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

技术特征：
1.一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：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；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。2.根据权利要求1所述的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，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；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；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。3.根据权利要求2所述的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，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；令次级学习器的输入矩阵为h1(x)、h2(x)、
…
、h
n
(x)分别为各个初级学习器的预测值，ω1、ω2、
…
、ω
n
分别为各个初级学习器预测值的权重，其中ω1 ω2
…
ω
n
＝1；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)：式(2)中，v
i
为第i个初级学习器的变异系数，σ
i
为第i个初级学习器预测值与真实值的标准差，h
i
'(x)为第i个初级学习器对应的真实值；第i个初级学习器预测值的权重满足式(3)。4.根据权利要求1所述的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，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；
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。5.根据权利要求1所述的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，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。6.一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，预测程序根据权利要求1-5任一所述的方法对全麻有创收缩压进行预测。

技术总结
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与系统，方法包括步骤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；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。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。本发明克服了单一算法预测精度低的缺陷，并对次级学习器的输入进行优化，进一步提高预测精度。测精度。测精度。


技术研发人员：陈紫祎 张磊
受保护的技术使用者：河北工业大学
技术研发日：2021.10.18
技术公布日：2022/1/14