使用K最高分数特征选择的深度学习改善血液透析患者血管访问质量分类的准确性
Sarayut Julkaew1, Thakerng Wongsirichot2, Kasikrit Damkliang2
1College of Digital Science, Prince of Songkla University, Hat Yai, Songkhla, Thailand.
The Journal of international medical research
|April 4, 2024
概括
一种使用光聚血学 (PPG) 传感器的新特征选择方法改善了深度学习模型的准确性,用于分类血液透析血管接入质量,达到92.05%的准确性.
科学领域:
- 生物医学工程 生物医学工程
- 医疗信息学 医疗信息学
背景情况:
- 血管接入质量对于血液透析患者至关重要.
- 准确地对血管接入质量进行分类,可以预防并发症.
研究的目的:
- 开发和评估一种新的特征选择技术,使用光聚体学 (PPG) 传感器.
- 提高深度学习模型的性能,以对血液透析患者的血管接入质量进行分类.
主要方法:
- 为PPG传感器数据开发了一种基于SelectKBest原则的新型特征选择方法.
- 深度学习模型与特征选择方法相比较,没有特征选择方法.
- 最好表现的模型 (CNN1D) 经过训练和测试,使用70:30分.
主要成果:
- 这项研究包括了398名血液透析患者的数据.
- 一维卷积神经网络 (CNN1D) 显示了最高的准确性.
- 基于SelectKBest的特征选择显著提高了CNN1D的准确性,从90.79%提高到92.05%,从92.05%提高到92.05%.
结论:
- 开发的特征选择方法有效预测血液透析患者的血管接入质量.
- 这种技术可以帮助开发用于血管并发症的诊断工具,如狭窄.
- 改进的检测可能会导致更好的患者结果和生活质量.


