时间序列数据趋势转折点提取算法

时间序列数据蕴含趋势信息,可以根据数据的趋势信息提取趋势转折点,达到压缩数据、减少噪声影响的目的。通过分析时间序列数据的趋势信息,提出自适应数据趋势转折点提取算法。该算法不依赖任何先验知识,根据数据本身的趋势特征自动提取趋势转折点,提取信息包括坐标索引和对应数据。UCR时间序列分类数据集与SEEP、CAP和PAA等算法进行对比的实验结果表明,在多种数据情况下,该算法拟合误差和分类错误率更小,平均拟合误差为0.373 6,分类错误率同原始数据的分类错误率相比减少3.39%。

基于多模态的急性肾衰竭预测模型

急性肾衰竭是一种发病率较高的临床疾病,尽早识别潜在患者有助于医生对其进行医疗干预,降低发病率和死亡率.近年来,依靠电子健康病历去预测患者潜在的健康风险逐渐受到关注.大多数模型通过聚合数据或者填充缺失值的方式处理人体生理指标数据中存在的稀疏性和不规则性问题,忽视了缺失信息隐含的患者健康状态.此外,现有的急性肾衰竭预测模型并没有考虑各种模态的数据特点和模态之间的相关性.为了解决以上问题,提出了基于多模态的急性肾衰竭预测模型.该模型考虑了人体生理指标数据、疾病数据和人口统计学数据.设计了新的基于掩码和时间差的LSTM(long short term memory)网络去学习各个生理指标的时间间隔和缺失信息,捕获指标的数值变化和检测频率变化,引入了多头自注意力机制促进各模态表征的相互学习.在真实的数据集上进行了急性肾衰竭预测问题和死亡风险预测问题的实验,证明了所提出模型的有效性和合理性.