为实现缺血性脑卒中的年卒中风险的预测,提出一种基于BiLSTM(bi-directional long short-term memory)-Attention的预测模型。采用BiLSTM对患者诊断数据进行特征学习以捕获前向和后向序列数据中的信息;增加Attention机制,对隐藏层中指...为实现缺血性脑卒中的年卒中风险的预测,提出一种基于BiLSTM(bi-directional long short-term memory)-Attention的预测模型。采用BiLSTM对患者诊断数据进行特征学习以捕获前向和后向序列数据中的信息;增加Attention机制,对隐藏层中指标信息进行权重分配来提高关键信息的有效利用率;数据集构建充分考虑缺血性脑卒中发生的影响因子,选取Logistic统计学分析方法进行确定,并定义一年为脑卒中研究时间周期,以患者当前及回归预测一年后的参数作为预测模型输入指标。试验结果表明,相比较单一模型,时序特征的提取融合Attention机制的BiLSTM模型的方法,在准确度、灵敏度、特异度等临床判断标准下的预测风险的效果较优,准确率达86%,在缺血性脑卒中疾病早筛查、早预防等领域具有良好的应用价值。展开更多
文摘为实现缺血性脑卒中的年卒中风险的预测,提出一种基于BiLSTM(bi-directional long short-term memory)-Attention的预测模型。采用BiLSTM对患者诊断数据进行特征学习以捕获前向和后向序列数据中的信息;增加Attention机制,对隐藏层中指标信息进行权重分配来提高关键信息的有效利用率;数据集构建充分考虑缺血性脑卒中发生的影响因子,选取Logistic统计学分析方法进行确定,并定义一年为脑卒中研究时间周期,以患者当前及回归预测一年后的参数作为预测模型输入指标。试验结果表明,相比较单一模型,时序特征的提取融合Attention机制的BiLSTM模型的方法,在准确度、灵敏度、特异度等临床判断标准下的预测风险的效果较优,准确率达86%,在缺血性脑卒中疾病早筛查、早预防等领域具有良好的应用价值。
