基于基因表达式编程的随机森林及其在急性低血压预测中的应用

摘要

在重症监护室（Intensive Care Unit简称ICU）中，急性低血压（Acute Hypotension Episode简称AHE）的发生往往会对患者引起严重的后果，对器官造成不可逆的损坏，衰竭，严重时甚至危及患者的生命。临床上主要依据医生的经验进行预见性的判断，由于目前ICU病房中医疗资源紧张，人手严重短缺的问题，并且急性低血压发作前缺少可以直接观测到的有效征兆，导致医护人员难以及时发现急性低血压的病人，致使病人的存活率低下。
　　ICU病房中存着大量有关患者的临床医疗数据，其中包括病人的实时体征数据，例如病人的血压，脉搏，呼吸等，在计算机技术飞速发展的今天，若能利用计算机辅助诊断，提前预测出急性低血压的发生，将会为医生的诊断赢得宝贵的时间，从而降低病人的死亡率。
　　为了实现急性低血压的的提前预测，本文采取基于基因表达式编程（Gene Expression Programming，简称GEP）的随机森林（Random Forest，简称RF）算法进行预测。主要分四步：1.首先对平均动脉血压（Mean Arterial Pressure,简称MAP）信号进行经验模态分解（Empirical Mode Decomposition，简称EMD）分解；2.然后对分解后本征函数（Intrinsic Mode Function，简称IMF）信号进行特征提取；3.通过随机森林对数据和特征进行分组，对每组数据和特征用GEP进化算法进行进化出一个预测函数；4.最后建立随机森林分类预测模型，并通过随机森林投票进行最终的分类。最后，利用5折交叉验证对该算法的泛化能力进行了测试，得到准确率为77.55％，灵敏度80.55%，特异性75.14%。实验表明，该方法可以为ICU监护中AHE（急性低血压）的发生提前预测和提前干预提供技术支撑，具有重要的临床应用价值。

目录

封面

声明

中文摘要

英文摘要

目录

第一章 绪论

1 .1 研究的背景及意义

1 .2 研究的现状

1 .3 本文的研究内容和结构安排

第二章AHE数据特征提取

2 .1 特征提取概述

2.2 特征提取

2.2.1 数据集介绍

2.2.2 EMD经验模态分解

2.2.3 特征提取

2.3 本章小结

第三章 A HE分类算法

3 .1 A HE分类算法综述

3.2 基因表达式编程算法

3.2.1 遗传算法

3.2.2 基因编程

3.2.3 基因表达式编程

3.3 随机森林算法

3.3.1 随机森林的分组策略

3.3.2 决策树的建立

3.3.3 投票机制

3.4 GEP-RF算法

3.4.1 决策树的建立

3.4.2 GEP-RF算法

3.5 本章小结

第四章 论文的实验

4.1 实验框架

4.2 实验参数及结果

4.3 如何进行预测？

第五章 总结与展望

参考文献

致谢

个人简历