麻琛彬，张政波，王 晶

1.解放军总医院 医学创新研究部 医学人工智能研究中心，北京100853

2.北京航空航天大学 生物与医学工程学院，北京100191

3.北京交通大学 计算机与信息技术学院，北京100044

临床事件风险是指临床医疗系统中发生的不良结局，如心脏骤停、癫痫发作或意外死亡等恶性结局，有研究表明，59.4%的院内心脏骤停之前会出现心电、血压、体温等异常[1]，25%的急诊患者会出现至少一种生命体征异常的情况[2]，具有两个以上异常的患者紧急入院的概率会提高4.4倍[3]。因此，监测生命体征的变化有助于提前检测或预测临床事件风险[4]。生理信号通常涵盖机体的生物电活动、温度、压力等物理信息，如肌电图（Electromyogram，EΜG）、心电图（Electrocardiogram，ECG）、脑电图（Electroencephalogram，EEG）、眼电图（Electrooculogram，EOG）和体位体动等信号，这种由连续采样点组成的生理信号能够表征机体复杂系统的内在特性，其通常是高维、非平稳、非线性、多模态和异构的表现形式，特殊的信号特征变化模式能够作为反映人体健康状态的基本指标。通过长期监测患者连续动态的生理信号，从中挖掘关键信息，能够有效预测或检测临床事件风险，改善临床结局。生理信号异常检测的基本思想是通过特定算法对未来序列走势做出预测，根据序列发展趋势进行延伸、推理，判断更新的数据是否符合记录序列的发展规律，检测序列中的离群值，以此来进行异常分类。因此，异常检测融合了序列预测和/或聚类的方法，是序列分类的特殊应用。因为系统的异常状态不易出现，所以数据分布大多是偏态的，大大加重了模型预测的难度。……