VMD-LSTM: 医疗时序数据降噪与预测优化课件分析（2025年6月教学版）

1. 引言

1.1 教学背景与介绍

现代医疗体系正经历着由经验驱动向数据驱动的深刻变革。电子健康记录系统、重症监护信息系统等在医院中的广泛应用，产生了海量的、高维度的、持续更新的医疗时序数据。这些数据，如心率、血压、血氧饱和度、呼吸频率等生命体征，以及实验室检查结果，动态记录了患者生理状态的细微变化，是临床医生进行病情判断、制定治疗方案和评估预后最直接的依据。特别是对于重症监护室的患者而言，其生理状态瞬息万变，对这些时序数据进行实时、精准的分析和预测，对于提前发现病情恶化迹象（如脓毒症、急性呼吸窘迫综合征等）、赢得宝贵的抢救时间、降低病死率具有不可估量的临床价值。

然而，医疗时序数据的有效利用面临诸多挑战。
首先，数据噪声问题突出。监护设备本身存在的电磁干扰、传感器接触不良、患者活动等因素，都会在采集的信号中引入大量随机噪声和脉冲噪声，严重掩盖了真实的生理信号特征。
其次，非平稳性强。患者的生理状态是一个复杂的动态系统，受内外多种因素影响，其统计特性（如均值、方差）随时间变化，使得基于平稳性假设的传统时间序列分析方法（如ARIMA）难以适用。
最后，数据质量问题普遍。由于护理操作的间断性、设备故障或数据传输错误，EHR数据中频繁出现缺失值和异常值，这要求预测模型必须具备良好的鲁棒性。

深度学习，特别是循环神经网络及其变体长短期记忆网络（LSTM），因其能够捕捉时间序列中的长期依赖关系，在医疗时序预测领域取得了巨大成功。然而，单一的LSTM模型在面对高噪声、强非平稳性的原始数据时，其性能往往会受到限制。噪声会干扰模型学习到真实的潜在模式，而非平稳性则增加了模型优化的难度，导致预测精度下降、泛化能力变差。

1.2 国内外研究现状

为了提升模型在复杂数据环境下的表现，研究者们提出了“信号分解+智能预测”的混合建模思路。经验模态分解及其改进算法（如集合经验模态分解EEMD）是最早被广泛应用的分解方法。例如，EMD-LSTM模型被应用于心电图信号预测、负荷预测等领域，通过将复杂信号分解为相对平稳的固有模态函数，然后对每个IMF进行预测，最后叠加结果，取得了比单一模型更好的效果。

然而，EMD类方法存在固有的“模态混叠”效应，即一个IMF中可能包含差异极大的特征尺度，或相似尺度的特征出现在不同的IMF中，这会影响后续预测模型的学习效率。此外，EMD缺乏坚实的数学基础，分解过程依赖于递归筛选，对噪声敏感，结果易受经验参数影响。

为克服EMD的不足，Dragomiretskiy等人在2014年提出了变分模态分解。VMD是一种完全非递归的、基于变分问题的信号处理方法。它通过将信号分解过程构建为一个约束变分问题，并利用交替方向乘子法（ADMM）高效求解，能够自适应地确定每个模态的中心频率和带宽，从而有效避免了模态混叠问题，具有更强的数学理论基础和噪声鲁棒性。目前，VMD已在机械故障诊断、图像处理等领域展现出卓越的性能，但在医疗时序数据分析领域的应用尚处于探索阶段。

1.3 本次研究内容与教学范围

鉴于VMD在信号处理上的优势和LSTM在时序建模上的强大能力，本文创新性地将二者结合，提出了一种VMD-LSTM混合模型，专门用于解决医疗时序数据的降噪与预测优化问题。本文的主要研究内容和贡献如下：

1. 构建了VMD-LSTM混合预测框架： 设计并实现了一个包含“数据预处理、VMD分解、IMF筛选、并行LSTM预测、能量加权集成”五个核心环节的完整流程。该框架充分发挥了VMD在降噪和分解非平稳信号方面的优势，以及LSTM在捕捉时序依赖关系方面的长处。
2. 提出了基于相关性的IMF筛选策略： 针对VMD分解后可能存在的与预测目标无关的噪声分量或虚假分量，本文引入了皮尔逊相关系数进行筛选，只保留与原始目标信号高度相关的IMF分量，进一步提升了模型的效率和精度。
3. 引入了能量加权的集成机制： 在重构最终预测结果时，摒弃了简单的线性叠加，提出了一种基于各IMF分量能量（即方差贡献度）的自适应加权方法，使得能量占比更高的主要生理信号分量在最终决策中拥有更大的话语权，使集成结果更贴近原始信号的构成。
4. 开展了详尽的实验验证与分析： 以大型公开的MIMIC-III数据库为支撑，以临床极具挑战性的脓毒症早期预警任务为应用场景，将VMD-LSTM与单一LSTM、EMD-LSTM等多种基线模型进行了全面的对比分析。从降噪效果、预测精度、鲁棒性等多个维度验证了所提模型的优越性，并探讨了其在临床应用中的潜在价值。

本文的组织结构如下：第二章详细介绍VMD-LSTM模型的设计流程与关键技术细节；第三章阐述实验设计、数据集和评价指标；第四章对实验结果进行深入分析与讨论；第五章总结全文并展望未来研究方向。

---

2. VMD-LSTM模型设计流程

本章将详细阐述VMD-LSTM混合模型的设计思想与具体实现步骤。整个流程遵循“先分解降噪，后分而治之，再集成决策”的逻辑，旨在系统性地应对医疗时序数据的复杂性。模型的整体架构如图2-1所示。

2.1 数据预处理模块

高质量的预处理是模型成功的基石。针对医疗时序数据的特点，我们设计了三步预处理策略：缺失值处理、标准化和滑动窗口构建。

2.1.1 缺失值处理

EHR数据中的缺失值不可避免。简单的删除策略会损失大量信息，而直接填充可能引入偏差。我们采用一种分层填充策略：

# 代码示例
# df = pd.DataFrame(ehr_time_series_data)# 1. 短期缺失（例如，少于3个连续时间点）的插补
# 这适用于因设备瞬间断连或记录遗漏造成的短暂空白
# 前向填充是一种合理的选择，因为生理状态通常具有连续性
df_filled_short = df.fillna(method="ffill", limit=3)# 2. 长期缺失或前向填充后仍存在的缺失值
# 这可能意味着设备停机或特定检查未进行
# 此时，使用该变量的临床参考值（如正常范围的中位数）进行填充，避免引入极端值
clinical_norms = load_clinical_reference_values() # 预定义的各指标正常参考值
df_filled_long = df_filled_short.fillna(value=clinical_norms)

该策略的合理性在于：短期生理指标的波动性较小，用前一刻的数值进行推断是符合临床直觉的；而对于长期缺失，由于无法有效推断，使用统计上的正常值进行填充，是一种保守且稳健的“中性”处理方式，能最大程度减少对模型后续学习的误导。

2.1.2 数据标准化

不同生命体征的量纲和数值范围差异巨大（如心率的单位是次/分，范围通常在40-200；而血氧饱和度是百分比，范围在0-100）。为了避免某些数值较大的特征在模型训练中占据主导地位，我们需要对所有特征进行归一化处理。我们选择最小-最大标准化，将所有数据缩放到[0, 1]区间。

from sklearn.preprocessing import MinMaxScalerscaler = MinMaxScaler(feature_range=(0, 1))
# 假设 df_processed 是预处理后的DataFrame
scaled_data = scaler.fit_transform(df_processed)

这种方法不仅能消除量纲影响，还符合神经网络输入层激活函数（如Sigmoid, Tanh）对输入数据范围的要求，有助于加速模型收敛。

2.1.3 滑动窗口构建

时序预测任务的本质是根据过去一段时间的序列来预测未来的某个值。我们将这个问题转化为监督学习问题，具体做法是使用滑动窗口技术。假设我们要预测未来t+1时刻的目标变量值，我们使用过去n个时刻的所有变量作为输入特征。

from tensorflow.keras.preprocessing.sequence import TimeseriesGenerator# target_index 是我们想预测的目标变量在scaled_data中的列索引
target_index = 0 # 例如，心率是第一个特征# length = 60 表示使用过去60个时间点（例如，60分钟）的数据作为输入
# batch_size = 32 表示每次训练迭代中使用的样本数量
generator = TimeseriesGenerator(data=scaled_data,targets=scaled_data[:, target_index],length=60,batch_size=32)

通过这个生成器，原始的时序数据被转换成了一系列的(X, y)样本对。每个X是一个形状为(60, num_features)的矩阵，代表一个时间窗口的快照；y则是对应的下一个时间点的目标值。窗口长度n是一个关键的超参数，它决定了模型能够“回看”的历史信息量，需要根据数据的特性和预测任务进行调优。

2.2 VMD信号分解模块

VMD是本模型的核心创新之一，其作用是将混杂了各种频率成分和噪声的复杂时序信号，分解为一系列有限带宽的、近似平稳的子信号，即本征模态函数。

2.2.1 VMD算法原理

VMD的核心思想是将原始信号f(t)的分解问题，转化为求解一个变分问题。其目标是找到K个模态函数{u_k}，使得每个模态的带宽之和最小，同时所有模态之和等于原始信号。具体而言，每个模态u_k(t)被建模为一个具有中心频率ω_k的调幅-调频信号：
u_k(t) = A_k(t) * cos(φ_k(t))
其中，A_k(t)是瞬时幅值，φ_k(t)是瞬时相位。VMD通过对每个模态的解析信号进行Hilbert变换，并混合一个指数项来估计其带宽。最终的约束变分模型如下：

min ⁡ { u k } , { ω k } { ∑ k ∥ ∂ t [ ( δ ( t ) + j π t ) ∗ u k ( t ) ] e − j ω k t ∥ 2 2 } \min_{\{u_k\},\{\omega_k\}} \left\{ \sum_{k} \left\| \partial_t \left[ \left( \delta(t) + \frac{j}{\pi t} \right) * u_k(t) \right] e^{-j\omega_k t} \right\|_2^2 \right\} { uk​},{ ωk​}min​{ k∑​ ​∂t​[(δ(t)+πtj​)∗uk​(t)