整合EPSOSA-BP神经网络算法,以提高在优化冠状动脉疾病预测中的准确性和稳定性
Chengjie Li1,2, Yanglin Wang1, Linghui Meng1
1The Key Laboratory for Computer Systems of State Ethnic Affairs Commission, School of Computer and Artificial Intelligence, Southwest Minzu University, Chengdu, 610041, China.
Scientific reports
|December 28, 2024
概括
一个新的EPSOSA-BP算法通过先进的优化和特征选择来提高心脏病预测的准确性. 这种人工智能模型对早期检测和心脏风险监测充满希望.
科学领域:
- 心血管医学 心血管医学
- 人工智能的人工智能
- 生物医学工程 生物医学工程
背景情况:
- 冠状动脉疾病 (CAD) 构成了全球重大健康挑战,特别是在老年人群中.
- 现有的心脏病预测模型在特征选择和预测精度方面存在局限性.
- 早期识别高风险个体对于及时干预和资源优化至关重要.
研究的目的:
- 引入一个先进的BP神经网络算法,EPSOSA-BP,用于增强心脏病预测.
- 改善心血管风险评估模型中的特征选择和学习能力.
- 验证拟议的算法的有效性与经典方法和数据集相比.
主要方法:
- 开发了EPSOSA-BP算法,集成了粒子群优化,模拟化和粒子消除机制.
- 实现单热编码和主要组件分析,以进行强大的功能选择和学习.
- 使用UCI和Kaggle数据集进行测试和验证,包括废弃实验.
主要成果:
- EPSOSA-BP模型实现了高预测精度的93.22% (UCI) 和95.20% (Kaggle).
- 与经典优化技术相比,该算法展示了优越的融合速度,灵敏度和特异性.
- 废弃性研究证实了数据预处理和特征选择策略的有效性.
结论:
- EPSOSA-BP算法在心脏病预测的准确性方面取得了重大进展.
- 该模型显示了早期识别高风险患者的潜力,改善了结果和资源分配.
- 尽管存在实施挑战,但该算法对在临床和社区环境中定期监测心脏风险充满希望.
