典型文献
基于随机森林模型的动态动脉血管硬化指数估计方法
文献摘要：
针对目前检测动脉硬化程度需要昂贵的设备以及专业操作人员的现状,本研究提出了基于机器学习的动态动脉硬化指数(ambulatory arterial stiffness index,AASI)估计方法.从UCI Machine Learning公共数据库获取患者的光电容积脉搏波信号、心电信号以及动脉血压信号,将其预处理后求得作为机器学习模型的特征值.使用随机森林模型进行AASI的估计,并将最优的回归模型送入遗传算法(genetic algorithm,GA)筛选最优特征子集,完成AASI的估计.实验结果表明,经过GA的特征子集优化,随机森林模型的MAE从0.0974减少至0.0855.对所得结果进行统计学分析后,发现本研究方法针对高血压患者时表现不佳,后续将进一步优化模型,以提高性能.
文献关键词：
生物医学信号;特征提取;择优算法;RR间期;局部加权回归
中图分类号：
作者姓名：
张海康;程云章;张天逸
作者机构：
上海理工大学 上海介入医疗器械工程技术研究中心,上海200093
文献出处：
引用格式：
[1]张海康;程云章;张天逸-.基于随机森林模型的动态动脉血管硬化指数估计方法)[J].生物医学工程研究,2022(01):55-61
A类：
生物医学信号
B类：
随机森林模型,血管硬化,估计方法,动脉硬化程度,昂贵,操作人员,基于机器学习,动态动脉硬化指数,ambulatory,arterial,stiffness,AASI,UCI,Machine,Learning,公共数据库,光电容积脉搏波,心电信号,动脉血压,机器学习模型,送入,genetic,algorithm,GA,优特,特征子集,集优化,MAE,统计学分析,高血压患者,择优算法,RR,间期,局部加权回归
AB值：
0.435994
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
