基于集群的二元灰狼优化模型与6LDCNNet用于使用患者数据预测心脏病
Lella Kranthi Kumar1, K G Suma2, Pamula Udayaraju3
1School of Computer Science and Engineering, VIT-AP University, Vijayawada, India. kranthi1231@gmail.com.
Scientific reports
|January 8, 2025
概括
一个新的模型使用二进制灰狼优化和6层深层卷积神经网络来分类心脏病. 这种方法有助于医生诊断心脏病的严重程度,可能降低死亡率.
科学领域:
- 心脏病学 心脏病学
- 医学数据科学 医学数据科学
- 医疗保健中的人工智能
背景情况:
- 心脏病是导致死亡的主要原因,并发症如痴呆症.
- 早期发现和治疗心血管问题对于缓解至关重要.
- 医疗保健数据系统正在扩大,使趋势识别和预防性护理成为可能.
研究的目的:
- 为心脏疾病提出一个两阶段的医疗数据分类和预测模型.
- 利用医疗保健数据改善心脏病的诊断和干预.
- 开发一个创新的深度学习模型来对心脏病状况进行分类.
主要方法:
- 使用二进制灰狼优化 (BGWO) 进行特征集群.
- 开发了一个六层的深层卷积神经网络 (6LDCNNet) 用于分类.
- 采用了一种改进的优化方法来对6LDCNNet.net的超参数调.
主要成果:
- 该模型在严重性评估的克利夫兰数据集上实现了96%的趋同.
- 该模型在回声心脏成像数据集上显示了98%的收率.
- 拟议的方法在对心脏病的分类方面显示出有前途的表现.
结论:
- 开发的模型可以帮助医生诊断心脏病的严重程度.
- 这种模式所促进的早期干预可以显著降低心血管死亡率.
- 这种人工智能驱动的方法有可能促进心脏护理和患者的治疗结果.
