基于机器学习融合的全麻有创收缩压预测方法与系统与流程

1.本发明属于医疗外科手术监测技术领域，尤其涉及一种基于机器学习融合的全麻有创收缩压预测方法与系统。


背景技术：

2.全麻手术中，有创收缩压是医生判断病人生命体征状况的重要依据，会直接影响手术顺利进行，精准地预测全麻术中有创收缩压的变化并提前做出应对策略能有效降低手术风险。目前，在手术过程中一般使用生命监测仪器对有创收缩压、血氧、心率等变量进行实时监测，需要医生根据临床经验来人为预测有创收缩压，而人为预测的结果不够理想。一方面，医生的临床经验和专业程度不同，导致对情况的判断有所不同；另一方面，人为方式对于连续性变量的预测精确度有限。在手术过程中，若要快速精准地预测全麻后有创收缩压不仅需要依赖大量专业知识，还要考虑手术过程中多种因素的综合影响，导致人为方式很难准确预测。而这种人为预测方式不仅对医生临床经验有极高要求，同时还需要花费大量的时间和精力，影响手术的进行。
3.随着机器学习技术的发展，机器学习算法不仅可以通过数学模型、机理公式学习大量知识，还能挖掘出数据间深层次的关联或规律，能对病人的身体特征数据、基础患病情况以及生命体征数据作出快速准确的计算和处理。此外，机器学习所需的数据量较小，通过建立离线模型就能实现全麻后有创收缩压的预测，不仅预测速度快、准确率高，同时节省了大量的时间和精力，为麻醉的安全和手术的安全提供了保障。
4.t.h.wu等人(t.h.wu,g.k.pang and e.w.kwong,“predicting systolic blood pressure using machine learning”in 7th international conference on information and automation for sustainability,colombo,sri lanka,2014,pp.1-6.)利用机器学习技术，通过对体质指数(bmi)、年龄、运动、饮酒情况和抽烟情况等特征变量的建模来预测收缩压，利用反向传播神经网络和径向基函数网络，构建和验证预测系统，预测系统在绝对误差15mmhg时预测准确率最高为69.9％，预测精度较低。
5.综上，本发明提出一种基于机器学习融合的全麻有创收缩压预测方法与系统，采用机器学习融合的思想构建预测模型，预测精度明显提升。


技术实现要素：

6.针对现有技术的不足，本发明拟解决的技术问题是，提供一种基于机器学习融合的全麻有创收缩压预测方法与系统。
7.本发明解决所述技术问题所采用的技术方案是：
8.一种基于机器学习融合的全麻有创收缩压预测方法，其特征在于，包括以下步骤：
9.步骤s1、采集患者的身体特征数据和生命体征数据，对各个数据进行预处理，将预处理后的数据划分为训练集、测试集和验证集；分别对训练集、测试集和验证集进行切片采样，得到n个训练子集、测试子集和验证子集；
10.步骤s2、基于机器学习融合构建预测模型，利用预测模型对全麻有创收缩压进行预测；预测模型包含n个初级学习器和一个次级学习器，所有初级学习器的输出值作为次级学习器的输入。
11.步骤s2包括s2-1、构建初级学习器：利用训练集对多种机器学习模型进行训练，并根据测试集对训练后的模型进行优化，得到优化后的模型；利用验证集根据优化后的模型进行预测，选择预测精度高的n种机器学习模型分别构建初级学习器，得到n个初级学习器；
12.分别利用步骤s1得到的n个训练子集对n个初级学习器进行训练，通过n个测试子集对各自对应的初级学习器进行参数优化，得到优化后的初级学习器；利用n个验证子集根据n个优化后的初级学习器进行预测；
13.s2-2、构建次级学习器：将所有初级学习器的预测值作为次级学习器的输入，对次级学习器进行训练，得到训练后的次级学习器。
14.步骤s2-2还包括对次级学习器的输入进行优化；具体为：根据初级学习器的预测误差对每个初级学习器赋予权重，在权重的赋值过程中预测误差越大，权重越低；
15.令次级学习器的输入矩阵为h1(x)、h2(x)、
…
、hn(x)分别为各个初级学习器的预测值，ω1、ω2、
…
、ωn分别为各个初级学习器预测值的权重，其中ω1 ω2
…
ωn＝1；
16.利用变异系数法对权重进行调整，各个初级学习器的变异系数满足式(2)：
[0017][0018]
式(2)中，vi为第i个初级学习器的变异系数，σi为第i个初级学习器预测值与真实值的标准差，hi'(x)为第i个初级学习器对应的真实值；
[0019][0020]
第i个初级学习器预测值的权重满足式(3)。
[0021]
预处理包括缺失值填充、属性识别、标准化处理和降维处理；切片采样的具体过程为：利用梯度提升决策树对降维后的样本数据集进行训练，得到各个特征的概率，即特征重要性列表；
[0022]
将降维后的样本数据集划分为训练集、测试集和验证集，分别对训练集、测试集和验证集进行n次拷贝，n为正整数；根据样本采样比例分别对拷贝后的训练集、测试集和验证集进行n次切片采样，再根据特征采样比例对特征重要性列表进行特征选择，得到n个训练子集、测试子集和验证子集。
[0023]
所述初级学习器为三个，分别采用支持向量回归模型、多项式回归模型和线性回归模型构建；次级学习器采用岭回归模型构建。
[0024]
一种基于机器学习融合的全麻有创收缩压预测系统，其特征在于，该系统包括数据库模块、数据采集模块、预测模块和交互模块；预测模块内存储有预测程序，预测程序根
据上述方法对全麻有创收缩压进行预测。
[0025]
与现有技术相比，本发明的有益效果是：
[0026]
1、本发明的预测模型基于机器学习融合思想构建，预测模型包含多个初级学习器和一个次级学习器，多个初级学习器基于不同的机器学习算法训练得到，所有初级学习器的预测结果作为次级学习器的输入，有效克服了单一算法预测精度较低的缺陷；为了进一步提高预测模型的精度，根据初级学习器的预测误差对每个初级学习器的预测结果赋予权重，预测误差越大，权重越低，优化了次级学习器的输入，进一步提高了预测模型的预测精度。
[0027]
2、实验结果表明，本发明方法对全麻有创收缩压的预测准确率高达91.5％，相较于t.h.wu等人的研究，在绝对误差相同的情况下，准确率提升约20％，即使在研究背景和特征变量有差异的情况下，也表明本发明的预测精度较高，能够实现对患者全麻后的有创收缩压快速、准确地预测，给予医生充足的时间作出应对策略，保证了麻醉的安全性，在很大程度上减少了手术的风险。
[0028]
3、本发明采集的特征包括患者的身体特征数据和生命体征数据，最大程度的考虑了多重因素对全麻有创收缩压的复合影响，从医疗专业知识以及手术室现场实际情况的角度，将大部分对结果有影响的因素都考虑在内，并利用机器学习算法对数据进行了深度挖掘，弥补了医护人员根据生命体征数据判断全麻有创收缩压的不足。
附图说明
[0029]
图1是本发明的整体流程图；
[0030]
图2是本发明构建预测模型的流程图；
[0031]
图3是本发明系统的结构示意图。
具体实施方式
[0032]
下面将结合具体实施例和附图对本发明的技术方案进行清楚、完整地描述，但并不以此限定本技术的保护范围。
[0033]
本发明为一种基于机器学习融合的全麻有创收缩压预测方法(简称方法，参见图1-2)，包括以下步骤：
[0034]
步骤s1、采集患者的身体特征数据和生命体征数据，对各个数据进行预处理，将预处理后的数据划分为训练集、测试集和验证集；分别对训练集、测试集和验证集进行切片采样，得到n个训练子集、测试子集和验证子集；
[0035]
步骤s1-1、身体特征数据包括患者的年龄、性别、身高、体重、asa等级和是否患高血压症；身体特征数据和基础患病情况应在手术前及时录入数据库，以便在需要对该患者进行预测时能及时从数据库提取数据；全麻有创收缩压的预测受到多种因素的影响，仅有上述患者的身体特征数据和基础患病情况还不足以准确地预测患者的全麻有创收缩压；
[0036]
生命体征数据包括心率、有创收缩压以及血氧饱和度(sao2)这三种特征；生命体征数据采集时间段为患者刚进入手术室的手术准备阶段，数据采集装置为手术室配备的生命监测仪，采集时间间隔60s；在手术准备阶段，患者除动脉针和麻醉操作外再无其他因素干扰，使得预测的真实性和准确性得到保障；
[0037]
步骤s1-2、预处理包括缺失值填充、属性识别、标准化处理和降维处理；若身体特征数据缺失，则删除该样本；对于生命体征数据，采用最近邻插补法填充个别缺失值；对填充缺失值后的特征进行属性识别，即将性别和是否患高血压症分别作0-1赋值处理，将asa等级按照离散型变量处理，asa等级分为五个等级，分别对应赋值1-5；其余特征按照连续型变量处理；
[0038]
患者身体特征数据、生命体征数据都应该是完整的，单位是一致的，但是由于操作失误，仪器故障或者其它原因，会导致数据存在异常；上述数据中缺少一个或者几个对应的数据，将该种数据定义为缺失数据，对于患者身体特征数据缺失时，则删除该样本；对于患者生命体征数据缺失时，由临近的数据填充缺失数据；
[0039]
通过式(1)对属性识别后的特征进行标准化处理，标准化处理是将特征值按比例缩放，使每个特征值落入一个小的特定区间；
[0040][0041]
其中，x为原始特征值，为原始特征序列的平均值，s2为特征序列的方差；
[0042]
将标准化后的所有特征采用主成分分析法(pca)进行降维处理，筛选出与全麻有创收缩压相关性大的特征，得到降维后的样本数据集；
[0043]
步骤s1-3、利用梯度提升决策树(gradient boosting decision tree，简写为gbdt)对降维后的样本数据集进行训练，得到各个特征的概率，特征越重要，概率越大，因此得到反映各个特征重要性的概率列表，即特征重要性列表；根据特征重要性列表选取特征，可以过滤冗余特征，构造效率更高、消耗更低的预测模型；
[0044]
将降维后的样本数据集划分为训练集、测试集和验证集，分别对训练集、测试集和验证集进行n次拷贝，n为正整数；根据样本采样比例分别对拷贝后的训练集、测试集和验证集进行n次切片采样，再根据特征采样比例对特征重要性列表进行特征选择，得到n个训练子集、测试子集和验证子集；
[0045]
步骤s2、基于机器学习融合构建预测模型，预测模型包含n个初级学习器和一个次级学习器；
[0046]
步骤s2-1、构建初级学习器；
[0047]
利用训练集对多种机器学习模型进行训练，并根据测试集对训练后的模型进行优化，采用网格搜索的方式对各种算法进行参数寻优，得到优化后的模型；网格搜索的原理将模型的所有参数或超参数排列组合，所有排列组合形成一个二维的网格，多个超参数两两组合可以看作是更高维空间的网格，遍历网格中的所有节点，将网格中的最优解作为模型的最终参数；
[0048]
多种机器学习模型包括多项式回归(lasso)、线性回归(lr)、支持向量回归(svr)、k临近算法(knn)、极端梯度提升树(xgboost)、多层感知机(mlp)、决策树(decisiontree)、随机森林(rf)、adaboost、梯度提升决策树(gbdt)和岭回归(ridge)；利用验证集根据优化后的模型得到预测结果，并计算各种模型的预测精度，以绝对误差15mmhg作为预测精度评价指标，计算各种模型的初始准确率和优化后的准确率，得到表1所示的结果；
[0049]
表1多种机器学习模型的预测结果
[0050][0051]
选择预测精度较高的n种机器学习模型分别构建初级学习器，得到n个初级学习器；由表1可知，在绝对误差
±
15mmhg内，svr、lasso和lr三种机器学习模型的预测精度较高，因此本实施例选择这三种模型构建三个初级学习器；
[0052]
分别利用步骤s1-3得到的n个训练子集对n个初级学习器进行训练，通过n个测试子集对各自对应的初级学习器进行参数优化，得到优化后的初级学习器；利用n个验证子集根据n个优化后的初级学习器预测全麻有创收缩压；
[0053]
步骤s2-2、构建次级学习器；
[0054]
将所有初级学习器的预测值作为次级学习器的输入，对次级学习器进行训练，得到训练后的次级学习器；
[0055]
理论上机器学习融合的次级学习器可以使用多种模型，为了防止出现过拟合，需限制预测模型的复杂程度，不宜选择复杂程度过高的机器学习模型；本实施例选择四种常见的机器学习模型预测全麻有创收缩压，各种算法的预测精度如表2所示；选择预测精度最高的模型作为次级学习器；从表2可知，在绝对误差
±
15mmhg内，岭回归的准确率最高，即预测精度最高，因此本实施例将岭回归(ridge)作为次级学习器；
[0056]
表2次级学习器为不同算法的预测精度
[0057][0058]
对次级学习器的输入进行优化；通过n个优化后的初级学习器对n个测试子集进行预测，得到初级学习器的预测值；将初级学习器的预测值作为次级学习器的输入，次级学习器的预测值即为预测模型的预测值；根据初级学习器的预测误差对每个初级学习器赋予权重，从而对次级学习器的输入进行优化，以完成次级学习器的构建；在权重的赋值过程中，预测误差越大，权重越低；
[0059]
令次级学习器的输入矩阵为h1(x)、h2(x)、
…
、hn(x)分别为各个初级学习器的预测值，ω1、ω2、
…
、ωn分别为各个初级学习器预测值的权重，其中ω1 ω2
…
ωn＝1；
[0060]
利用变异系数法对权重进行调整，进而提高预测模型的精度，进一步减小预测误差；各个初级学习器的变异系数满足式(2)：
[0061]
[0062]
式(2)中，vi为第i个初级学习器的变异系数，σi为第i个初级学习器预测值与真实值的标准差，hi'(x)为第i个初级学习器对应的真实值；
[0063]
第i个初级学习器预测值的权重为：
[0064][0065]
综上，预测模型包含n个初级学习器和一个次级学习器，将预测模型用于全麻有创收缩压的实时预测。
[0066]
本发明还提供一种基于机器学习融合的全麻有创收缩压预测系统(简称系统，参见图3)，包括数据库模块、数据采集模块、预测模块和交互模块；交互模块用于手动录入患者的身体特征数据和显示预测结果，身体特征数据包括患者的年龄、性别、身高、体重、asa等级和是否患高血压症；数据库模块用于存储患者的身体特征数据；数据采集模块用于采集患者的生命体征数据，生命体征数据利用医院手术室配备的生命监测仪器采集并传输至数据采集模块，生命体征数据包含心率、有创收缩压和血氧饱和度(sao2)；预测模块内存储有预测程序，预测程序按照上述的基于机器学习融合的全麻有创收缩压预测方法对全麻有创收缩压进行预测。
[0067]
预测系统在使用过程中会对预测模型进行周期性更新，例如当预测患者达到一定数量时，系统会将这些新样本加入到原有的训练集中，对原有的训练集进行扩充，利用扩充后的训练集对预测模型进行重新训练，从而对预测模型进行迭代更新；迭代更新是优化预测模型的一种基本方法，是通过对模型的不断迭代，使得预测值与真实值之间的误差逐渐减小，从而求解最佳的模型参数；随着样本的更新，整个迭代过程一直继续，预测模型将不断拟合新输入的样本数据，减小预测误差，从而实现预测模型的周期性更新。
[0068]
本发明未述及之处适用于现有技术。