Time Series Modeling for Heart Rate Prediction: From ARIMA to Transformers

心血管疾病是全球死亡的主要原因之一，需要精确的预测模型来监测心率、血压和心电图等重要指标。传统模型如ARIMA和Prophet受到手动参数调整的限制，难以处理嘈杂、稀疏和高度变化的医疗数据。本研究探讨了先进的深度学习模型，包括LSTM和基于transformer的架构，用于预测来自MIT-BIH数据库的心率时间序列。结果表明，深度学习模型，特别是PatchTST，在多个指标上显著优于传统模型，更有效地捕捉复杂的模式和依赖关系。这项研究强调了深度学习提高患者监测和心血管疾病管理的潜力，表明存在实质性的临床益处。未来的工作应将这些发现扩展到更大、更多样化的数据集和真实世界的临床应用，以进一步验证和优化模型的性能。

本论文旨在通过使用深度学习模型，特别是LSTM和基于Transformer的架构，提高对心率时间序列的预测准确性，以增强患者监测和心血管疾病管理的临床效果。

本论文使用深度学习模型PatchTST，相比传统模型如ARIMA和Prophet，能够更有效地捕获复杂的模式和依赖关系，从而提高心率时间序列的预测准确性。

本论文使用MIT-BIH数据库进行实验，结果表明深度学习模型在多个指标上显著优于传统模型。本论文的亮点包括使用先进的深度学习模型、能够更好地处理嘈杂、稀疏和高度变化的医学数据、提高心率时间序列的预测准确性等。未来的工作可以将这些发现扩展到更大、更多样化的数据集和实际的临床应用中，以进一步验证和优化模型性能。

最近的相关研究包括使用深度学习模型进行心率时间序列预测的研究，如《Deep Learning for ECG Time Series Classification: A Review》和《Deep Learning for Cardiovascular Risk Prediction: A Systematic Review》。