支援向量回归建立血压预测模型改善血压量测的不准.pdf

The 31st Workshop on Combinatorial Mathematics and Computation Theory 支援向量迴歸建立血壓預測模型改善血壓量測的不準確性 An Kao, Jui-Chung Hung*, and Chih-Peng Huang Department of Computer Science University of Taipei Taipei 100, Taiwan juichung@ 摘要 CBP更準確 且有可靠性，在家中以平穩的狀態進行 血壓量測，不會有太多的干擾 ，而在醫院或診所， 本篇論文主是改善血壓量測時因外部干擾所 有可能發生白袍症(White Coat Hypertension)狀況。 產生的不準確數據，一般量測者測量血壓時常有的 根據一個長期研究指出[5] ，有12.5%的人會有白袍 干擾包括:外部環境雜訊、儀器本身及白袍症 (White 症，而在這群人中的10.8%會有家裡所測出的高血 Coat Hypertension) 等，白袍症是量測者面對醫護人 壓數據，所以 在家中所測量的數據會比較準確。血 員因為緊張感而導致血壓異常升高的現象。量測者 壓測量時的干擾因子包含了受測者的身心狀況緊( 會因為看到不準確的數據而恐慌 ，甚至造成醫護人 張、亢奮 等) 、量測中的身體動作 (手部移動、講話 員誤判病情。本篇利用支援向量迴歸 (Support 等) 、白袍症、血壓機的偵測錯誤和外部環境等都 Vector Regression, SVR ) 會造成不正確的數據 ，因此必須適當地預測出血壓 在非線性資料上能夠估測 出其趨勢的特性，預測血壓趨勢的合理性，忽略異 數據的趨勢，來判斷該次測量的數據是否正確且合 於趨勢的干擾因子(Interference) ，進而減少錯誤數 理。 據。在模擬環境中，以實際血壓數據加入干擾因子， 支援向量機 (Support Vector Machine, SVM是) 使用 SVR估測，從實驗成果顯示， SVR並不會因為 由 學者Vapnik 在 1995年與ATT Bell 實驗室團 某些偏差值而影響趨勢。我們的實驗結果顯示運用 隊提出的方法[6] ，是一種統計學習理論(Statistic SVR在降低干擾因子上有很好的 效果。 Learning Theory) 為基礎的學習演算法 ，採取結構 風險最小化原則 (Structural Risk Minimization, 關鍵詞 支援向量迴歸、干擾因子、白袍症: SRM) 。正確且合理的數據趨勢需用到SVM的 延伸： 支援向量回歸 (Support Vector Regression, SVR) ，此 方法是由學者 Vapnik 、Colwich 與Smola 在 1997 1 緒論 年提出[7] ，SVR加入了不敏感損失函數 、懲罰因 子 、鬆弛變數