Hypotension-Prediction-Project

환자의 저혈압 발생 여부를 예측하는 프로젝트입니다.

Data

순천향대학교 빅데이터센터에서 제공하는 혈압 관련 데이터입니다. 해당 데이터는 MIT-BIH 데이터로 수면중 측정한 데이터입니다. 따라서 깨어있을때 보다 저혈압의 기준이 낮은 것이 특징입니다.

Pre-Processing

• 관찰기간을 1분 단위로 측정을 합니다.
• 최소값이 50이하일때를 저혈압 발생으로 정의합니다.

Data singularity

클래스 불균형

- 0은 정상혈압, 1은 저혈압을 의미합니다. 클래스 비율을 보면 매우 불균형한 형태로 분포하고 있습니다.

Feature Extraction

Statistical Features

통계 특징을 사용하여 추출한 변수입니다. 사용한 특징들은 다음과 같습니다.

• 평균, 최소, 최대, 표준편차, 왜도, 첨도, rms, rss, 사분위, 첨도, 범위를 사용하였습니다.

Peak Features

피크 특징에 사용되는 findpeaks 함수에서는 피크 기준값을 설정하는 옵션이 있습니다. 랜덤으로 그래프를 그려본 후 기준값을 120이상으로 설정하였습니다. 사용한 특징들은 다음과 같습니다.

• 피크 수, 피크 발생 간격의 평균, 피크 발생 간격의 표준편차, 피크의 (평균, 최대, 최소, 표준편차), 피크 발생 바로 이전값의 (평균, 최대, 최소, 표준편차), 피가 발생 바로 이후값의 (평균, 최대, 최소, 표준편차)

ChangePoint Features

변화 분석을 사용하여 추출한 변수입니다. 사용한 특징들은 다음과 같습니다.

• 평균이 변화한 수, 분산이 변화한 수, 평균과 분산이 변화한 수

Modeling Method

학습 방법

• 통계, 피크, 변화 분석으로 추출한 모든 변수를 사용하여 분석을 진행하였습니다.
• Train, Test를 7:3으로 분리하여 분석을 진행하였습니다.

모델 평가 기준

클래스의 불균형 문제로 인해 모든 값을 정상 혈압으로 예측하는 문제가 있습니다.
이를 고려하여 정상 혈압을 조금이라도 맞춘 모델을 가장 좋은 모델로 선정하였습니다.

사용 모델

• NaiveBayes
• Decision Tree(rpart)
• RandomForest

Result

NaiveBayes

Decision Tree(rpart)

RandomForest

• Decision Tree와 RandomForest는 클래스 불균형 문제로 인해 모든 값을 정상혈압으로 예측하였습니다. 물론, 정확도는 높지만 좋은 모델이라고 할 수 없습니다.
• NaiveBayes는 저혈압 데이터 15개에서 11개를 예측하였습니다. 정상 데이터의 예측값은 조금 떨어졌지만 클래스 불균형과 의료 데이터의 특징을 고려하여 NaiveBayes를 가장 좋은 모델로 선정하였습니다.

Reference

• preprocessing code
• feature_extraction code
• modeling code