基于心率变异性与床旁数据的婴儿心肺状态预测——采用混沌感知门控机制的课程学习方法

《ACM Transactions on Intelligent Systems and Technology》：Curriculum Learning With Chaos-Aware Gating Mechanism for Infant Cardiorespiratory Status Prediction via Heart Rate Variability and Bedside Data

　　

摘要AI 摘要

要查看此 AI 生成的摘要，您必须拥有高级访问权限。

了解更多信息登录

摘要

摘要

利用床旁监护仪信号预测极早产儿的心肺状态，对于新生儿重症监护病房（NICU）中的及时干预至关重要，有可能改善长期预后。然而，由于新生儿数据的稀缺性以及该人群生理信号固有的高噪声水平，直接将现有的时间序列数据分析方法应用于此任务面临巨大挑战。为解决这些难题，我们提出了一种结合课程学习和混沌感知门控机制的新型混合神经网络，称为 CLCG。针对长的多变量生理序列，我们首先应用滑动窗口策略将数据分割为重叠窗口。对于每个窗口，一个共享的卷积神经网络（CNN）融合多模态信号并提取局部表示。为了增加数据多样性并增强泛化能力，我们引入了一种基于课程学习的数据增强方案，在训练过程中逐步减少窗口数量。这鼓励模型在时间上下文信息逐渐减少的日益具有挑战性的场景中学习判别性表示。为进一步减轻信号噪声的影响并改善时间建模，我们从心率变异性（HRV）参数中提取手工特征——Lyapunov 指数。这些特征被整合到长短期记忆（LSTM）网络中一种新颖的混沌感知门控机制中。该机制根据非线性动力学特性引导门控过程，并抑制与噪声相关的波动。最后，一个多层感知机（MLP）预测未来五小时的呼吸和低血压状态。我们在两个数据集上评估了我们的模型：包括莫纳什儿童医院55名极早产儿的院内队列，以及来自急诊科患者的公开 MC-MED 数据集。我们的方法在两个数据集上均优于其他6种先进的时间序列模型，取得了显著更高的 F1 分数（p<0.05）。消融研究证实了课程学习和混沌感知门控机制的有效性，凸显了我们的框架在高噪声、低数据新生儿护理环境中的临床预测潜力。

AI 摘要

AI 生成摘要（实验性）

此摘要使用自动化工具生成，未经文章作者撰写或审阅。提供此摘要旨在支持发现、帮助读者评估相关性，并协助来自相邻研究领域的读者理解该工作。它旨在补充作者提供的摘要，后者仍为本文的主要摘要。完整文章仍为权威版本记录。点击此处了解更多信息。

点击此处评论此摘要的准确性、清晰度和实用性。这将有助于改进并生成未来版本。

要查看此 AI 生成的通俗语言摘要，您必须拥有高级访问权限。