发现直觉模糊转换在多层感知器中对心脏病预测的影响:一项研究

科学领域:

• 心血管疾病的研究研究.
• 机器学习在医疗保健中的应用
• 模糊的集合理论应用.

背景情况:

• 心血管疾病 (CVD) 是全球主要的死亡原因.
• 临床数据的不准确性可能会阻碍准确的心脏病检测.
• 传统的模糊集合论只解决一种类型的不确定性,限制了它的有效性.

研究的目的:

• 开发一种先进的深度学习模型,用于早期预测心脏病.
• 探索直观模糊集合 (IFS) 理论在特征工程中用于心血管疾病检测的有效性.
• 引入一种结合IFS和深度学习的新型特征转换方法.

主要方法:

• 使用直觉模糊参数 (苏格诺型模糊补充) 和玛模糊参数的特征转换.
• 将转换特征应用于多层感知器 (MLP) 深度学习算法.
• 与非模糊和玛模糊转换方法进行比较评估.

主要成果:

• 与非模糊和玛模糊方法相比,直观的模糊转换方法显示出更高的性能.
• 提出的方法显著提高了心脏病预测的准确性.
• 模型参数保持不变,突出显示特征转换的有效性.

结论:

• 直觉模糊集合论提供了一种更强大的方法来处理心脏病预测医疗数据中的不确定性.
• IFS与深度学习,特别是MLP的整合,为早期CVD诊断提供了一个强大的工具.
• 这种新的特征转换技术提高了医疗保健中的预测模型的可靠性和准确性.