英语原文共 16 页，剩余内容已隐藏，支付完成后下载完整资料
和平之家：一种用于可靠的家庭检测，基于生命体征临床异常事件的概率估计。
Abdur Rahim Mohammad Forkan, Ibrahim Khalil
（文章信息：文章历史：上线时间，2017年1月3日）
亮点：
1、我们开发了一种使用与生命体征相关的临床事件预测系统。
2、我们开发了一种使用隐马尔可夫模型的概率估计方式。
3、我们利用主成分分析方式来进行临床事件识别。
4、我们利用云端计算机框架来实现模型的训练和分类。
5、我们的开发适用于个性化的实时患者检测。
关键词：生命体征；隐马尔可夫模型；临床事件；远程监测；居家协助
摘要
这个研究的目的是开发一种，对使用在临床事件发生之前观察生命体征值的患者预测未来临床发作的概率模型。生命体征值（例如心率、血压）用于检测患者的健康的生理功能，那些同时发生的变化表明患者健康状况的转变。慢性患者们独居在家，因为缺少一个有效的拥有提前预测能力的自动系统而死于各种各样的疾病。我们开发的系统，可以提供对一个未知病人未来临床事件的概率预测，利用了从许多相似病人处学习到的多种生命体征的相互关联性。在这篇文章中，主成分分析技术（PCA）是将拥有已知医疗条件的患者分成了多个类别。隐马尔科夫模型采用了概率分类和对未来临床状态的预测。通过比较来自基于学习模型的拥有神经网络的隐马尔可夫模型的结论，相较于静态预测模型来解决问题，动态概率模型更有优势。六种生命体征数据是由麻省理工学院生理银行存档的MIMIC-Ⅱ数据库1023位患者的数据，两种学习模型都是通过六种生命体征数据，来进行学习和评估。最好的HMM模型选择使用了最大似然概率模型，并更多地用于个性化的远程监控，来预报一个被持续监测的患者，最有可能发生的临床状态。拥有扩充能力的云端计算机是用于快速学习来自大数据的多种多样的临床事件。我们的结论表明，发达技术使用多种生理参数趋势，可以显著增强传统的基于家庭临床异常检测和预测监测系统。
1574-1192/copy; 2017 Elsevier B.V. 版权所有。
- 介绍
由于体传感器拥有重要的优势【1】，同时无线传感器和智能手机对云端资源便利获取的技术和功能，使得开发更加灵活的个性化远程健康监测【2】程序成为可能【3】。在现代的医疗保健监测中，我们使用可穿戴式传感器并在云端【4】进行分析，用于识别特定病人的信息【5】，获得的数据来自于一个病人的不同生物信息。云端的分布式资源使用计算密集型机器学习方法，简化了大型生物医学数据的知识构建过程。【6】一个远程监测系统应当拥有精确的预知健康异常情况的功能【7】，以便于支持医生做出临床诊断【8】。对症状的及时干预对在紧急状况前阻止病症恶化也是非常重要的【9】。
随着人口的增加，慢性终身疾病在不断增加，整个医疗保健基础设施也承受了越来越多的压力。这就是在澳大利亚，甚至是全球范围内的主要死亡原因。最近的研究表明，由于不断增长的人口，医院已经接近饱和并很难再接收更多病人，即使是在紧急情况下。一个最近的新闻提出，在西悉尼的医院里，病人们（包括80岁以上的老年人）需要在紧急部门等待超过两天，然后不得不放弃治疗离开【10】。报告显示，被医院接收的平均等待时间达到了四十小时。医院的容量不足以安置所有的病人。如果这种自我保健的、可预防的、可预测的、可靠的家庭监测系统【4】没有被采用，那么现今的状况会变得更加糟糕，不论是对病人还是对医疗保健机构的提供者。用于病症诊断【11】的持续性临床事件预测系统的建立，也会增加健康保健的费用。这个系统为患者们提供了更多的灵活性，即使是在生物医学数据持续收集的过程中，他们也可以进行普通的日常活动，这依赖于远程监测系统。更重要的是，这个系统能够让医疗保健专业人员在任何时间、任何地点监测患者的健康状况。
带有无线通信能力的可穿戴式传感器可以在商店中以很低的价格买到。这些传感器可以用来收集大量的生命体征数据，例如心率（HR）、血压（BP）、呼吸速率（RR）、血氧饱和度（SPO2）、脉搏、体温、心电图（ECG）【12】。一个传感器可以监测一个或是多个生物属性（例如：脉搏血氧计可以同时监测脉搏和血氧饱和度。）心率可以评估患者的心血管健康，血压则是用于确定血管对血液的阻力，呼吸速率测量了呼吸的速率，而血氧饱和度则是测量了患者血液中氧气的含量。这些可测量的生命体征可以用于检测不同的临床事件（例如：心动过速、低血压、缺氧等，或者同时检测不止其中的一项。）举个例子，心率持续在100bpm以上，就是一种不正常的标志，通常被称作心动过速【13】。生命体征参数也与时间和空间有关。这种相关性包括某时刻某个具体的病人，这帮助在更早的时候去预测即将发生的临床状况。那些准确的预测需要通过，过去的和当前的数据得到的准确的个人生命体征参数，这对于监测系统排除不必要的错误警报也是很重要的。
1.1 生命体征相关性
在生命体征参数中存在各种各样的相关性，其中可能包含了有价值的信息，这些信息通常被用来避免将来的临床危险【14】。举个例子，当一位患者正在经历医疗健康危机，像是中风或是心脏病，这时患者的心跳会由于心肌出现问题或是感染或是大量失血而变得微弱。如果所有的生命体征数据都没有被测量，那么这些变化就很难告诉医生患者的实际情况。所以，在医生的远程监督下来监测患者的生命体征是非常重要的。关于HR和BP之间的强大关联的例子，可以在图一中找到。图二中提到对单个患者关于HR、MBP和RR的三维相关性，这三项指标在基本上所有情况下都会同时升高或降低。
1.2 动机
我们从我们之前的工作中找到了动力【4,5,15,16】，我们曾开发了一个关于环境辅助生活的基于云的模型，这个模型可以发现患者具体的异常情况，并对未来医疗情况作出预测。在这些工作中，我们忽略了这些生命体征之间的关联，这些相关性可能包含了对某些慢性疾病有效治疗方式。在这次的研究中，我们将重心放在了基于那些不同生命体征参数的相互作用上。在我们之前的研究中【17】，我们解释了部分的方法论和对这次研究的分析。我们同样在生物医学数据分析【2,11,18】和疾病诊断【8】上受到之前研究的鼓励，这帮助我们开发了这个为了及时的个人监测的可预测异常临床事件的可学习模型。
- 正相关 （b）负相关
图1 心率和血压呈现出程度最高的相关性。最上方的两个图表现的是与时间相关的心率（HR）、血压收缩压（SBP）、血压舒张压（DBP）、和平均血压（MBP）的时间序列变化。下方的两张图表现的是对应上方图标的心率与平均血压之间的关系。
传统的将重心放在医院上的护理模型忽视了让患者在家监测和治疗疾病。大量的智能监测系统都是为了一些没有条件去医院住院【19-21】的患者能拥有对疾病异常的预测，然而，还是有少部分【15,22,23】的人尝试着去开发这些放在家中的可预测的系统，目的就是及时最小化甚至避免有关健康的风险。只有有限的研究尝试着用从大量病例中收集来的多种参数【14】，去估计临床的情况。大多数的预测系统使用的例子来自一小部分的患者，并且只关注一个参数，像是血压【22】、心电图【24】或是血糖。这些模型仅仅只能预测到未来的一些特定的临床症状的行为。【25,26】当数据中的不确定因素上升时，这些系统会出现很高的错误警报率。通过分析这项研究，考虑患者们的多参数数据，可以改善学习模型的泛化能力。总的来说，，我们的方法通过收集临床事件，并运用过去的观察在未来的情形下在相关特性中识别出隐藏信息。
1.3 概述
在这篇文章中，我们考虑用主成分分析技术（PCA）【18】去捕获和验证多种生命体征参数中的变化，然后隔离从大量病例中学到的无人监管的临床情形。PCA集中了常见的大量的多参数数据中的异常情况，这些参数来源于使用主成分特性方式的他们相关的行为。这个过程在图三中展示。持续性的监测数据包含了多种多样的杂音，PCA被期盼能提供强有力对付影响的方法，因为它保留了最高差额。PCA主要用于分析空间数据。然而，在这篇文章中，我们发现PCA依旧是对于集中带有多种相互依存幸好的临时数据很有帮助的一种方式。
此外，我们使用了隐马尔可夫模型（HMM）【27】，这个模型是一种建立时间相关数据的常用工具，用于为包含多种生命体征的已知的发现进行临床情形分类。每一个定向的临床事件都可以在PCA中被识别，而HMM则是通过使用在多种生命体征中被观察到的行为，在临床事件发生前建立的。生命体征时间相关数据生成的序列拥有时间依赖性。HMM为我们从序列数据中得到有用信息带来了便利【15】。HMM相较于其他模型的优势在于，他能通过将时间数据建模为状态变化序列，利用连续数据中的时间动态进行分类。所以，发生临床事件的概率不仅由患者近期生命体征数据决定，过去的测量数据序列依旧重要。
1.4成果
我们目前研究的动机和成果激励我们去开发这样一个，为临床异常监测而生的可预测模型，当中我们使用了常见的可移动电脑技术，可以让机器学习像是主成分分析技术，隐马尔可夫模型和神经网络。下面将介绍我们研究的成果：
我们开发了一个使用隐马尔可夫模型的概率估计量，可以监测使用当前和过去的多种生命体征数据的患者的临床状况。大多数现存的系统能够根据一种生命体征数据识别异常，但却忽略了多种体征数据之间的相关性。我们开发的系统拥有一种独特的能力，利用生命体征之间的联系去监测异常。据我们所知，利用多种生物信号知识的方法，从未用于预测异常情况。通过与基于神经网络的学习算法，我们分析了隐马尔可夫模型的优势。
我们使用云计算机框架进行了HMM的学习和分类。我们曾在云端通过实验评估测试过这个模型的适用性和可行性，结果显示这个系统不会对从大数据中学习在时间和资源方面实施任何额外的处罚。不仅如此，云端的利用包括从大量不同临床情况的患者的许多生命体征数据中学习的灵活性。因此，我们的系统一项独有的技术，通过云端计算机技术来同时处理大量的病例。
图2 单个患者的心率（HR）、平均血压（MBP）、呼吸速率（RR）之间的关联性。颜色条中的低值表示所有的生命体征都是高值，反之亦然。根据三个生命体征之间的相关性，患者可能处于不同的临床状态。（有关图图例中颜色的说明，请参阅本文的web版本。）
图3 使用主成分分析技术从大量的病例中识别不同的临床事件。
我们开发了一个个人监测系统，用于居家协助（AAL）。我们的开发方法也适用于在居家协助中实时的、个人的远程监测。多个隐马尔可夫模型通过PCA技术分离的各种临床事件得到训练，然后在个性化监测中，从实时多参数中连续计算出某一临床事件未来发生的最大似然概率。此外该系统是可扩展的，即可以通过行的隐马尔可夫模型训练添加新的临床病例。该模型更具有自适应性，因为隐马尔可夫模型参数可以通过一组新的观测值来更新，从而使其概率最大化。没有一个远程监控系统具有这样独特的功能集。
1.5大纲
在本文的其余部分中，第二节讨论了本研究的相关工作，第三节描述了系统的一些基本概念，第四节描述了主要分析，第五节解释了模型建立、训练和分类的过程，第六节给出了实验结果，最后第七部分对本文进行了总结。
- 相关工作
过去十年来，人们对分析生物医学数据的兴趣日益浓厚。一个特别的重点是，为未来的异常预测分析可穿戴传感器产生的多种生物信号之间的相关性。一些研究着重于发现不同生物信号【21,23,29,30】之间的相关性，如心电图、血压、心率、呼吸和氧饱和度。其中一些系统可以识别特定生命体征的未来异常情况【21,23,31】。这些研究大多停留在理论层面，在应用层面的实施和应用还远远落后。其中一个实际的例子是生物标志设备【26】，它利用随机过程融合五个生命体征的信息，对多参数进行建模。然而，这并不包含预测能力，只能将临床危机情况发生的时间降到最低。机器学习技术被广泛应用于设计分类器模型，以发现临床异常和检测各种慢性疾病的症状【11】。这种模型的例子包括隐马尔可夫模型（HMM）【15,32,33】、支持向量机（SVM）【14】和神经网络【34】。这些系统可以检测异常，并预测一个或多个生命体征的未来行为。隐马尔可夫模型是生命体征数据中识别行为模式的有效工具【35】。它广泛应用于生物医学和普及计算领域，如在不同生理数据中发现异常【31,33,36-38】，模式识别利用心
图4 显示其组件的已开发系统的场景
电图和加速度计传感器数据【39】，学习临床路径模式【40】、姿态识别【28,41】、活动识别【32,42,43】。一般情况下，隐马尔可夫模型主要用于异常检测，尚未应用于多参数分析。
云计算平台在生物医学数据分析中的应用也成为一个热门的研究领域。针对云环境下的心电图【24】等大量健康数据的分析和处理，建立多种模型。在我们最近的一些工作和之前的工作中，描述和发展了使用云进行上下文感知监控和异常检测的新颖性。
以上文献的贡献使得我们利用PCA和HMM方法的优势开发出这个模型，并利用多个生命体征的相关性来估计未来临床状态的概率结果。
- 初步分析
我们建议建立一个集成的基于云的辅助医疗基础设施，这将为远程医疗行业带来巨大优势。本节描述模型的总体场景、术语和用于设计模型的概念。
-
<li
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[444505]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
</li
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
