EBHOA-EMobileNetV2:一种基于高效特征选择和分类的混合系统,用于诊断心血管疾病

科学领域:

• 医疗信息学 医疗信息学
• 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:

• 准确的心血管疾病 (CVD) 预测对于及时治疗患者和预防心脏病发作至关重要.
• 现有的深度学习和机器学习框架往往缺乏数据识别和适当的方法,阻碍了预测的准确性.
• 智能医疗保健系统需要强大的模型来有效检测心血管疾病.

研究的目的:

• 开发一个智能医疗保健框架,利用深度学习模型来增强心血管疾病预测.
• 通过提高数据质量和采用先进的特征选择和分类技术,解决现有方法的局限性.
• 在临床实践中提供更准确和更一致的心脏病预测工具.

主要方法:

• 来自公共来源的数据汇编 (UCI心脏病,弗雷明汉心脏研究).
• 数据预处理:除掉异常值的四分区间范围 (IQR),缺少值的数据标准化,类不平衡的K-Means SMOTE.
• 使用增强的二进制草优化算法 (EBHOA) 进行特征选择,并通过增强的MobileNetV2 (EMobileNetV2) 模型进行预测.

主要成果:

• 实现了高精度:98.78%的UCI心脏病数据集和99.39%的弗雷明汉姆数据集.
• 证明了卓越的性能指标:精度 (99-99.50%),回忆 (99-99.50%),以及F1得分 (99-99.50%).
• 在心血管疾病预测准确性和一致性方面表现优于当前最先进的方法.

结论:

• 拟议的深度学习框架与EBHOA特征选择和EMobileNetV2分类显著提高了心脏病预测的准确性.
• 这种创新方法通过更可靠的心血管疾病检测,为改善临床实践和患者护理提供了有价值的工具.
• 该研究强调了综合人工智能技术在推进心血管健康智能医疗系统方面的潜力.