基于GRU的AI优化的自我注意模型,用于物联网医疗保健中的糖尿病预测阶段 5.0

科学领域:

• 医疗信息学 医疗信息学
• 医疗保健中的人工智能
• 生物医学工程 生物医学工程

背景情况:

• 医疗保健5.0环境利用物联网 (IoT) 设备收集用户数据.
• 糖尿病的早期检测和分期至关重要,但由于复杂的医疗保健特征相互关系而具有挑战性.
• 准确预测糖尿病需要先进的分析模型.

研究的目的:

• 开发和评估一种新型的自我注意力门式复发单元 (GRU) 模型,用于预测性糖尿病检测.
• 通过捕捉医疗保健数据中的时间和空间特征来提高糖尿病预测的准确性.
• 将拟议模型的性能与已建立的深度学习基线进行比较.

主要方法:

• 基于GRU的自我注意机制被用来捕捉时间依赖和空间特征.
• 使用批量规范化和ReLU的卷积神经网络 (CNN) 进行了最终分类.
• 该模型在医疗保健数据集上进行了训练和评估,用于糖尿病预测.

主要成果:

• 提出的自我注意GRU模型实现了93.94%的准确性,95.28%的精度和93.94%的回忆.
• 该模型显示曲线下的高面积 (AUC) 为0.9697.7.
• 性能明显超过了GRU,LSTM,RNN和基于变压器的基线模型.

结论:

• 自我注意GRU模型是有效的早期和准确的糖尿病检测在医疗保健5.0.0.
• 该模型捕捉复杂依赖的能力提高了慢性疾病的预测能力.
• 这种方法为人工智能驱动的糖尿病管理和预测提供了有前途的进步.