长期短期记忆网络用于基于加速器的高血压分类

科学领域:

• 生物医学工程 生物医学工程
• 医疗信息学 医疗信息学
• 机器学习 机器学习

背景情况:

• 高血压的分类传统上依赖于临床测量.
• 可穿戴传感器为健康监测提供连续的生理数据.
• 对传统方法来说,分析来自加速度计的复杂序列数据是具有挑战性的.

研究的目的:

• 为了评估长期短期记忆 (LSTM) 架构对高血压分类的有效性.
• 将LSTM性能与其他序列模型和传统机器学习算法进行比较.
• 通过加速度计数据评估LSTM在早期高血压检测方面的潜力.

主要方法:

• 使用了NHANES 2011-2012数据集,其中包含了关于身体活动和睡眠的加速度计数据.
• 开发并应用了长期短期记忆 (LSTM) 神经网络模型.
• 将LSTM性能与循环神经网络 (RNN),变压器 (TF),1D卷积网络 (Conv1D) 和传统机器学习模型进行比较.

主要成果:

• 在高血压方面,LSTM 模型实现了 96.37% 的优异分类准确度.
• LSTM显著超过了RNN (75.67%),TF (77.10%),Conv1D (89.34%) 和传统的ML模型 (60.92%-64.75%).
• 通过LSTM对身体活动和睡眠数据的顺序模式识别被证明是有效的.

结论:

• 根据加速度计数据,LSTM架构显示出高潜力,可以准确地对高血压进行分类.
• 可以将LSTM模型集成到可穿戴健康监测系统中,用于早期高血压检测或管理.
• 深度学习序列模型对分析复杂的生理时间序列数据的传统方法具有优势.