用于糖尿病检测的呼气信号分析:一种优化的深度学习方法
Anita Gade1, V Vijaya Baskar2, John Panneerselvam3
1Department of Electronics Engineering, Sathyabama Institute of Science and Technology, Chennai, India.
Computer methods in biomechanics and biomedical engineering
|December 8, 2023
概括
这项研究引入了一种用于呼吸分析的新型深度学习系统,在糖尿病检测中达到98%以上的准确性. 混合模型显著优于传统方法,在非侵入性诊断工具方面提供了有希望的进步.
科学领域:
- 生物医学工程 生物医学工程
- 人工智能的人工智能
- 计算生物学 计算生物学
背景情况:
- 糖尿病是一种重大的全球健康挑战,需要先进的诊断工具.
- 呼吸分析提供了一种非侵入性方法来检测和监测疾病.
- 目前的诊断方法可能具有侵入性或缺乏实时功能.
研究的目的:
- 开发一种灵活的深度学习系统,使用呼吸分析准确检测糖尿病.
- 提取和利用相关的呼吸信号特征,以提高诊断性能.
- 优化混合深度学习模型,以提高准确性和效率.
主要方法:
- 预处理原始呼吸信号以提高数据质量.
- 提取关键功能,包括改进的IMFCC,BFCC,DWT,峰值检测,QT和PR间隔.
- 使用优化的深度信念网络 (DBN) 和双向门循环单元 (BI-GRU) 模型开发混合分类器,并使用新的Sine Customized by Marine Predators (SCMP) 算法进行微调.
主要成果:
- 拟议的混合深度学习模型在糖尿病检测中实现了超过98%的准确性.
- 该模型在CNN+LSTM,CNN,LSTM,RNN,SVM,RF和DBN等传统方法上显示了显著的准确性改进.
- 具体改善率从18.2%到57%,学习率为60%.
结论:
- 开发的深度学习系统通过呼吸分析为糖尿病检测提供了高度准确和高效的方法.
- 这种新型混合模型,包括SCMP调节的DBN和BI-GRU,代表了非侵入性诊断的重大进步.
- 这种方法具有早期糖尿病查和管理的潜力.
