从时间序列数据中预测CKD的早期预测,使用自适应PSO优化回声状态网络
Thangadurai Anbazhagan1, Balamurugan Rangaswamy2
1Department of Electrical and Electronics Engineering, K.S.Rangasamy College of Technology, Tiruchengode, 637215, Tamil Nadu, India. thangaduraieie@gmail.com.
Scientific reports
|February 26, 2025
概括
早期发现慢性病 (CKD) 是至关重要的. 一个新的自适应粒子群集优化 (APSO) 优化的回声状态网络 (ESN) 模型实现了99.6%的早期CKD检测分类准确度.
科学领域:
- 医疗信息学 医疗信息学
- 计算生物学 计算生物学
- 机器学习 机器学习
背景情况:
- 慢性病 (CKD) 由于检测迟到,对医疗保健构成了重大挑战,导致医疗费用增加和治疗效率降低.
- 目前用于CKD检测的方法通常无法在早期识别症状,因此需要先进的预测模型.
研究的目的:
- 开发一种用于早期检测慢性病 (CKD) 症状的新型预测模型.
- 提高回声状态网络 (ESN) 的性能和稳定性,用于分析复杂的时间医学数据.
主要方法:
- 使用自适应粒子群集优化 (APSO) 算法,动态优化ESN超参数,包括光谱半径,输入缩放和稀疏性.
- 随机矩阵理论 (RMT) 被集成到APSO中来调节光谱半径,提高ESN处理长期依赖和保持训练稳定的能力.
- 开发的APSO优化ESN (APSO+ESN) 使用密集护理III (MIMIC-III) 数据集的医疗信息中心进行了培训和验证.
主要成果:
- 与传统的ESN和其他公认的模型相比,APSO+ESN模型在CKD检测方面表现优越.
- 拟议的模型实现了99.6%的分类准确率 (CA).
- 与下一个表现最好的模型相比,APSO+ESN的回忆率提高了2%,精度提高了3%.
结论:
- 新的APSO+ESN模型有效地检测出早期慢性病 (CKD) 的高精度.
- 使用APSO和RMT的动态超参数优化显著提高了ESN在医疗保健中复杂的时间序列分析的性能.
- 这种方法为早期发现CKD提供了一个有前途的解决方案,有可能改善患者的治疗结果并减少医疗保健负担.
