基于心率信号和遗传优化 LSTM 算法的早期预测脓氮综合征
机器学习
2026-01-01 v1
摘要
脓氮综合征（sepsis）是指免疫对感染产生失调反应，导致显著的死亡率、疾病负担和医疗成本。及时预测脓氮综合征的进程对于通过早期干预减少不良结果至关重要。尽管已开发出众多用于静脉炎患者的预测模型，但在非病房环境中进行早期脓氮综合征检测的研究仍显不足。本研究引入并评估了四个 novel machine learning 算法，用于基于心率数据在可穿戴设备上预测脓氮综合征的发生。通过遗传算法优化这些模型的架构，以在性能、计算复杂度和内存要求方面进行权衡。随后提取每个模型的性能指标，以评估其在具备准确心率监测能力的可穿戴设备上的可行性。这些模型最初针对一个小时的预测窗口进行设计，后通过迁移学习扩展至四小时。本研究的鼓舞人心结果表明，可穿戴技术有望在ICU和病房之外的环境中实现早期脓氮综合征检测。
引用
@article{arxiv.2512.24253,
title = {Early Prediction of Sepsis using Heart Rate Signals and Genetic Optimized LSTM Algorithm},
author = {Alireza Rafiei and Farshid Hajati and Alireza Rezaee and Amirhossien Panahi and Shahadat Uddin},
journal= {arXiv preprint arXiv:2512.24253},
year = {2026}
}