心率预测的时间序列建模：从 ARIMA 到 Transformer
机器学习
2024-11-13 v3 人工智能
摘要
心血管疾病（CVD）是全球死亡的主要原因， necessitating 精准的预测模型来监测生命体征，如心率、血压和心电图。传统模型，如 ARIMA 和 Prophet，受限于需要手动调参以及在处理噪声、稀疏和高度变异的医疗数据方面的挑战。本研究探讨了包括 LSTM 和基于 Transformer 的架构，用于从 MIT-BIH 数据库中预测心率时间序列。结果表明，深度学习模型，特别是 PatchTST，在多个指标上显著优于传统模型，更有效地捕捉复杂模式和依赖关系。这项研究强调了深度学习在增强患者监护和 CVD 管理方面的潜力，表明具有显著的临床价值。未来工作应将这些发现扩展到更大、更具多样性的数据集和实际临床应用，以进一步验证和优化模型性能。
引用
@article{arxiv.2406.12199,
title = {Time Series Modeling for Heart Rate Prediction: From ARIMA to Transformers},
author = {Haowei Ni and Shuchen Meng and Xieming Geng and Panfeng Li and Zhuoying Li and Xupeng Chen and Xiaotong Wang and Shiyao Zhang},
journal= {arXiv preprint arXiv:2406.12199},
year = {2024}
}
备注
Accepted by 2024 6th International Conference on Electronic Engineering and Informatics