买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：天津大学;天津市胸科医院

摘要：本发明公开了一种非体外循环冠状动脉旁路移植术术后房颤并发症预测方法，包括以下步骤：对基线数据进行格式转换和离散性数据预处理，然后通过相关性分析和机器学习算法筛选特征指标，得到具有特征重要性的指标，对术中监测时间序列数据进行格式转换和预处理，利用LSTM算法模型进行特征融合，输出特征向量，利用特征向量和特征重要性的指标组成的整合数据集训练基于机器学习AdaBoost算法的房颤并发症风险预测模型，将实时采集的患者数据作为输入，对患者术后发生房颤并发症进行预测。本发明的房颤并发症风险预测模型稳定性好，监测精度高。

主权项：1.非体外循环冠状动脉旁路移植术术后房颤并发症预测方法，其特征在于，包括以下步骤：步骤S1，通过数据模块采集非体外循环冠状动脉旁路移植术患者数据，所述患者数据包括基线数据和术中监测时间序列数据；步骤S2，通过数据模块读取步骤S1获得的基线数据并转换成csv格式；步骤S3，通过数据模块对步骤S2获得的基线数据进行离散性数据预处理：先进行数据清洗，然后统一数据格式为单分类或多分类的数值型数据；步骤S4，通过数据模块对步骤S3获得的数值型数据进行相关性分析，筛选特征指标，保留在统计学上具有显著性的特征指标；步骤S5，通过数据模块利用机器学习算法，对步骤S4得到的基线数据集建立决策树模型，通过决策树模型的特征重要性对特征指标进行进一步的筛选，得到具有特征重要性的指标；步骤S6，通过数据模块读取步骤S1中所述的术中监测时间序列数据并进行数据格式转换，转换为csv格式；步骤S7，通过数据模块对步骤S6得到的术中监测时间序列数据进行预处理工作：根据时间标注整合各个仪器采集到的数据集，然后对时间段内有缺失值的数据进行删除；步骤S8，通过深度学习模块建立LSTM算法模型，利用步骤S7得到的术中监测时间序列数据训练所述的LSTM算法模型；步骤S9，所述LSTM算法模型对术中监测时间序列数据中的特征指标进行特征融合，输出能够代表术中时间序列数据的特征向量；步骤S10，通过机器学习模块整合步骤S5筛选出的具有特征重要性的指标和步骤S9得到的特征向量，得到整合数据集，并且对整合数据集进行特征重要性分析；步骤S11，通过机器学习模块使用机器学习AdaBoost算法建立房颤并发症风险预测模型，利用步骤S10得到的整合数据集对房颤并发症风险预测模型进行训练；步骤S12，通过模型构建模块保存步骤S11得到的房颤并发症风险预测模型，固定房颤并发症风险预测模型的参数和结构；步骤S13，将实时采集的患者数据作为输入，利用步骤S12的房颤并发症风险预测模型对非体外循环冠状动脉旁路移植术患者术后发生房颤并发症进行预测。

全文数据：

权利要求：

百度查询： 天津大学 天津市胸科医院 非体外循环冠状动脉旁路移植术术后房颤并发症预测方法