论文部分内容阅读
目的
比较差分整合移动平均自回归模型(ARIMA)和深度学习模型在吸脂操作数据预测分析方面的应用价值。
方法选取2019年1至9月中国医学科学院整形外科医院符合入选标准的行吸脂手术患者，使用基于光学追踪系统和力传感技术的吸脂操作记录系统，采集高年资整形外科医生吸脂手术初始250~400 s的操作数据，包括运动学和力学数据。经预处理后将采集数据分成一个吸脂往复循环为一组的数据。分别使用ARIMA模型和深度学习模型处理分析采集到的数据，建立吸脂操作预测模型。用Matlab 2017软件产生随机数随机抽取30对共计60组吸脂循环数据，计算每对数据的动态时间规整(DTW)值作为检验标准，然后分别计算基于ARIMA模型与深度学习模型的各30组预测数据与实际数据之间的DTW值，与检验标准对比，对2种模型的预测结果进行验证。应用Matlab 2017软件进行统计分析，2组比较用独立样本t检验，P<0.05为差异有统计学意义。
结果共入组18例患者，均为女性，年龄23~49岁，平均36.6岁。吸脂部位分别为腹部、大腿、腰部。共获得16 800组吸脂循环数据。模型检验标准DTW值为0.048±0.028。ARIMA模型预测数据与实际数据之间的DTW值为0.660±0.577，与检验标准比较差异有统计学意义(P<0.05)。深度学习模型得出的DTW值为0.052±0.030，与检验标准比较差异无统计学意义(P>0.05)。
结论相比ARIMA模型，深度学习模型可以更准确地预测吸脂操作数据，能更好地适应不同情况的数据，并且具有更好的实时性。