【数据挖掘】任务2：医学数据库MIMIC-III数据处理

最新推荐文章于 2024-04-25 00:03:39 发布
最新推荐文章于 2024-04-25 00:03:39 发布
阅读量4.1k 收藏 61
点赞数 8
分类专栏： 专业课相关 文章标签： 数据挖掘 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq1198768105/article/details/125570475
版权

要求

本次任务的目的是处理PO2，PCO2两个指标。这两个指标均为病人的血气指标，以一定的时间间隔采集。一个病人一次住院期间可能收集一次或者多次。要求，按照采集时间的前后顺序，汇总每个病人每次住院期间的所有的pO2, pCO2指标值。涉及到的预处理方法包括插值，去噪，缺失值填充，离群点数据处理，可视化等。

数据集说明

patients:包含所有患者数据。

chart_events：包含了所有可供患者使用的图表数据。在他们的ICU停留期间，病人信息的主要存储库是他们的电子图表。电子图表显示病人的日常生命体征和与他们的护理有关的任何额外信息：呼吸机设置、实验室值、代码状态、精神状态等等。因此，关于病人住院的大部分信息都包含在chartevent中。此外，即使在其他地方捕获了实验室值（labevent），它们也经常在chartevent中重复。这是因为在病人的电子图上显示实验室值是可取的，因此这些值是从存储实验室值的数据库复制到存储chartevent的数据库中。当labevent中的值与chartevent中的值不同时，以labevent中的值为准。

label_events：实验检查信息表，主要是患者的实验室检测记录信息

数据集下载方式：https://download.csdn.net/download/qq1198768105/85259010

导库

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns

基本设置

# 设置可视化风格
plt.style.use('tableau-colorblind10')
# 设置字体为SimHei(黑体)
plt.rcParams['font.sans-serif'] = ['SimHei']
# 解决中文字体下坐标轴负数的负号显示问题
plt.rcParams['axes.unicode_minus'] = False

数据提取

提取LABEVENTS表格中PO2和PCO2数据

# 根据采集时间来读取数据
df = pd.read_csv('mini_label_events.csv', index_col='CHARTTIME')

# 筛选出po2和pco2数据
po2 = df.query('ITEMID==490 | ITEMID==3785 | ITEMID==3837 | ITEMID==50821')
pco2 = df.query('ITEMID==3784 | ITEMID==3835 | ITEMID==50818')

# 创建DateFrame来存储数据
a1 = pd.DataFrame()
a1["PO2"] = po2["VALUENUM"]
a1["PCO2"] = pco2["VALUENUM"]
a1["SUBJECT_ID"] = po2["SUBJECT_ID"]
a1["HADM_ID1"] = po2["HADM_ID"]
a1['采集时间'] = a1.index

# 重置索引
a1.reset_index()
# 根据采集时间从早到晚进行排序
a1.sort_values("CHARTTIME", inplace=True)
# 插入序号并设为索引
a1.insert(0, '序号', range(1, 1 + len(a1)))
a1.set_index('序号', inplace=True)
a1
PO2PCO2SUBJECT_IDHADM_ID1采集时间
序号
1186.032.060207164814.02101-07-19 14:56:00
2173.033.060207164814.02101-07-19 22:07:00
3194.029.060207164814.02101-07-20 05:29:00
4239.037.01205152970.02101-12-20 09:03:00
5129.040.01205152970.02101-12-20 11:33:00
..................
466988.028.024851111571.02199-01-25 09:41:00
467035.041.024851111571.02199-01-30 05:08:00
467165.036.023765193447.02200-05-08 19:52:00
467289.032.023765193447.02200-05-09 02:24:00
467338.044.070646NaN2201-01-25 12:23:00

4673 rows × 5 columns

提取CHARTEVENTS表格中PO2和PCO2数据

df2 = pd.read_csv('mini_chart_events.csv',
                  low_memory=False, index_col="CHARTTIME")

# 筛选出po2和pco2数据
po2 = df2.query('ITEMID==490 | ITEMID==3785 | ITEMID==3837 | ITEMID==50821')
pco2 = df2.query('ITEMID==3784 | ITEMID==3835 | ITEMID==50818')
# 这里存在重复时间索引，删除前面一个，保留最后一个
po2 = po2.reset_index().drop_duplicates(
    subset='CHARTTIME', keep='last').set_index('CHARTTIME')
pco2 = pco2.reset_index().drop_duplicates(
    subset='CHARTTIME', keep='last').set_index('CHARTTIME')

# 创建DateFrame来存储数据
a2 = pd.DataFrame()
a2["PO2"] = po2["VALUENUM"]
a2["PCO2"] = pco2["VALUENUM"]
a2["SUBJECT_ID"] = po2["SUBJECT_ID"]
a2["HADM_ID1"] = po2["HADM_ID"]
a2['采集时间'] = a2.index

# 重置索引
a2.reset_index()
# 根据采集时间从早到晚进行排序
a2.sort_values("CHARTTIME", inplace=True)
# 插入序号并设为索引
a2.insert(0, '序号', range(1, 1 + len(a2)))
a2.set_index('序号', inplace=True)
a2
PO2PCO2SUBJECT_IDHADM_ID1采集时间
序号
1NaNNaN130811207372102-01-11 06:00:00
2257.200012NaN324761198622109-05-30 18:59:00
354.00000047.0307121673922111-02-22 19:23:00
468.00000047.0307121673922111-02-22 23:32:00
542.00000042.0307121673922111-02-23 06:23:00
..................
13249.00000039.095571783662195-08-07 12:00:00
133NaNNaN95571783662195-08-10 12:00:00
134228.199997NaN121831807442197-06-03 03:00:00
13565.00000036.0237651934472200-05-08 19:52:00
136NaNNaN237651934472200-05-16 02:00:00

136 rows × 5 columns

最小采集时间的间隔

# 根据病人ID和不同住院时间的ID进行分组
group = a1.groupby(["SUBJECT_ID", "HADM_ID1"])

# 提取采集时间大于1的组别(只有2个时间以上才能求间隔)
tem_list = []
for key, item in group['采集时间']:
    if item.count() > 1:
        tem_list.append(item)

# 提取各组的所有采集时间间隔
interval_list = []
for i in range(len(tem_list)):
    tem_list[i].sort_values(ascending=False, inplace=True)  # 对采集时间进行从大到小的排序
    for j in range(tem_list[i].count() - 1):
        interval = pd.to_datetime(
            tem_list[i].iloc[j]) - pd.to_datetime(tem_list[i].iloc[j+1])
        interval_list.append(interval)

# 选取最小的时间间隔
min(interval_list)

输出：

Timedelta('0 days 00:01:00')

可以发现，最小的采集时间间隔为1分钟，下面就利用该时间来进行插值。

插值

pandas 插值核心函数为interpolate()

可选的插值方式有：

nearest：最邻近插值法

zero：阶梯插值

slinear、linear：线性插值

quadratic、cubic：2、3阶B样条曲线插值

对LABEVENTS表格中PO2和PCO2数据进行插值

ipl = pd.DataFrame()  # 用来存储插值后的结果

for key, item in group:
    item.set_index('采集时间', inplace=True)
    item.index = pd.to_datetime(item.index)
    # 设置重采样时间间隔为1min，该时间由上面选取得到
    ev_ipl = item.resample('1min').interpolate()  # 这里使用默认的线性插值
    ipl = pd.concat([ipl, ev_ipl], axis=0)

# 重置索引
ipl.reset_index(inplace=True)
# 插入序号并设为索引
ipl.insert(0, '序号', range(1, 1 + len(ipl)))
ipl.set_index('序号', inplace=True)
# 更换顺序
order = ['PO2', 'PCO2', 'SUBJECT_ID', 'HADM_ID1', '采集时间']
ipl = ipl[order]
ipl
PO2PCO2SUBJECT_IDHADM_ID1采集时间
序号
163.00000048.000000127.0141647.02183-08-21 10:26:00
2347.00000057.000000273.0158689.02141-04-19 05:26:00
3346.57360456.994924273.0158689.02141-04-19 05:27:00
4346.14720856.989848273.0158689.02141-04-19 05:28:00
5345.72081256.984772273.0158689.02141-04-19 05:29:00
..................
236551056.03081037.99763099863.0100749.02142-04-24 17:46:00
236551156.02310837.99822299863.0100749.02142-04-24 17:47:00
236551256.01540537.99881599863.0100749.02142-04-24 17:48:00
236551356.00770337.99940799863.0100749.02142-04-24 17:49:00
236551456.00000038.00000099863.0100749.02142-04-24 17:50:00

2365514 rows × 5 columns

对CHARTEVENTS表格中PO2和PCO2数据进行插值

ipl2 = pd.DataFrame()  # 用来存储插值后的结果

# 根据病人ID和不同住院时间的ID进行分组
group2 = a2.groupby(["SUBJECT_ID", "HADM_ID1"])
for key, item in group2:
    item.set_index('采集时间', inplace=True)
    item.index = pd.to_datetime(item.index)
    # 设置重采样时间间隔为1min，该时间由上面选取得到
    ev_ipl = item.resample('1min').interpolate()  # 这里使用默认的线性插值
    ipl2 = pd.concat([ipl2, ev_ipl], axis=0)

# 重置索引
ipl2.reset_index(inplace=True)
# 插入序号并设为索引
ipl2.insert(0, '序号', range(1, 1 + len(ipl2)))
ipl2.set_index('序号', inplace=True)
# 更换顺序
order = ['PO2', 'PCO2', 'SUBJECT_ID', 'HADM_ID1', '采集时间']
ipl2 = ipl2[order]
ipl2
PO2PCO2SUBJECT_IDHADM_ID1采集时间
序号
1257.200012NaN907.0149649.02155-08-21 19:00:00
2308.500000NaN946.0183564.02120-05-05 05:00:00
3308.491890NaN946.0183564.02120-05-05 05:01:00
4308.483781NaN946.0183564.02120-05-05 05:02:00
5308.475671NaN946.0183564.02120-05-05 05:03:00
..................
32511561.02290135.98473330712.0167392.02111-02-24 06:10:00
32511661.01526735.98982230712.0167392.02111-02-24 06:11:00
32511761.00763435.99491130712.0167392.02111-02-24 06:12:00
32511861.00000036.00000030712.0167392.02111-02-24 06:13:00
325119257.200012NaN32476.0119862.02109-05-30 18:59:00

325119 rows × 5 columns

缺失点处理

对LABEVENTS表格中PO2和PCO2数据缺失点进行处理

# 检测PO2缺失值
ipl.loc[ipl["PO2"].isnull(), :]
PO2PCO2SUBJECT_IDHADM_ID1采集时间
序号
# 检测PCO2缺失值
ipl.loc[ipl["PCO2"].isnull(), :]
PO2PCO2SUBJECT_IDHADM_ID1采集时间
序号

LABEVENTS表格中PO2和PCO2数据均无缺失点，不进行处理。

对LABEVENTS表格中PO2和PCO2数据缺失点进行处理

PO2PCO2SUBJECT_IDHADM_ID1采集时间
序号
22158NaNNaN7285.0150783.02175-04-21 08:00:00
29662NaNNaN13081.0120737.02102-01-11 06:00:00
86560NaNNaN18305.0120110.02187-02-06 10:00:00
# 检测PCO2缺失值
ipl2.loc[ipl2["PCO2"].isnull(), :]
PO2PCO2SUBJECT_IDHADM_ID1采集时间
序号
1257.200012NaN907.0149649.02155-08-21 19:00:00
2308.500000NaN946.0183564.02120-05-05 05:00:00
3308.491890NaN946.0183564.02120-05-05 05:01:00
4308.483781NaN946.0183564.02120-05-05 05:02:00
5308.475671NaN946.0183564.02120-05-05 05:03:00
..................
86557249.199997NaN16378.0179705.02134-03-15 19:00:00
86560NaNNaN18305.0120110.02187-02-06 10:00:00
270864310.500000NaN20913.0102847.02137-12-18 22:45:00
296323249.199997NaN29769.0179221.02178-02-28 19:00:00
325119257.200012NaN32476.0119862.02109-05-30 18:59:00

7813 rows × 5 columns

这里总共检测出7813条数据具有缺失值，将这些数据进行删除处理

ipl2.dropna(axis='index', how='any', inplace=True)  # any表示只要有一个缺失值则整行删除

处理后的数据如下表所示

ipl2
PO2PCO2SUBJECT_IDHADM_ID1采集时间
序号
756250.00000058.0000004033.0196289.02159-06-15 01:00:00
756350.00000058.0000004033.0196289.02159-06-15 01:01:00
756450.00000058.0000004033.0196289.02159-06-15 01:02:00
756550.00000058.0000004033.0196289.02159-06-15 01:03:00
756650.00000058.0000004033.0196289.02159-06-15 01:04:00
..................
32511461.03053435.97964430712.0167392.02111-02-24 06:09:00
32511561.02290135.98473330712.0167392.02111-02-24 06:10:00
32511661.01526735.98982230712.0167392.02111-02-24 06:11:00
32511761.00763435.99491130712.0167392.02111-02-24 06:12:00
32511861.00000036.00000030712.0167392.02111-02-24 06:13:00

317306 rows × 5 columns

去噪

在原始数据中添加了高斯白噪声，需要进行去噪。我选择删除偏离均值三倍标准差数据的方式进行去噪。

def drop_noisy(df):
    df_copy = df.copy()
    df_describe = df_copy.describe()
    for column in df.columns:
        mean = df_describe.loc['mean', column]
        std = df_describe.loc['std', column]
        minvalue = mean - 3*std
        maxvalue = mean + 3*std
        df_copy = df_copy[df_copy[column] >= minvalue]
        df_copy = df_copy[df_copy[column] <= maxvalue]
    return df_copy

对LABEVENTS表格中PO2和PCO2数据进行去噪

# 这里只对PO2和PCO2列进行去噪
dno1 = drop_noisy(ipl.iloc[:, :2])
dno1
PO2PCO2
序号
163.00000048.000000
2347.00000057.000000
3346.57360456.994924
4346.14720856.989848
5345.72081256.984772
.........
236551056.03081037.997630
236551156.02310837.998222
236551256.01540537.998815
236551356.00770337.999407
236551456.00000038.000000

2266786 rows × 2 columns

对PO2和PCO2去噪结果进行可视化展示

# PO2去噪前后可视化
plo1 = pd.DataFrame()
plo1['PO2去噪前'] = ipl['PO2']
plo1['PO2去噪后'] = dno1['PO2']
plo1.plot.hist(alpha=0.9)

在这里插入图片描述

# PCO2去噪前后可视化
plo2 = pd.DataFrame()
plo2['PCO2去噪前'] = ipl['PCO2']
plo2['PCO2去噪后'] = dno1['PCO2']
plo2.plot.hist(alpha=0.9)

在这里插入图片描述

对CHARTEVENTS表格中PO2和PCO2数据进行去噪

dno2 = drop_noisy(ipl2.iloc[:, :2])
dno2
PO2PCO2
序号
756250.00000058.000000
756350.00000058.000000
756450.00000058.000000
756550.00000058.000000
756650.00000058.000000
.........
32511461.03053435.979644
32511561.02290135.984733
32511661.01526735.989822
32511761.00763435.994911
32511861.00000036.000000

312190 rows × 2 columns

对PO2和PCO2去噪结果进行可视化展示

# PO2去噪前后可视化
plo3 = pd.DataFrame()
plo3['PO2去噪前'] = ipl2['PO2']
plo3['PO2去噪后'] = dno2['PO2']
plo3.plot.hist(alpha=0.9)

在这里插入图片描述

# PCO2去噪前后可视化
plo4 = pd.DataFrame()
plo4['PCO2去噪前'] = ipl2['PCO2']
plo4['PCO2去噪后'] = dno2['PCO2']
plo4.plot.hist(alpha=0.9)

在这里插入图片描述

离群点处理

通过绘制箱形图，将上边缘和下边缘之外的数据视作离群点，将其进行去除

对LABEVENTS表格中PO2和PCO2数据离群点进行处理

c = pd.DataFrame()
c['PO2'] = plo1['PO2去噪后']
c['PCO2'] = plo2['PCO2去噪后']

c.boxplot(showmeans=True, sym='b+')

在这里插入图片描述

对PO2数据进行处理，将箱体图上下边缘的数据进行去除

a = pd.DataFrame()
b = pd.DataFrame()
a['PO2'] = plo1['PO2去噪后']
b['PO2离群点处理前'] = a['PO2']
# 将箱体图上下边缘的数据进行去除
first_quartile = a['PO2'].describe()['25%']
third_quartile = a['PO2'].describe()['75%']
iqr = third_quartile - first_quartile
b['PO2离群点处理后'] = a[(a['PO2'] > (first_quartile - 1.5 * iqr)) &
                   (a['PO2'] < (third_quartile + 1.5 * iqr))]

b.plot.hist(alpha=0.9)

在这里插入图片描述

对PCO2数据进行处理

a = pd.DataFrame()
b = pd.DataFrame()
a['PCO2'] = plo2['PCO2去噪后']
b['PCO2离群点处理前'] = a['PCO2']
# 将箱体图上下边缘的数据进行去除
first_quartile = a['PCO2'].describe()['25%']
third_quartile = a['PCO2'].describe()['75%']
iqr = third_quartile - first_quartile
b['PCO2离群点处理后'] = a[(a['PCO2'] > (first_quartile - 1.5 * iqr)) &
                    (a['PCO2'] < (third_quartile + 1.5 * iqr))]

b.plot.hist(alpha=0.9)

在这里插入图片描述

对CHARTEVENTS表格中PO2和PCO2数据离群点进行处理

c = pd.DataFrame()
c['PO2'] = plo3['PO2去噪后']
c['PCO2'] = plo4['PCO2去噪后']

c.boxplot(showmeans=True, sym='b+')

在这里插入图片描述

对PO2数据进行处理，将箱体图上下边缘的数据进行去除

a = pd.DataFrame()
b = pd.DataFrame()
a['PO2'] = plo3['PO2去噪后']
b['PO2离群点处理前'] = a['PO2']
# 将箱体图上下边缘的数据进行去除
first_quartile = a['PO2'].describe()['25%']
third_quartile = a['PO2'].describe()['75%']
iqr = third_quartile - first_quartile
b['PO2离群点处理后'] = a[(a['PO2'] > (first_quartile - 1.5 * iqr)) &
                   (a['PO2'] < (third_quartile + 1.5 * iqr))]

b.plot.hist(alpha=0.9)

在这里插入图片描述

对PCO2数据进行处理

a = pd.DataFrame()
b = pd.DataFrame()
a['PCO2'] = plo4['PCO2去噪后']
b['PCO2离群点处理前'] = a['PCO2']
# 将箱体图上下边缘的数据进行去除
first_quartile = a['PCO2'].describe()['25%']
third_quartile = a['PCO2'].describe()['75%']
iqr = third_quartile - first_quartile
b['PCO2离群点处理后'] = a[(a['PCO2'] > (first_quartile - 1.5 * iqr)) &
                    (a['PCO2'] < (third_quartile + 1.5 * iqr))]

b.plot.hist(alpha=0.9)

在这里插入图片描述

zstar-_
关注
  • 8
    点赞
  • 踩
  • 61
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 7
    评论
专栏目录
医学数据库MIMIC-III v1.4
05-01
多参数智能监测数据库（ＭＩＭＩＣ－ＩＩＩ）是一个免费开放的、公共资源的重症监护室研究数据库。 内容概要：本资源包含数据集中的三个表格，PATIENTS，CHARTEVENTS和LABEVENTS，表格的说明可参考 https://mimic.physionet.org/mimictables/patients/ https://mimic.physionet.org/mimictables/chartevents/ https://mimic.physionet.org/mimictables/labevents/ 适合人群：机器学习相关研究人员
关于MIMICIII波形数据库读取波形文件后缀名出现读取不完整的问题
weixin_45578793的博客
05-17 404
在下载mimiciii波形数据库的时候，发现有一些信号譬如肺动脉压收缩压（PAP SYS）在头文件中的数据格式如图所示： 当采用官方给出的下载和读取工具包wfdb2mat.m和rdmat.m读取信息的时候，会出现SYS被漏掉的情况，从而导致后续PAP DIAS等在读到送singnaldescrpition 中都显示为PAP 经过一步一步调试发现问题出现在rdmat.m中 问题主要是SYS跑到info{1，1}中了 最直接了当的办法是在官方文档中给出判断，若info{1,1},则把info{1,1}中
Python连接MIMIC-IV数据库并图表可视化
weixin_36172141的博客
11-22 313
本文主要是将MIMICIII版本官方代码内的教程升级成mimic-iv版本 ， 不同之处在于两点数据读取方式： MIMICIII教程使用的直接读取csv文档的方式， 我们这里连接数据数据和代码更新：因mimic-iv数据表更新了很多，所以可视化代码也需要更新。
SQL-SHELL中安装mimic-iii数据库报错无法获取文件CHARTEVENTS.csv
Nicklu001的博客
07-13 2542
今天安装了mimic-III数据库，说一下过程中遇到的一些问题： 首先，mimic数据库的数据是需要申请的，这里默认已经下载了。 1、首先安装navicat，是一个很棒的数据库管理和操作工具，但是需要破解激活一下，参考的如下文章: https://www.52pojie.cn/forum.php?mod=viewthread&tid=1142909 2、安装postgresql，这里参照的是MIMIC-III中官网的链接中的步骤(把mimic的安装链接和postgresql的链接都放到这里)
血压预测常用数据集整理
MasterQKK
02-20 1万+
因工作原因，笔者需要搜集**血压相关数据**做研究，刚开始的时候对这个领域比较陌生，费了很大功夫才找到可用的数据集，经过一年半的工作，也积累了一些数据集，就用这篇博客来来总结一下，以便有需要时用到，同时也作为之前工作一个回顾笔者搜集了大量血压(BP)预测相关的研究论文 (参见博客：[链接]())，除了极少部分paper是基于**个体的行为数据**做血压BP预测外，其余绝大部分都是基于**个体的生物医学信号/生理信号**做BP预测。常用的信号有：PPG信号，ECG信号，auscultatory 听诊信号，Os
MIMIC数据提取教程1，提取患者实验室指标
2301_79250988的博客
08-09 470
MIMIC数据库提取患者实验室指标
mimic-iii数据库说明-01数据库介绍
wjgyy808的博客
06-11 4670
mimic-iii数据库说明-中文版
MIMIC III数据集详细介绍
热门推荐
bboy枫亭的博客
10-29 1万+
文章目录1. 概述2. 字典信息辅助表D_CPT（目前使用医疗服务术语表）D_ICD_DIAGNOSES （ICD病情确诊词典表）D_ICD_PROCEDURES （ICD医疗过程词典表）D_ITEMS（ＩＣＵ化验词典表）D_LABITEMS（门诊化验词典表）3. 病人基本信息及转移信息表PATIENTS（病人登记表）ADMISSIONS（住院表）CALLOUT（出院表）ICUSTAYS（ICU记录表）TRANSFERS（病房转移表）SERVICES（服务表）4. 病人医院门诊治疗的相关信息表CPTEVEN
【MIMICIII 数据库安装】踩坑记录+解决方案
Mocode的博客
05-25 3003
在安装MIMIC III数据库过程中踩到的坑与解决方案记录。
MIMIC-III数据库申请完后如何使用（将数据导入postgresSQL，通过pgadmin4查看、管理及导出数据）
cxm0514的博客
11-17 1502
该文章讲解在MIMIC-III数据库申请完后使用方法，包括将数据导入postgresSQL以及通过pgadmin4查看、管理、导出数据。该方法也适用于MIMIC-IV数据库。
MIMIC 重症监护数据库网站（当前版本为 MIMIC-III）
05-07
MIMIC 重症监护数据库的网站和文档 在本地运行网站的说明 安装 Go 和 Hugo。有关说明，请参阅： http: //gohugo.io/overview/installing/ 克隆网站存储库： git clone --recursive https://github.com/MIT-LCP/mimic-website.git 在命令行运行hugo server以构建网站并提供页面； 查看网址：http: //127.0.0.1 :1313 网站部署注意事项 自动构建尚未实现。 网站或 MIMIC 的问题 请在模仿代码库中提出与网站或 MIMIC-III 相关的问题。
Pandas版本1
08-04
Pandas版本1
mimic重症监护数据库建库语句
08-27
mimic重症监护数据库建库语句，包涵mimic-iii和mimic-iv
mimic-tools:MIMIC数据资源
04-28
您已经成功下载了mimic-iii并填充了一个postgres数据库。 有关详细说明，请参见官方网站。 2.使用方法 以下步骤假定您正在空目录中工作。 mkdir ~ /mimicdump cd ~ /mimicdump 2.1-从数据库中提取文本文档 运行...
mimic-code:MIMIC代码存储库
05-11
该存储库由许多结构化查询语言（SQL）脚本组成，这些脚本在许多系统中构建MIMIC-III数据库并从原始数据中提取有用的概念。 还提供Jupyter笔记本，其中详细记录了在MIMIC-III上进行的分析。 该存储库的组织方式如下...
sepsis3-mimic:对MIMIC-III中脓毒症3指南的评估
05-17
MIMIC-III中的败血症3 这是与相关的代码库 该出版物评估了在电子健康记录中识别败血症的五种方法，并发现所有这五种人群的规模和疾病严重程度均以医院内死亡率衡量。 下图最好地总结了结果： 上面，我们可以看到，...
mimic-iv:有关MIMIC-IV数据库的代码和讨论
05-11
模拟iv代码 有关MIMIC-IV数据库的代码和讨论
数据仓库与数据挖掘（实验一2024.4.24）
qq_64684039的博客
04-24 721
数据仓库与数据挖掘（实验一2024.4.24）
【炼金术士】BatchSize对网络训练的影响
最新发布
kabuto_hui的博客
04-25 1038
首先我们设置一个非常小的初始学习率，比如1e-5，然后在每个batch之后都更新网络，同时增加学习率，统计每个batch计算出的loss。最后我们可以描绘出学习的变化曲线和loss的变化曲线，从中就能够发现最好的学习率。针对BatchSize越大，网络训练速度快这条很好理解，在相同的单位时间内，一次训练的数据越多，网络训练的速度也就越快。初始的学习率肯定是有一个最优值的，过大则导致模型不收敛，过小则导致模型收敛特别慢或者无法学习，下图展示了不同大小的学习率下模型收敛情况的可能性。
mimic-iii waveform database下载
06-06
MIMIC-III是一种开放访问的医学数据库，包含了大量的临床数据，其中包括了波形数据。这个数据库包含了数千个患者的生理信号和丰富的诊断和治疗的详细记录，是进行医学研究和开发算法模型的极好资源。 要下载MIMIC-III数据库中的波形数据，需要具备一定的编程能力和计算机背景。需要注册MIMIC-III的网站，并遵守数据使用协议。其次，需要下载Waveform Database软件，这个软件提供了一种快速访问生理数据的途径，同时具有图形化用户界面，提供了波形数据的多种处理方式。还需要注意的是，波形数据是高度敏感的医疗数据，保密性与安全性非常重要，所以使用者应该遵守相关法规并确保数据安全。 最后，波形数据的处理和分析需要相关的医学知识和数据分析技能，这些技能是日积月累应用实践积累的，所以需要有充足的时间和经验才能使用MIMIC-III数据库进行有效的研究。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 7
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

zstar-_

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值