电脑心电图分类高效建模与人工蜂群优化数据增强和注意力机制的优化
Mingming Zhang1, Huiyuan Jin1, Ying Yang1
1School of Mathematics, Statistics and Mechanics, Beijing University of Technology, Beijing, 100124, China.
Mathematical biosciences and engineering : MBE
|March 29, 2024
概括
这项研究通过使用TimeGAN进行数据平衡和人工蜂群算法进行优化建模来增强心电图 (ECG) 信号分析,实现了对分类和诊断的高准确性.
科学领域:
- 生物医学工程 生物医学工程
- 医疗保健中的人工智能
- 信号处理 信号处理
背景情况:
- 电心电图 (ECG) 信号分析面临的挑战是由于数据不平衡和低于最佳的建模技术.
- 现有的方法往往难以从心电图数据中准确识别,分类和诊断心脏病.
研究的目的:
- 为了提高心电图信号建模的性能和准确性.
- 为了解决ECG数据集中的数据不平衡问题.
- 为了优化超参数配置,以增强心电图分类.
主要方法:
- 雇佣时间GAN (生成对抗网络) 用于数据增强和ECG信号的平衡.
- 利用人工蜂群优化算法,通过最小化瓦瑟斯坦距离来微调模型超参数.
- 集成了一个高效的网络与注意力机制,以提高建模性能.
主要成果:
- 使用TimeGAN进行数据增强显著提高了分类准确度,达到99.51%.
- 优化的模型实现了99.70%的整体准确率和99.44%的平均正预测率.
- 综合方法有效地解决了ECG信号识别,分类和诊断方面的挑战.
结论:
- 时间GAN和人工蜂群优化与高效网络的结合为ECG信号分析提供了强大的解决方案.
- 这种方法显著提高了诊断准确性,并克服了心脏监测中不平衡数据集的局限性.
- 开发的方法在改善临床环境中的自动化心电图解释方面非常有前途.
