改进了Inception-Capsule深度学习模型,增强了功能选择,用于早期预测心脏病
Meghavathu S S Nayak1, Hussain Syed2
1School of Computer Science and Engineering (SCOPE), VIT-AP University, Amaravati, Andhra Pradesh, 522237, India.
Scientific reports
|September 25, 2025
概括
这项研究介绍了IDLHICNet,这是一种用于准确预测心脏病的新型深度学习框架. 它有效地解决了医疗数据集中的挑战,改善了早期检测和患者的结果.
科学领域:
- 心脏病学和医疗信息学
- 医疗保健中的人工智能
- 机器学习用于疾病预测和预测
背景情况:
- 心脏病是全球主要的死亡原因,需要先进的预测方法.
- 传统的机器学习模型与高维度,不平衡的医疗数据作斗争.
- 现有的预测技术往往缺乏早期和有效干预所需的精度.
研究的目的:
- 开发一个先进的深度学习框架,用于准确和早期预测心脏病.
- 增强特征选择和数据预处理,以提高模型性能.
- 克服传统机器学习在处理复杂医疗数据集方面的局限性.
主要方法:
- 提出了一个改进的基于深度学习的混合发育囊网络 (IDLHICNet),与增强的鱼优化算法 (EWOA) 集成,用于特征选择.
- 实施了改进的K-Means集群 (IKC) 来消除异常值,以及SMOTE用于类平衡.
- 利用Min-Max规范化进行特征扩展,并将Inception架构与囊网络结合起来进行分类.
主要成果:
- 在费萨拉巴德,心血管疾病和心力衰竭数据集上分别达到99.51%,98.76%和99.07%的高准确率.
- 与最先进的方法相比,表现出优越的性能,具有更高的精度,回忆和F1分数.
- 对心脏病预测的多个基准数据集验证了框架的有效性.
结论:
- 混合深度学习架构 (IDLHICNet) 与复杂的功能选择 (EWOA) 结合,为心脏病预测提供了强大的解决方案.
- 拟议的方法允许准确和早期检测,促进及时的医疗干预和改善患者的结果.
- 这项研究强调了先进的人工智能技术在应对心血管疾病管理中的关键挑战方面的潜力.
