用BiLSTM修改的多类注意力机制进行心脏病检测的深度学习方法
Umesh Kumar Lilhore1, Sarita Simaiya1, Monish Khan2
1Department of Computer Science and Engineering, Galgotias University, Greater Noida, UP, India.
Scientific reports
|July 12, 2025
概括
一种新的修改多类注意力机制与深度双向长期短期记忆 (M2AM与深度BiLSTM) 改善了心脏病诊断. 这种先进的模型提高了分类准确性,减少了错误分类,在心血管健康方面迈出了重要的一步.
科学领域:
- 生物医学工程 生物医学工程
- 医疗保健中的人工智能
- 心脏病学 心脏病学
背景情况:
- 心脏病是全球主要的死亡原因,通常是由于诊断延迟和分类挑战.
- 传统的机器学习和深度学习方法面临的局限性包括错误分类,特征重叠,数据不足,计算强度和噪声灵敏度.
研究的目的:
- 引入一种基于深度双向长期短期记忆 (M2AM与深度BiLSTM) 的新型修改多类注意力机制,以改进心脏病的分类.
- 通过提高特征表示和减少噪音,错误分类和特征重叠来解决现有方法的局限性.
主要方法:
- 开发了一种新的M2AM与Deep BiLSTM模型,结合了类意识的注意力权重来实现动态特征聚焦.
- 利用来自MIT-BIH和INCART数据库的大型数据集 (6000个样本,14个特征).
- 应用了一种改进的自适应带通波器 (IABPF) 来降低噪声和增强信号,以及波形变换来实现准确的信号分割.
主要成果:
- 使用Deep BiLSTM模型的M2AM实现了高性能:98.82%的精度,97.20%的精度,98.34%的回忆率和98.92%的F-measure.
- 与经典深度BiLSTM (SD-BiLSTM),天真贝叶斯 (NB),DNN-Taylos (DNNT),多层感知子 (MLP-NN) 和卷积神经网络 (CNN) 相比,表现出更高的性能.
- 通过IABPF和波形变换展示了显著的降噪和增强的信号质量.
结论:
- 拟议的M2AM与Deep BiLSTM为准确的心脏病诊断提供了强大的解决方案,克服了当前方法学的关键局限性.
- 这一进步代表了改善心血管疾病分类的准确性和可靠性的重大进展.
- 该模型处理复杂模式和杂数据的能力意味着朝着更有效的临床决策支持系统迈出了重要一步.
