GDTN:一种用于生命体征预测的图神经网络

针对医疗领域中生命体征预测的准确性低、计算量大、性能不佳等问题,提出了一种用于生命体征预测的可变形注意力机制的图神经网络模型。该网络保留了传感器的所有时间采样值,利用全连接层进行编码;使用可变形注意力机制作为消息传递和更新机制,提高了生命体征预测的速度;在解码器方面,采用多头注意力机制,从多尺度、多维度观察和提取信息;将输入的特征复制多份并设置为单独的图节点,提高了可变形注意力的适应性和模型的特征提取能力;采用残差网络作为解码器,替代全连接层。输出层使用GeLU激活函数替代了传统的ReLU激活函数,解决了激活函数在负半轴信息缺失的问题,有效地提高了预测的精准度。测试结果表明,模型在P19、P12和PAM 3类数据集上的性能均优于其他模型,各项指标均高于最佳基线性能2.325%,能够有效预测人体的生命体征。