一个高效的心血管疾病预测使用多尺度加权特征融合基于卷积神经网络与剩余的封闭循环单元的循环神经网络
K Gunasekaran1, V D Ambeth Kumar2, K Jayashree3
1Department of CSE, Panimalar Engineering College, Chennai, India.
Computer methods in biomechanics and biomedical engineering
|April 17, 2024
概括
这项研究引入了一种先进的深度学习框架,用于预测心血管疾病 (CVD),旨在降低全球死亡率. 这种新型模型实现了高精度,提供了更快,更精确的诊断工具.
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
背景情况:
- 心血管疾病 (CVD) 构成了全球健康的重大威胁,在欠发达地区的预测挑战.
- 准确及时诊断心血管疾病对于患者的生存和有效治疗至关重要.
研究的目的:
- 开发和评估一个先进的基于深度模型的框架,用于心血管疾病预测和风险分析.
- 通过改进诊断能力,尽量减少全球心血管疾病相关死亡率.
主要方法:
- 数据预处理涉及清理,缩放和处理来自在线来源的缺失值.
- 功能提取包括深度功能,主要组件分析 (PCA) 和支持矢量机 (SVM) 方法.
- 一个基于多尺度加权特征融合的深层结构网络 (MWFF-DSN),集成CNN和GRU,被开发用于心血管疾病预测,通过现代化梅树算法 (MPTA) 进行优化.
主要成果:
- 开发的MWFF-DSN模型实现了96%的预测准确度.
- 该模型表现出95.95%的高特异性.
- 该框架提供快速的CVD检测,具有高度准确的结果.
结论:
- 拟议的深度模型框架为心血管疾病预测和风险评估提供了有效的解决方案.
- 这种先进的方法有可能通过实现更快,更准确的诊断来显著降低心血管疾病死亡率.
