机构名称：
¥ 1.0
摘要 —心血管疾病 (CVD) 是全球死亡的主要原因，需要精确的预测模型来监测心率、血压和心电图等生命体征。传统模型（如 ARIMA 和 Prophet）受到手动参数调整需求以及处理嘈杂、稀疏和高度可变的医疗数据的挑战的限制。本研究调查了先进的深度学习模型，包括 LSTM 和基于变压器的架构，用于预测来自 MIT-BIH 数据库的心率时间序列。结果表明，深度学习模型（尤其是 PatchTST）在多个指标上的表现明显优于传统模型，可以更有效地捕获复杂的模式和依赖关系。这项研究强调了深度学习在增强患者监测和 CVD 管理方面的潜力，表明其具有巨大的临床益处。未来的工作应该将这些发现扩展到更大、更多样化的数据集和现实世界的临床应用，以进一步验证和优化模型性能。索引词 —时间序列；ARIMA；LSTM；TimesNet；PatchTST；iTransformer
心率预测的时间序列建模
主要关键词
相关文件推荐
