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

心血管疾病（CVD）是全球死亡的主要原因，需要精确的预测模型来监测心率、血压和心电图等重要生命体征。传统模型，如ARIMA和Prophet，受到手动参数调整的限制，并且在处理嘈杂、稀疏和高度变化的医疗数据方面存在挑战。本研究调查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，尤其是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增强患者监测和CVD管理的潜力，表明存在重大的临床益处。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的临床应用中，以进一步验证和优化模型性能。

论文旨在探究使用深度学习模型预测心率时间序列的效果，以加强心血管疾病的监测和管理。

使用深度学习模型，特别是PatchTST模型，可以更有效地捕捉复杂的模式和依赖关系，相比传统模型有更好的表现。

论文使用了MIT-BIH数据库进行实验，并展示了深度学习模型在多个指标上显著优于传统模型。研究结果表明，深度学习在患者监测和心血管疾病管理方面具有巨大的临床潜力。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实际临床应用中，以进一步验证和优化模型性能。

在相关研究中，ARIMA和Prophet等传统模型在处理嘈杂、稀疏和高度变化的医疗数据方面存在局限性。与此同时，越来越多的研究关注使用深度学习模型来预测心血管疾病等疾病的发生和发展。