近年来,无袖带连续血压估测模型得到了广泛的研究,但由于认知(模型)不确定性和任意(数据)不确定性的存在,血压估测模型在满足临床性能要求方面仍然具有挑战性。然而,之前的研究很少考虑这个问题。量化无袖带血压估测模型的不确定性,有助于提升模型的预测准确性,并为医疗决策提供更可靠的信息,进一步辅助高血压等心血管疾病的预防和治疗。
本研究旨在探究无袖带血压估测模型的不确定性量化问题。首先从单一模型角度进行不确定性建模,选取基于分位数损失的梯度增强回归树模型和基于证据学习理论的深度证据回归方法,分别进行血压估测,并量化估计过程中存在的不确定性。深度证据回归方法能够获取不确定性的解析表达,并且血压预测性能优于梯度增强回归树方法,对收缩压和舒张压的估计误差分别为5.56 mm Hg和3.18 mm Hg。
其次,本研究从多模型集成学习的角度探究无袖带血压估测的模型不确定性量化问题。首先选取8个参数化血压估测模型来构建模型集合,分别使用贝叶斯模型平均方法和证据集成学习方法对参数化模型进行集成,获取血压集成预测值。证据集成学习方法能够在获取血压集成预测值的同时获取模型不确定性的解析表达,其估计精度高于贝叶斯模型平均方法,对收缩压和舒张压的估计误差分别为3.74 mm Hg和2.22 mm Hg。
此外,为生成具有可靠性保证的不确定性估计,本研究使用共形预测方法为模型预测生成统计严格的不确定性区间,可为血压预测提供更多可靠的信息。实验结果证明,不确定性区间能够覆盖90%以上的参考血压值,能够避免模型预测失败带来的重大风险,以进一步辅助医疗决策。
本研究探索了无袖带血压估测领域中不确定性量化的新兴问题,将为无袖带连续血压估计带来新的思路和启发。
暂无评论