(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111207748.5 (22)申请日 2021.10.18 (71)申请人 河北工业大 学 地址 300130 天津市红桥区丁字沽光 荣道8 号河北工业大 学东院330# (72)发明人 陈紫祎　张磊　 (74)专利代理 机构 天津翰林知识产权代理事务 所(普通合伙) 12210 代理人 蔡运红 (51)Int.Cl. G16H 50/30(2018.01) G16H 50/20(2018.01) G16H 50/70(2018.01) G06N 20/00(2019.01) (54)发明名称 基于机器学习融合的全麻有创 收缩压预测 方法与系统 (57)摘要 本发明为一种基于机器学习融合的全麻有 创收缩压预测方法与系统， 方法包括步骤S1、 采 集患者的身体特征数据和生命体征数据， 对各个 数据进行预处理， 将预处理后的数据划分为训练 集、 测试集和验证集； 分别对训练集、 测试集和验 证集进行切片 采样， 得到n个训练子集、 测试子集 和验证子集； 步骤S2、 基于机器学习 融合构建预 测模型， 利用预测模型对全 麻有创收缩压进行预 测； 预测模型包含n个初级学习器和一个次级学 习器， 所有初级学习器的输出值作为次级学习器 的输入。 系统包括数据库模块、 数据采集模块、 预 测模块和交互模块； 预测模块内存储有预测程 序。 本发明克服了单一算法预测精度低的缺陷， 并对次级学习器的输入进行优化， 进一步提高预 测精度。 权利要求书2页 说明书6页 附图3页 CN 113936801 A 2022.01.14 CN 113936801 A 1.一种基于 机器学习融合的全麻有创收缩压预测方法， 其特 征在于， 包括以下步骤： 步骤S1、 采集患者的身体特征数据和生命体征数据， 对各个数据进行预处理， 将预处理 后的数据划分为训练集、 测试集和验证集； 分别对训练集、 测试集和验证集进行切片采样， 得到n个训练子集、 测试子集和验证子集； 步骤S2、 基于机器学习融合构建预测模型， 利用预测模型对全麻有创收缩压进行预测； 预测模型包含n个初级学习器和一个次级学习器， 所有初级学习器的输出值作为次级学习 器的输入。 2.根据权利要求1所述的基于机器学习融合的全麻有创收缩压预测方法， 其特征在于， 步骤S2包括： S2‑1、 构建初级学习器： 利用训练集对多种机器学习模型进行训练， 并根据测试集对训 练后的模 型进行优化， 得到优化后的模 型； 利用验证集根据优化后的模型进行预测， 选择预 测精度高的n种机器学习模型分别构建初级学习器， 得到n个初级学习器； 分别利用步骤S1得到的n个训练子集对n个初级学习器进行训练， 通过n个测试子集对 各自对应的初级学习器进行参数优化， 得到优化后的初级学习器； 利用n个验证子集根据n 个优化后的初级学习器进行 预测； S2‑2、 构建次级学习器： 将所有初级学习器的预测值作 为次级学习器的输入， 对次级学 习器进行训练， 得到训练后的次级学习器。 3.根据权利要求2所述的基于机器学习融合的全麻有创收缩压预测方法， 其特征在于， 步骤S2‑2还包括对次级学习器的输入进行优化； 具体为： 根据初级学习器的预测误差对每 个初级学习器赋予权 重， 在权重的赋值过程中预测误差越大， 权 重越低； 令次级学习器的输入矩阵为 h1(x)、 h2(x)、…、 hn(x)分别为各个初级学习器 的预测值， ω1、 ω2、…、 ωn分别为各个初级学习器预测值的权 重， 其中ω1+ω2+…+ωn＝1； 利用变异系数法对权 重进行调整， 各个初级学习器的变异系数满足式(2)： 式(2)中， Vi为第i个初级学习器的变异系数， σi为第i个初级学习器预测 值与真实值的 标准差， hi'(x)为第i个初级学习器对应的真实值； 第i个初级学习器预测值的权 重满足式(3)。 4.根据权利要求1所述的基于机器学习融合的全麻有创收缩压预测方法， 其特征在于， 预处理包括缺失值填充、 属 性识别、 标准化处理和降维处理； 切片采样的具体过程为： 利用 梯度提升决策树对降维后的样本数据集进行训练， 得到各个特征 的概率， 即特征重要性列 表；权　利　要　求　书 1/2 页 2 CN 113936801 A 2将降维后的样本数据集划分为训练集、 测试集和验证集， 分别对训练集、 测试集和验证 集进行n次拷贝， n为正整 数； 根据样 本采样比例分别对拷贝后的训练集、 测试集和验证集进 行n次切片采样， 再根据特征采样比例对特征重要性列 表进行特征选择， 得到n个训练子集、 测试子集和验证子集。 5.根据权利要求1所述的基于机器学习融合的全麻有创收缩压预测方法， 其特征在于， 所述初级学习器为三个， 分别采用支持向量回归模型、 多项式回归模型和线性回归模型构 建； 次级学习器采用岭回归 模型构建。 6.一种基于机器学习融合的全麻有创收缩压预测系统， 其特征在于， 该系统包括数据 库模块、 数据采集模块、 预测模块和交互模块； 预测模块内存储有预测程序， 预测程序根据 权利要求1 ‑5任一所述的方法对 全麻有创收缩压进行 预测。权　利　要　求　书 2/2 页 3 CN 113936801 A 3