论文阅读( 九 ) _算法

Wang等人研究了心率和血压对预测脊髓损伤患者的直立性心血管失调的影响。他们对207名受试者（48名对照组）在平躺和被动转入坐位时获得的心电图和血压信号进行了层次聚类。具有最佳轮廓系数的聚类结果将受试者分为八组。他们发现心率、收缩压和舒张压可以有效地识别脊髓损伤人群中心血管失调的普遍情况。
Tseng等人研究了心电图、糖尿病、肥胖、高血压和吸烟习惯之间的关系。他们使用PTB数据集中268名受试者的心电图，对时间间隔特征进行了K均值聚类，将患者分为八组。结果显示，几乎所有糖尿病患者都被分到了同一组，这表明糖尿病与心电图之间存在强关联。然而，吸烟、高血压和肥胖患者分布在所有簇中，说明这些状况与心电图的时间间隔特征之间存在较弱的相关性。
等人研究了心电图与身体活动能力之间的关系。他们从67名男性受试者在静息、骑车和恢复状态下获得心电图。在心电图采集期间，可穿戴式身体成分分析仪记录了腹腔内脂肪的存储量。他们对时间间隔和小波提取的特征应用了层次聚类，并通过分析树状图找到了一个适当分离数据空间的四簇解决方案。接下来，他们应用了K均值（K=4），发现了以下四个组：（1）具有高体力工作能力的个体，（2）年轻体力工作能力较低的个体，（3）年龄较大、体力工作能力较低且腹部脂肪低至中等的个体，以及（4）年龄较大、体力工作能力较低且腹部脂肪较高的个体。

文章插图
等人研究了127名患有来源未明栓塞性卒中的患者的心电图异常、人口统计学、代谢指标和吸烟习惯之间的关联。由心脏病专家鉴定的心脏异常，如房颤和高血压，用于聚类。他们进行了层次聚类，并发现了三个患者亚群：（1）年轻男性，患有卵圆孔未闭和后循环梗死，（2）患有高血压、严重中风、左房心病、糖尿病和多种血管领域病变的患者，以及（3）吸烟患者，患有脂质代谢异常、同侧易损的颈动脉狭窄斑块和前循环领域梗死。
Hyun等人研究了心电图和血压与动脉粥样硬化疾病之间的关联。他们应用了一致性聚类方法对从989名患者获取的动态心电图和血压信号进行聚类。他们发现了16个簇，其中两个簇包含了高风险动脉粥样硬化的显著比例的患者。在这两个簇中，代谢指标，包括糖尿病、体质指数和总胆固醇，显著增高。值得注意的是，年龄与所有簇都普遍相关。
等人对患有夜间低血糖症（睡眠期间血糖水平降低）的受试者获得的心电图进行了卷积自编码器的训练，以预测血糖水平下降。他们使用t分布随机近邻嵌入方法对学习到的潜在表示进行聚类和可视化，结果显示自编码器有效地将记录在低血糖水平期间的心电图与记录在正常血糖水平期间的心电图分开。他们将潜在表示作为卷积神经网络的输入，并在专家提供的标签上训练网络，以将心电图分类为正常和低血糖水平。他们的研究在8名经历夜间低血糖症的受试者中获得了90%的准确率。
在这一研究领域中，层次聚类算法被广泛使用。该算法不需要初始簇的数量，并且提供了结果簇的层次化可视化。这种可视化可以极大地帮助研究人员识别每个亚群体中的潜在机制和生物标志物。自组织映射[54]和t分布随机近邻嵌入[125]是其他众所周知的算法，它们提供了一个二维和三维的地图，用于可视化数据空间中的拓扑结构。由于这两个算法保留了数据的局部和全局结构，它们是这一应用的合适候选算法。
此外，已审阅的研究所使用的聚类算法仅限于K-means和层次聚类。由于这些研究收集的数据集显著大于公开可用的数据集（如MIT-BIH），应用基于深度学习的聚类算法可以进一步提高效果。