为了了解病人的身体状况,医生会对病人的各项生理指标进行监测,这些监测记录形成了医疗时间序列。我们可以根据这些记录对病人的住院死亡与否、所患疾病以及住院时间长短等进行预测任务。医疗时间序列的缺失率比一般时间序列高很多,原因是医生只会选择与病人身体状况相关的变量进行监测,而且不同的变量有不同的监测频率。在医疗时间序列分类问题的研究方面,相关学术论文总量不多,但近年来依然有两个出色且具有影响力的模型。它们分别是GRU-D和channel-wise LSTM。因为它们优越的性能和简洁的设计原理所以它们已经在很多问题上得到应用。但是他们的缺点也不可忽视。GRU-D没有考虑变量的缺失率,而且它在训练过程中把真实值和填充值混合相加,让模型不能直接感应真实值的变化以及不能同时接收每个变量和它的缺失标记。channel-wise LSTM针对每个变量都采用了一个独立的LSTM模型进行处理,模型的计算量巨大。在GRU-D和channel-wise LSTM的启发下,本文提出了一个能独立感受变量的GRU(variable sensitive GRU,VS-GRU)。它有三个创新点:第一,因为变量的缺失率与它对患者的重要性息息相关,VS-GRU不仅考虑了变量的缺失标记还分别考虑了每个变量的缺失率,使模型能够在总体上对变量的缺失情况有所掌握。第二,VS-GRU使用了一个简单的架构让GRU能够同时独立地对变量进行信息挖掘,因此高缺失率的变量不会对低缺失率的变量的信息提取过程造成干扰。不仅如此,模型能够对真实观测值的变化更加敏感,可以同时感受一个变量和它的缺失标记。为了解决更为复杂的多标签分类问题,本文在VS-GRU的基础上提出了它的信息融合增强版本VS-GRU-i,它由两层GRU组成,第一层是VS-GRU负责为每个变量单独提取信息,第二层GRU负责把第一层提取的信息进行融合。第三,VS-GRU和VS-GRU-i都采取了深度监督的框架,对每个时间步的输出都进行监督让训练过程中出现错误的概率降低。本文采用了两个真实的医疗数据集MIMIC-III和Physio Net进行实验,在它们的四个分类任务中VS-GRU在单标签分类中取得最优表现,而VS-GRU-i则在多标签分类中取得最优。