AttGRU-HMSI:使用混合深度学习方法增强心脏病诊断
G Madhukar Rao1,2, Dharavath Ramesh1,3, Vandana Sharma4
1Department of Computer Science and Engineering, Indian Institute of Technology (Indian School of Mines), Dhanbad, Jharkhand, 826004, India.
Scientific reports
|April 3, 2024
概括
这项研究引入了一种新的混合深度学习模型,用于使用大数据分析准确预测心脏病. 先进的方法实现了95.42%的准确率,显著改善了心血管疾病的早期检测.
科学领域:
- 心脏病学 心脏病学
- 计算机科学 计算机科学
- 数据科学数据科学数据科学
背景情况:
- 心脏病是全球死亡的主要原因,需要改进诊断工具.
- 早期发现心血管疾病,如心脏病发作,对于拯救生命至关重要.
- 机器学习 (ML) 和大数据为准确的疾病预测和决策支持提供了强大的能力.
研究的目的:
- 利用大数据开发和评估用于心脏病检测的混合深度学习方法.
- 提高心血管疾病预测的准确性和效率.
- 通过先进的分析来解决早期心脏病识别方面的研究缺口.
主要方法:
- 一个混合深度学习算法,集成基于注意力的封闭反复单元 (AttGRU) 网络与基于生物灵感的混合突变群智能 (HMSI).
- 数据预处理涉及改进的k-means集群 (IKC) 来消除异常值,以及用于类平衡的合成少数过量采样技术 (SMOTE).
- 递归特征消除 (RFE) 确定了关键特征,并将该模型与稀疏的自编码器+人工神经网络 (SAE+ANN),后勤回归 (LR),K-最近邻居 (KNN) 和朴素的贝叶斯模型进行了比较.
主要成果:
- 拟议的混合HMSI-AttGRU模型在心脏病预测中实现了95.42%的高准确率.
- 这种性能明显优于其他比较的机器学习算法.
- 该方法在处理大型医疗数据集和识别复杂模式方面表现出有效性.
结论:
- 开发的混合深度学习模型为心脏病预测提供了高度准确和有效的解决方案.
- 这种大数据分析和可视化方法对改善心血管疾病的早期检测和管理具有重大前景.
- 该研究成功地解决了现有方法的局限性,为更强大的临床决策支持系统铺平了道路.
