通过使用混合元启发算法预测败血症:优化深度神经网络的新方法
Umut Kaya1, Atınç Yılmaz2, Sinan Aşar3
1Faculty of Engineering and Architecture, Department of Software Engineering, İstanbul Beykent University, Istanbul 34398, Turkey.
Diagnostics (Basel, Switzerland)
|June 28, 2023
概括
早期的败血症诊断对于患者的生存至关重要. 一个新的混合元启发算法,人类心理搜索-粒子群集优化 (HMS-PSO),优化了深度神经网络的败血症预测,实现卓越的准确性和可靠性.
科学领域:
- 医疗信息学 医疗信息学
- 人工智能的人工智能
- 计算生物学 计算生物学
背景情况:
- 早期的败血症诊断显著降低了死亡风险.
- 神经网络中的基于梯度的算法用于败血症估计可能会陷入局部最小值.
- 群体智能和进化方法为优化问题提供了有希望的替代方案.
研究的目的:
- 为优化深度神经网络权重提出一种新的混合元启发算法 (HMS-PSO).
- 应用优化的深度神经网络来早期诊断败血症.
- 为了提高败血症预测模型的可靠性,耐用性和可调性.
主要方法:
- 开发了一种混合的元启发算法,将人类心理搜索 (HMS) 和粒子群优化 (PSO) 结合起来,以克服局部最小值.
- 将HMS-PSO算法与深度神经网络 (DNN) 集成,创建了HMS-PSO-DNN模型.
- 使用基准函数对PSO和HMS验证了HMS-PSO算法.
- 将HMS-PSO-DNN模型应用于640名患者 (18-60岁) 的数据集,以预测败血症.
主要成果:
- 与PSO和HMS相比,HMS-PSO算法在基准函数上的性能,可靠性和可调性都优越.
- 与其他算法相比,HMS-PSO-DNN模型在30个独立运行中实现了较低的0.22的平均平方误差 (MSE).
- 该模型在预测败血症方面表现出更高的准确性,稳定性和整体性能.
结论:
- 拟议的HMS-PSO混合算法有效优化深度神经网络,用于败血症预测.
- HMS-PSO-DNN提供了一种可靠和准确的方法,用于早期诊断败血症.
- 这种方法通过避免局部最小值和提高预测性能来改进传统的基于梯度的算法.
