臺灣博碩士論文加值系統

急性低血壓是一種臨床狀況，指患者血壓由正常或較高的水平突然明顯下降。其臨床表現可能會導致暈厥或休克。對於加護病房裡的病患而言，急性低血壓的發作可能會導致多重器官衰竭，甚至死亡。然而，在臨床上，急性低血壓的預測有很大程度取決於醫生的經驗，無法保證高成功率；如果能及時發現急性低血壓發作，就可以針對每種特定的情況下選擇更合適的治療方法。因此，自動預測急性低血壓的方法發展對於臨床護理非常有意義；我們希望使用自動可靠的方法去預測急性低血壓來協助專業人員。

我們採用平均動脈壓搭配support vector machine (SVM)來建構預測模型，該方法應用於2009 PhysioNet 和 Computers in Cardiology所辦的比賽以及Multiparameter Intelligent Monitoring for Intensive Care II (MIMIC-II)資料庫中，
我們在2009比賽資料集裡，對測試集1裡的10筆資料，預測準確率為100%，對測試集2裡的40筆資料，準確率為90%、靈敏度為93.75%、特異度為83.3%；在MIMIC-II數據集裡，對測試集200筆資料，預測準確率為74%、靈敏度為79%、特異度為69%。

Acute hypotensive episodes (AHE) are clinical events. The patient's blood pressure suddenly dropped significantly from normal or higher levels. The clinical manifestations can cause fainting, or shock. For patients in the intensive care unit, AHE may result in multiple organ failure and even death. However, the prediction of clinical AHE largely depends on the doctors experience, which cannot guarantee the highest rate of success. If AHE are detected in time, it is possible to choose the treatment methods which intervention are most appropriate for each specific condition. It is thus very meaningful for the clinical care to predict the AHE development with an automatic method. We hope to use automated and reliable methods to predict AHE to assist professionals.

We use mean arterial pressure with support vector machine to construct the predictive model. The methodology is applied in the datasets of the PhysioNet and Computers Cardiology Challenge in 2009 and Multiparameter Intelligent Monitoring for Intensive Care II (MIMIC-II). We achieve the accuracy of 100% for 10 data in the testing set1 and the accuracy of 90%, sensitivity of 93.75%, specificity of 83.3% for 40 data in the testing set2 of the 2009 PhysioNet challenge's dataset and the accuracy of 74%, sensitivity of 79%, specificity of 69% for 200 data in the testing set of the MIMIC-II dataset.

目錄
摘要 i
Abstract ii
目錄 iii
圖目錄 vi
表目錄 viii
1 簡介 1
1.1 研究背景 1
1.2 血壓量測原理 1
1.3 急性低血壓定義 2
1.4 2009 PhysioNet 比賽 2
1.5 文獻回顧 4
1.6 動機與目的 8
2 材料與方法 9
2.1 實驗流程設計9
2.2 資料集 10
2.2.1 PhysioNet 資料集 12
2.2.2 MIMIC-II 資料集 13
2.3 資料前處理 14
2.4 特徵提取 14
2.4.1 基準點前5分鐘的平均值 15
2.4.2 基準點前5分鐘的變異度 15
2.4.3 Langley 16
2.4.4 Hayn 16
2.4.5 Wang 17
2.5 SVM 17
2.5.1 LIBSVM 18
3 結果 19
3.1 使用 PhysioNet 資料集去做的預測結果 19
3.1.1 PhysioNet 資料集 (使用二個特徵值) 19
3.1.2 PhysioNet 資料集 (加入文獻方法使用的特徵值) 23
3.1.3 PhysioNet 資料集 (基準點 T0 往前移一個小時) 27
3.1.4 PhysioNet 資料集 (改變訓練集為包含基準點 TK 前的資料) 31
3.1.5 PhysioNet 資料集 (改變測試集為包含基準點 T0 前的資料) 38
3.2 使用 MIMIC-II 資料集去做的預測結果 44
3.2.1 MIMIC-II 資料集 (六個特徵組合的預測結果) 44
3.2.2 MIMIC-II 資料集 (基準點 T0 往前移一個小時) 48
3.2.3 MIMIC-II 資料集 (改變訓練集為包含基準點 TK 前的資料) 52
3.2.4 MIMIC-II 資料集 (改變測試集為包含基準點 T0 前的資料) 58
3.3 PhysioNet 和 MIMIC-II 資料集預測結果比較 64
3.3.1 測試集裡只有基準點 T0 前的資料 64
3.3.2 測試集裡只有基準點 TK 前的資料 68
3.4 使用相同的特徵值去比較不同基準點預測區間的結果 72
3.4.1 PhysioNet 資料集 72
3.4.2 MIMIC-II 資料集 76
4 討論 79
5 結論 80
參考文獻 81

圖目錄
1.1 由平均動脈壓所定義的 AHE 事件 2
1.2 預測窗口示意圖 3
2.1 實驗流程設計 9
2.2 每位病患資料的時間序列分割 11
2.3 不同類別間的差異 11
2.4 在預測窗口裡，有無發生急性低血壓事件，基準點前一個小時的平均動脈壓時間序列比較 15
2.5 Hayn 取特徵的方法，時間序列分割示意圖 16
2.6 三級小波係數的結構關係 17
2.7 SVM 找出最大的 margin 18
3.1 類別定義示意圖 20
3.2 類別定義示意圖 24
3.3 類別定義示意圖 28
3.4 在基準點 T0 後一個小時預測窗口裡，有沒有急性低血壓發生，而影響基準點 TK 前一個小時的資料差異 31
3.5 類別定義示意圖 33
3.6 類別定義示意圖 39
3.7 類別定義示意圖 45
3.8 類別定義示意圖 49
3.9 類別定義示意圖 54
3.10 類別定義示意圖 59

表目錄
1.1 文獻上，各種特徵選擇統整 7
1.2 文獻上，各種分類方法統整 8
2.1 PhysioNet 資料集提取的訓練集和測試集 12
2.2 MIMIC-II 資料庫提取的訓練集和測試集 14
3.1 PhysioNet 資料集提取的訓練集和測試集：1 20
3.2 PhysioNet 資料集提取的訓練集和測試集：1(預測結果) 21
3.3 與其他篇文獻方法的結果比較 22
3.4 六個特徵的順序編號 23
3.5 PhysioNet 資料集提取的訓練集和測試集：2 24
3.6 PhysioNet 資料集提取的訓練集和測試集：2(預測結果) 25
3.7 PhysioNet 資料集提取的訓練集和測試集：3 28
3.8 PhysioNet 資料集提取的訓練集和測試集：3(預測結果) 29
3.9 PhysioNet 資料集提取的訓練集和測試集：4 33
3.10 PhysioNet 資料集提取的訓練集和測試集：4(預測結果) 34
3.11 原本的訓練集和更新後的訓練集差異 36
3.12 原本和更新後訓練集的預測結果比較 36
3.13 PhysioNet 資料集提取的訓練集和測試集：5 39
3.14 PhysioNet 資料集提取的訓練集和測試集：5(預測結果) 40
3.15 原本的訓練集和更新後的訓練集差異 42
3.16 原本和更新後訓練集的預測結果比較 42
3.17 六個特徵的順序編號 44
3.18 MIMIC-II 資料集提取的訓練集和測試集：1 45
3.19 MIMIC-II 資料集提取的訓練集和測試集：1(預測結果) 46
3.20 MIMIC-II 資料集提取的訓練集和測試集：2 49
3.21 MIMIC-II 資料集提取的訓練集和測試集：2(預測結果) 50
3.22 MIMIC-II 資料集提取的訓練集和測試集：3 54
3.23 MIMIC-II 資料集提取的訓練集和測試集：3(預測結果) 55
3.24 原本的訓練集和更新後的訓練集差異 57
3.25 原本和更新後的訓練集預測結果比較 57
3.26 MIMIC-II 資料集提取的訓練集和測試集：4 59
3.27 MIMIC-II 資料集提取的訓練集和測試集：4(預測結果) 60
3.28 原本的訓練集和更新後的訓練集差異 62
3.29 原本和更新後的訓練集預測結果比較 62
3.30 原本的訓練集和更新後的訓練集差異 64
3.31 PhysioNet 資料集提取訓練集和測試集 65
3.32 MIMIC-II 資料集提取訓練集和測試集 65
3.33 PhysioNet 資料集的預測結果 66
3.34 MIMIC-II 資料集的預測結果 66
3.35 原本的訓練集和更新後的訓練集差異 68
3.36 PhysioNet 資料集提取訓練集和測試集 69
3.37 MIMIC-II 資料集提取訓練集和測試集 70
3.38 PhysioNet 資料集的預測結果 71
3.39 MIMIC-II 資料集的預測結果 71
3.40 原本的訓練集和更新後的訓練集差異 73
3.41 PhysioNet 資料集提取訓練集和測試集 74
3.42 PhysioNet 資料集裡，同一筆資料，不同基準點預測區間比較 75
3.43 原本的訓練集和更新後的訓練集差異 76
3.44 MIMIC-II 資料集提取訓練集和測試集 77
3.45 MIMIC-II 資料集裡，同一筆資料，不同基準點預測區間比較 78

1. Arasteh, A., Janghorbani, A. and Moradi, M. H. (2010). Application of empirical mode decomposition in prediction of acute hypotension episodes. In Biomedical Engineering (ICBME),2010 17th Iranian Conference of pp. 1–4, IEEE.

2. Chang, C.-C. and Lin, C.-J. LIBSVM – A Library for Support Vector Machines. https: //www.csie.ntu.edu.tw/~cjlin/libsvm/.

3. Chen, X., Xu, D., Zhang, G. and Mukkamala, R. (2009). Forecasting acute hypotensive episodes in intensive care patients based on a peripheral arterial blood pressure waveform. In Computers in Cardiology, 2009 pp. 545–548, IEEE.

4.Chiarugi, F., Karatzanis, I., Sakkalis, V., Tsamardinos, I., Dermitzaki, T., Foukarakis, M. and Vrouchos, G. (2009). Predicting the occurrence of acute hypotensive episodes: The PhysioNet Challenge. In Computers in Cardiology, 2009 pp. 621–624, IEEE.

5. Hayn, D., Jammerbund, B., Kollmann, A. and Schreier, G. (2009). A biosignal analysis system applied for developing an algorithm predicting critical situations of high risk cardiac patients by hemodynamic monitoring. In Computers in Cardiology, 2009 pp. 629–632, Citeseer.

6. Henriques, J. and Rocha, T. (2009). Prediction of acute hypotensive episodes using neural network multi-models. In Computers in Cardiology, 2009 pp. 549–552, IEEE.

7. Ho, T. and Chen, X. (2009). Utilizing histogram to identify patients using pressors for acute hypotension. In Computers in Cardiology, 2009 pp. 797–800, IEEE.

8. Jiang, D., Hu, B. and Wu, Z. (2017). Prediction of acute hypotensive episodes using EMD, statistical method and multi GP. Soft Computing 21, 5123–5132.

9. Jiang, D., Li, L., Hu, B. and Fan, Z. (2015). An approach for prediction of acute hypotensive episodes via the Hilbert-Huang transform and multiple genetic programming classifier. International Journal of Distributed Sensor Networks 11, 354807.

10. Jiang, D., Peng, C., Chen, Y., Fan, Z. and Garg, A. (2017). Probability distribution pattern analysis and its application in the Acute Hypotensive Episodes prediction. Measurement 104, 180–191.

11. Jin, K. and Stockbridge, N. (2009). Smoothing and discriminating MAP data. In Computers in Cardiology, 2009 pp. 633–636, IEEE.

12. Jousset, F., Lemay, M. and Vesin, J. (2009). Computers in cardiology/physioNet challenge 2009: Predicting acute hypotensive episodes. In Computers in Cardiology, 2009 pp. 637–640, IEEE.

13. Langley, P., King, S., Zheng, D., Bowers, E., Wang, K., Allen, J. and Murray, A. (2009). Predicting acute hypotensive episodes from mean arterial pressure. In Computers in Cardiology, 2009 pp. 553–556, IEEE.

14. Moody, G. and Mark, R. MIMIC-II. http://physionet.org/physiobank/database/mimicdb/.

15. Moody, G. B. and Lehman, L.-w. H. (2009). Predicting acute hypotensive episodes: The 10th annual physioNet/computers in cardiology challenge. Computers in Cardiology 36, 541.

16. Rocha, T., Paredes, S., Carvalho, P., Henriques, J. and Harris, M. (2010). Wavelet based time series forecast with application to acute hypotensive episodes prediction. In Engineering in medicine and biology society (EMBC), 2010 annual international conference of the IEEE pp. 2403–2406, IEEE.

17. Sun, H., Sun, S., Wu, Y., Yan, M. and Zhang, C (2013). A Method for Prediction of Acute Hypotensive Episodes in ICU via PSO and K-means. In Computational Intelligence and Design(ISCID), 2013 Sixth International Symposium on vol. 1, pp. 99–102, IEEE.

18. Wang, Z., Lai, L., Xiong, D. and Wu, X. (2010). Study on predicting method for acute hypotensive episodes based on wavelet transform and support vector machine. In Biomedical Engineering and Informatics (BMEI), 2010 3rd International Conference on vol. 3, pp. 1041–1045, IEEE.

19. Zhou, Y., Zhu, Q. and Huang, H. (2013). Prediction of Acute Hypotensive Episode in ICU Using Chebyshev Neural Network. JSW 8, 1923–1931.