通过自我改进的Aquila优化特征选择在量子神经网络和LSTM模型中增强心血管疾病预测

科学领域:

• 心血管疾病 (CVD) 研究
• 医疗保健数据分析数据分析
• 机器学习在医学中的应用

背景情况:

• 心血管疾病 (CVD) 是全球死亡的主要原因之一.
• 有效的数据挖掘和预测对于医疗保健决策至关重要.
• 医疗数据集的高维度挑战了用于心血管疾病预测的传统机器学习算法.

研究的目的:

• 开发一种用于准确预测心血管疾病 (CVD) 的新型混合模型.
• 通过最佳的特征集来解决医疗数据集高维度的挑战.
• 提高CVD风险评估的准确性和可靠性.

主要方法:

• 一个四个阶段的过程:预处理,特征提取,特征选择 (FS) 和分类.
• 使用中央倾向,定性变化,分散和对称不确定性的措施来提取特征.
• 通过自我改进的Aquila优化方法优化FS.
• 混合分类模型结合了长短期记忆 (LSTM) 和量子神经网络 (QNN),并优化了LSTM权重.

主要成果:

• 数据集1:准确率为96.69%,敏感率为96.62%,特异性为96.77%.
• 数据集2:准确度为95.54%,敏感度为95.86%,特异性为94.51%.
• 与现有方法相比,混合模型在心血管疾病预测方面表现优越.

结论:

• 拟议的混合模型具有优化的功能集,显著提高了心血管疾病预测的准确性.
• 集成LSTM和QNN框架,加上Aquila功能调整,增强了预测能力.
• 这项研究强调了先进的计算工具在彻底改变疾病预测和医疗管理方面的潜力.