差分整合移动平均自回归模型与深度学习模型在吸脂操作数据预测分析中的应用比较

摘要

目的比较差分整合移动平均自回归模型（ARIMA）和深度学习模型在吸脂操作数据预测分析方面的应用价值。方法选取2019年1至9月中国医学科学院整形外科医院符合入选标准的行吸脂手术患者, 使用基于光学追踪系统和力传感技术的吸脂操作记录系统, 采集高年资整形外科医生吸脂手术初始250～400 s的操作数据, 包括运动学和力学数据。经预处理后将采集数据分成一个吸脂往复循环为一组的数据。分别使用ARIMA模型和深度学习模型处理分析采集到的数据, 建立吸脂操作预测模型。用Matlab 2017软件产生随机数随机抽取30对共计60组吸脂循环数据, 计算每对数据的动态时间规整（DTW）值作为检验标准, 然后分别计算基于ARIMA模型与深度学习模型的各30组预测数据与实际数据之间的DTW值, 与检验标准对比, 对2种模型的预测结果进行验证。应用Matlab 2017软件进行统计分析, 2组比较用独立样本t检验, P＆0.05为差异有统计学意义。结果共入组18例患者, 均为女性, 年龄23～49岁, 平均36.6岁。吸脂部位分别为腹部、大腿、腰部。共获得16 800组吸脂循环数据。模型检验标准DTW值为0.048±0.028。ARIMA模型预测数据与实际数据之间的DTW值为0.660±0.577, 与检验标准比较差异有统计学意义（P＆0.05）。深度学习模型得出的DTW值为0.052±0.030, 与检验标准比较差异无统计学意义（P＆0.05）。结论相比ARIMA模型, 深度学习模型可以更准确地预测吸脂操作数据, 能更好地适应不同情况的数据, 并且具有更好的实时性。