MLP-RL-CRD:使用基于强化学习的多层感知器对运动员的心血管风险进行诊断
Arsam Bostani1, Marzieh Mirzaeibonehkhater2, Hamidreza Najafi3
1Department of exercise physiology & health science, university of tehran, Iran.
Physiological measurement
|December 11, 2023
概括
一个新的强化学习 (RL) 模型,MLP-RL-CRD,有效地使用医疗数据检测运动员的心血管风险. 这种先进的查方法改善了运动员健康管理和预测性医疗分析.
科学领域:
- 心脏病学 心脏病学
- 人工智能的人工智能
- 运动医学 运动医学
背景情况:
- 参与前的医学查对于识别有心血管事件风险的运动员至关重要.
- 现有的方法在检测微妙的心血管风险方面可能缺乏准确性或效率.
- 早期发现运动员心血管疾病对于预防突然心脏病发作至关重要.
研究的目的:
- 开发和验证一种基于强化学习 (RL) 的多层感知子 (MLP-RL-CRD),用于运动员的心血管风险检测.
- 提高运动群体心血管风险评估的准确性和稳定性.
- 为运动员健康管理引入先进的预测医疗保健工具.
主要方法:
- 开发了一个与强化学习 (MLP-RL-CRD) 集成的多层感知子模型.
- 该模型是在26002名运动员的数据集上训练的,包括人类学和生物医学指标.
- 基于RL的新技术和基于相互学习的人工蜜蜂群 (ML-ABC) 用于解决数据不平衡和初始化敏感性.
主要成果:
- MLP-RL-CRD模型表现出卓越的性能,F值为87.4%,几何平均值为89.6%.
- 结果与专家标记的ECG发现进行了验证,优于其他深度和传统的机器学习模型.
- 废弃性研究证实了个别组件对模型整体性能的积极贡献.
结论:
- 该研究提出了一种新且有效的方法,用于在运动员中早期检测心血管风险.
- 整合RL和MLP为医疗查和预测医疗分析提供了进步.
- 这些发现对通过加强查协议改善运动员健康和安全具有重大意义.
