基于ECG在不平衡数据集上重建钾浓度

终末期慢性肾病（CKD）患者相较非CKD患者面临致死性心脏事件（LCE）风险上升30%。同时，这些接受透析的患者经历钾浓度的偏移。LCE风险升高与浓度变化并存，提示LCE与浓度失衡之间存在关联。为证实此联系，需要一种用于离子浓度的连续监测设备，例如ECG。本工作中，我们欲回答经优化的信号处理链能否改善结果，并量化不平衡训练数据集对最终估计结果的影响。研究基于32名患者透析期间记录的12导联ECG数据集进行。我们选取三个特征以建立从ECG特征到[K+]o的映射：T波上升斜率、T波下降斜率与T波振幅。采用3阶多项式模型从这些特征重建浓度。我们求解了正则化加权最小二乘问题，其权重矩阵依赖于数据集中各浓度的出现频率（高频浓度权重较小）。借此，我们试图生成适用于全浓度范围的模型。加权后，整个数据集的误差上升。对于[K+]o<5 mmol/l的数据划分，误差上升；对于[K+]o$\geq$5 mmol/l，误差下降。然而，除精确重建结果外，我们可得出结论：一个对所有患者而不仅多数患者有效的模型，需用更同质的数据集学习。这可通过剔除数据点或在模型拟合时加权误差实现。随着加权增加，我们在我们所期望的、出现频率较低的[K+]o部分上提升了性能。