多目标人工蜂群优化混合深信网络和XGBoost算法用于心脏病预测
Kanak Kalita1, Narayanan Ganesh2, Sambandam Jayalakshmi3
1Department of Mechanical Engineering, Vel Tech Rangarajan Dr. Sagunthala R & D Institute of Science and Technology, Chennai, India.
Frontiers in digital health
|November 30, 2023
概括
一个新的混合深信网络和XGBoost (HDBN-XG) 算法显著改善了冠心病预测. 这种先进的方法分析关键的生理数据,达到99%的准确性,以帮助早期风险评估.
科学领域:
- 心血管医学 心血管医学
- 医疗保健中的人工智能
- 生物医学数据分析
背景情况:
- 冠心病 (CHD) 是全球领先的健康问题,要求增强预测能力.
- 准确的风险分层对于及时干预和患者管理至关重要.
- 现有的预测模型需要优化以提高诊断精度.
研究的目的:
- 引入和评估一种新的算法,即多目标人工蜂群优化混合深信网络和XGBoost (HDBN-XG),用于优越的CHD预测.
- 利用关键的生理数据,包括心电图 (ECG) 和血液体积测量,进行风险评估.
- 提高心血管疾病检测预测分析的准确性和可靠性.
主要方法:
- 数据预处理涉及质量评估和z-score规范化.
- 功能提取是使用计算粗集方法进行的.
- 特性子集的构建使用了多目标人工蜂群优化方法.
- 一个混合深信网络和XGBoost模型 (HDBN-XG) 被开发和实施.
主要成果:
- HDBN-XG算法表现出了卓越的预测性能.
- 达到99%的准确性,95%的精度,98%的特异性,97%的灵敏性,96%的F1测量.
- 在预测冠心病方面表现优于传统的分类方法.
结论:
- HDBN-XG算法为CHD风险预测提供了一个高度准确和强大的方法.
- 这种数据驱动的方法为医疗保健专业人员和研究人员提供了宝贵的见解.
- 这项研究在预测分析方面取得了重大进展,有助于减轻心脏病的全球负担.
