文献类型：期刊文章

作　　者：梁敏[1] 陆迁[1] 李宁宁[1] 林栋[2] 莫毓昌[1]

机构地区：[1]华侨大学数学科学学院计算科学福建省高校重点实验室,福建 泉州 [2]福建中医药大学针灸学院,福建 福州

出　　处：《计算机科学与应用》

基　　金：国家自然科学基金项目(61572442);福建省高校创新团队发展计划,福建省研究生导师团队,泉州市高层次人才团队项目(2017ZT012);华侨大学研究生科研创新基金资助项目.

年　　份：2020

卷　　号：10

期　　号：1

起止页码：1-10

语　　种：中文

收录情况：IC、RCCSE、外刊、普通刊

摘　　要：电子健康档案包含大量的纵向数据,对于生物医学信息学研究很有价值。然而,由于数据的复杂结构,包括随时间不均匀分布的临床事件,对标准学习算法提出了挑战。时态数据建模的一些方法依赖于从时间序列中提取单一值,导致有潜在价值时序信息的丢失。因此,如何更好地解释临床数据的时效性,仍然是一个重要的研究问题。本文研究了电子健康档案中时态数据新的表示方法,这些表示保留了时序信息,并且可以由标准机器学习算法直接处理。基于时间序列数据符号化表示的研究方法有多种不同的方式。使用电子健康档案真实数据库中临床测量的数据集的实证研究结果表明,相比使用原始序列或聚类序列,对随机子序列使用距离度量显著提高了预测性能。本文提出的表示方法更好地解释了临床事件的时效性,对于生物医学领域的预测任务十分关键。

关 键 词：电子健康档案 随机子序列  聚类序列  机器学习  

分 类 号：TP3[计算机类]