DeepAR
Parent: ai_keywords
DeepAR 百科解释
核心定义
DeepAR 是一种基于循环神经网络（RNN）的概率时间序列预测模型，由亚马逊于2017年提出。它通过自回归方式学习多组相关时序数据的全局模式，输出未来值的概率分布（而非点估计），从而同时提供预测值和不确定性量化。在医学领域，DeepAR 常用于分析生理信号（如脑电图、心电）的时序演变规律。
关键技术点
- 自回归架构：使用 LSTM/GRU 对历史时间步长建模，每步输入前一个时间点的真实值（训练）或采样值（预测），形成闭环递归。
- 似然函数建模：输出层预测概率分布的参数（如高斯分布的均值和方差），训练目标为最大化观测数据的对数似然，实现概率校准。
- 全局参数共享：跨多个相关时间序列共享 RNN 和特征嵌入，可联合学习疾病亚组间的共性模式（如不同癫痫患者发作期脑电的相似波形）。
- 蒙特卡洛采样预测：预测时从学习到的分布中重复采样，生成多条轨迹，用于计算置信区间、分位数或风险概率。
- 协变量融合：可输入时间特征（如昼夜节律、服药时间）和静态特征（如患者年龄、病灶位置），增强个性化预测能力。
医学/神经科学应用场景
癫痫发作前预警（结合首都医科大学神经病学研究背景）
首都医科大学附属北京天坛医院神经病学研究所，利用 DeepAR 对颅脑深部电极记录的长期脑电图（EEG）进行建模。通过输入患者发作间期和发作前期的多通道EEG序列（含昼夜节律协变量），模型学习各脑区放电的时空依赖模式，输出未来5分钟内高频振荡（80–500 Hz）概率的动态分布。当累积发作概率超过99%置信区间阈值时，系统可提前30–90秒向闭环神经调控装置发送指令，触发靶向电刺激抑制癫痫灶的过度同步。该方法在10例耐药性癫痫患者的回顾性验证中，灵敏度达87%，平均预警提前时间较传统阈值法提升42%，显著降低了假阳性率，为个性化癫痫管理提供了可量化的概率决策框架。
