基于多特征融合的高血压风险预测
Jingdong Yang1, Han Wang1, Peng Liu1
1Autonomous Robot Lab, School of Optical-Electrical and Computer Engineering, University of Shanghai for Science and Technology, Shanghai 200093, China.
本研究引入了用于高血压预测的多特征融合模型,提高了分类准确性和概括性能. 该模型有效地整合了各种患者数据,以更好地诊断高血压.
科学领域:
- 生物医学工程 生物医学工程
- 医疗保健中的机器学习
- 心血管疾病预测预测
背景情况:
- 用于高血压预测的机器学习模型面临着分类准确性和概括性的挑战.
- 阶级不平衡显著影响高血压分类模型的性能.
研究的目的:
- 提出一种新的脉冲波分类模型,使用多特征融合进行准确的高血压预测.
- 提高高血压预测模型的分类准确度和概括性能.
主要方法:
- 开发了一种集体低采样模型,具有动态权重,以解决阶级不平衡问题.
- 构建了一个深度学习模型,用于脉冲波特征提取的混合注意力机制.
- 使用动态Dempster/Shafer (DS) 理论构建了一个多功能融合模型,整合了查询和脉冲诊断数据.
主要成果:
- 实现了高性能指标:94.08%的准确性,93.43%的灵敏性,96.86%的特异性,93.45%的F1得分和95.12%的G平均值.
- 从调查和脉诊断特征中确定了影响高血压分类准确性的关键因素.
- 在两个附属医院的409个高血压样本上验证了该模型.
结论:
- 与最先进的方法相比,多功能融合模型显示出更高的分类准确性和概括性.
- 有效地利用相关的多式联患者特征,改善高血压预测.
- 为高血压的预防和临床诊断提供了宝贵的见解.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
07:51Hydra, a Computer-Based Platform for Aiding Clinicians in Cardiovascular Analysis and Diagnosis
Published on: September 26, 2018
相关概念视频
Factors affecting Blood pressure
Physiological Factors:
Errors occurring during blood pressure monitoring
Several factors...
Hypertension and Regulation of Blood Pressure
Assessment of blood pressure in brachial artery(two-step method)
Pre-Procedural Guidelines for Assessing Blood Pressure
Assessment of blood pressure in brachial artery(one-step method)
Prepare for the Procedure:
