一个改进的长期短期记忆算法用于心血管疾病预测
T K Revathi1, Sathiyabhama Balasubramaniam1, Vidhushavarshini Sureshkumar2
1Department of Computer Science and Engineering, Sona College of Technology, Salem 636005, India.
Diagnostics (Basel, Switzerland)
|February 10, 2024
概括
本研究介绍了最佳配置和改进的长期短期记忆 (OCI-LSTM) 模型,用于早期心血管疾病诊断. 通过优化网络配置和功能选择,OCI-LSTM模型提高了准确性.
科学领域:
- 生物医学工程 生物医学工程
- 人工智能在医学中的应用
- 心血管健康 心血管健康
背景情况:
- 心血管疾病是导致死亡的主要原因,需要早期和准确的诊断方法.
- 现有的诊断模型在网络配置和性能方面面临挑战,这限制了它们的准确性.
- 有效的早期诊断对于预防心血管疾病风险至关重要.
研究的目的:
- 为早期诊断心血管疾病引入一种新,强大的模型.
- 提高心血管疾病诊断模型的准确性和效率.
- 解决当前模型中网络配置和性能退化方面的局限性.
主要方法:
- 最佳配置和改进的长期短期记忆 (OCI-LSTM) 模型的开发.
- 使用Salp Swarm算法来消除不相关的特征.
- 应用遗传算法来优化LSTM网络配置.
主要成果:
- OCI-LSTM模型显示出高效率,通过准确性,灵敏度,特异性和F1得分来验证.
- 对比分析表明,OCI-LSTM模型优于深度神经网络和深度信念网络.
- 通过OCI-LSTM模型实现了97.11%的显著精度增加.
结论:
- OCI-LSTM模型为准确和高效的心血管疾病早期诊断提供了一个有希望的进步.
- 该模型的强大的功能选择和优化的网络配置有助于其卓越的性能.
- 未来的研究应该集中在现实世界的临床实施和OCI-LSTM模型的进一步改进上.
