深度卷积神经网络和物联网技术用于医疗保健

科学领域:

• 人工智能的人工智能
• 机器学习 机器学习
• 深度学习 (Deep Learning) 是一种深度学习.
• 神经网络的神经网络的神经网络
• 医疗保健信息学 医疗保健信息学

背景情况:

• 深度学习 (DL) 使用人工神经网络 (ANN) 来分析复杂的数据模式,比传统的机器学习算法提供优势.
• DL模型由输入,隐藏和输出层组成,使复杂的数据处理能够进行准确的预测.
• 该研究解决了在医疗保健应用中对优化DL架构的需求.

研究的目的:

• 在DL模型中确定神经网络中隐藏层和激活函数变化的最佳数量.
• 分析构建和比较神经网络的不同框架的有效性.
• 研究加速神经网络训练而不损害准确性的技术,特别是用于医疗保健应用.

主要方法:

• 使用Kaggle.com的数据集,专注于减少模型层以提高效率.
• 修正线性单元 (ReLU) 激活功能是通过两个完全连接的层实现的.
• 模型性能使用R平方 (R2),平均平方误差 (MSE) 和平均绝对误差 (MAE) 等指标进行评估.

主要成果:

• 一个用19个特征训练的深度学习模型在训练组中获得了0.89503的R2,在测试组中获得了0.90707.
• 优化模型与scikit-learn模型相比,表现优越,在培训和测试阶段报告了包括MSE,RMSE和MAE在内的特定指标.
• 该研究证实,具有tanh激活功能的双隐藏层前神经网络对于医疗保健诊断是有效的.

结论:

• 深度学习算法可以通过提供及时的健康状况更新和警报来增强患者监测系统.
• 将DL与物联网 (IoT) 集成,可以促进电子健康系统的自动诊断和高效的数据交换.
• 这项研究验证了为可靠的医疗诊断系统选择最佳神经网络结构的有效性.