【摘要】：研究人员开发了一个RBM来预测麻醉的镇定作用。对27名麻醉患者收集包括镇定的响应变量在内的连续数据。训练集由5000个随机选择的阶段组成，其中1000个用于抽样。按照benchmark性能，研究人员首先对RBM的均方差与前馈神经网络和使用不同特征的模块化神经网络进行比较。表明前馈神经网络、MN-1、MN-2、MN-3和RBM的平均均方差。这是使用RBM的一个积极的信号，虽然不是决定性的，但均方差似乎和MN-3有所区别。
研究人员开发了一个RBM来预测麻醉的镇定作用。两种不同类型的特征被提取出来。
第一组特征是与患者的自主神经系统相关的属性，管理着内脏器官的功能，包括心率、血压和外围毛细管氧饱和度（动脉血氧饱和度）。
第二组特征的测量指标与患者的麻醉诱导状态有关，包括局部麻醉浓度、呼气二氧化碳浓度、小部分吸气二氧化碳和最小肺泡浓度。
对27名麻醉患者收集包括镇定的响应变量在内的连续数据。训练集由5000个随机选择的阶段组成，其中1000个用于抽样。用留一法交叉验证均方误差。
按照benchmark性能，研究人员首先对RBM的均方差与前馈神经网络（ANN）和使用不同特征（MN-1、MN-2、MN-3）的模块化神经网络进行比较。图7.3给出了对比结果。表明前馈神经网络、MN-1、MN-2、MN-3和RBM的平均均方差。均方差分别为0.0665、0.0590、0.0551、0.0515和0.0504。RBM的错误最小。这是使用RBM的一个积极的信号，虽然不是决定性的，但均方差似乎和MN-3有所区别。(www.xing528.com)
应用该方法到生物系统能够减少对病人的监测成本，并提高医疗质量，其结果令数据科学界震惊。
图7.3 不同建模方法的均方差对比
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
