Intervention and Technology, Karolinska Institutet, Stockholm, Sweden.
Frontiers in physiology
|June 22, 2023
概括
本研究介绍了一种使用NARX神经网络预测模型,用于预测阻抗心图 (ICG) 信号中缺失的特征点. 这大大提高了从ICG数据中检测关键血液动力学参数的检测准确度.
科学领域:
- 生物医学工程 生物医学工程
- 心血管生理学心血管生理学
- 人工智能在医学中的应用
背景情况:
- 通过阻抗心图 (ICG) 准确的血液动力学参数评估依赖于在dZ/dt复合体中检测特征点 (X,Y,O,Z).
- 在ICG复杂子类型中的变化挑战了诸如中风体积和心脏输出等参数的节奏对节奏准确性,特别是左心室预喷射时间.
- 现有的方法难以检测这些关键点,导致大量数据丢失和可靠性降低.
研究的目的:
- 开发一种能够准确预测各种ICG复杂子类型中缺失特征点的预测模型.
- 提高ICG特征点的检测率,从而改善重要的血液动力学参数的提取.
- 为了减少ICG分析中缺失数据点的百分比,支持更强大的节奏计算.
主要方法:
- 实现一个时间序列非线性自回归与外源输入 (NARX) 反神经网络.
- 在开放循环配置中对两个不同的数据集进行NARX模型的训练,以获得准确的反.
- 在成功使用闭环功能的模型训练后进行多步预测测试和模拟.
主要成果:
- 在评估ICG数据集中,NARX模型在预测缺失的特征点方面取得了75%-88%的成功率.
- 与以前的21%-30%的检测率相比,这代表了相当大的改善,而没有预测模型.
- 该模型在预测不同ICG复杂子类型的X,Y,O和Z点方面表现出有效性.
结论:
- 开发的基于NARX的预测模型为改善ICG数据分析提供了一个有希望的方法.
- 在检测特征ICG点时,可以实现显著的精度增加,从而增强血液动力学参数提取.
- 这种方法支持更可靠的节奏对节奏的血液动力学监测,通过减轻与ICG复杂变异性相关的问题.
