利用双阶段的塔古奇方法和人工神经网络,精确预测心血管疾病风险

科学领域:

• 生物医学工程 生物医学工程
• 医疗保健中的人工智能
• 心血管疾病研究研究

背景情况:

• 心血管疾病 (CVD) 的发病是复杂的,需要早期检测才能有效预防.
• 个人设备提供了治疗点检测 (POCT) 的潜力,以提高心血管疾病风险预测.
• 现有的预测模型通常需要大量的计算资源,限制它们在低功耗设备上的使用.

研究的目的:

• 引入和评估一个两阶段的塔古奇优化 (TSTO) 方法,以提高人工神经网络 (ANN) 模型在心血管疾病风险预测中的准确性.
• 为了最大限度地降低与优化ANN超参数相关的计算成本.
• 评估将优化的ANN模型应用于POCT的个人设备的可行性.

主要方法:

• 开发了一种两阶段的塔古奇优化 (TSTO) 方法,以确定一个ANN模型的最佳超参数级别和设置.
• 使用个人电脑,TSTO方法应用于Kaggle心血管疾病数据集.
• 超参数调整涉及识别隐藏层,激活函数,优化器,学习速率,动量速率和隐藏节点的最佳值.

主要成果:

• 该TSTO方法确定了最佳的ANN超参数:隐藏层=4,激活=tanh,优化器=SGD,学习率=0.25,动量率=0.85,隐藏节点=10.
• 这种配置在预测心血管疾病风险方面实现了74.14%的最先进的准确性.
• 与传统的网格搜索相比,TSTO方法减少了实验要求的40.5倍,大大节省了计算资源.

结论:

• 提议的TSTO方法有效地提高了ANN对心血管风险的预测准确性.
• 该方法显著降低了计算负载,使其适用于资源有限的环境,并适应低功耗个人设备.
• 这种方法支持推进心血管疾病预防的临床检测.