基于深度学习的心血管疾病预测模型

摘要：

针对心血管疾病传统预测模型无法纳入非线性多分类复杂因素、基于浅层神经网络的预测模型准确率低、基于医学图像处理的预测模型说服力不足的问题,提出了一种基于一维卷积神经网络的心血管疾病预测模型.首先,对所需的年龄、血糖、胆固醇、胸痛类型等13种生理、症状参数进行缺失值填充、Z-score数值归一化处理;然后,以二维矩阵的方式输入卷积层,通过大小为1、3、5的卷积核以步长为1的频率进行卷积操作,将提取到的特征图利用Max pooling策略降低维度进行再取样;最后,设置学习率与Dropout率,利用Adam算法对模型进行优化,在Softmax分类器输出分类结果.在UCI数据库中的数据集Statlog和Heart disease database上独立进行实验,所提模型的准确率分别为93.36％和94.48％:与基于哑变量的逻辑回归预测模型相比,准确率分别提高了11.2个百分点和12.18个百分点;与基于粒子群优化算法的学习机预测模型相比,所提模型的预测准确率分别提高了5.05个百分点和4.84个百分点.实验结果表明,所提一维卷积神经网络预测模型可以应用于临床心血管疾病预测.

关键词：心血管疾病;深度学习;卷积神经网络;多参数;早期预测

所属期刊栏目：41

分类号：TP181(自动化基础理论)

资助基金：吉林省科技厅项目20200404212YY

在线出版日期：2022-03-07（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：346-350