CN112992356B - 基于卷积层特征重排和svm的心力衰竭预测方法及装置 - Google Patents

基于卷积层特征重排和svm的心力衰竭预测方法及装置 Download PDF

Info

Publication number
CN112992356B
CN112992356B CN202110341133.5A CN202110341133A CN112992356B CN 112992356 B CN112992356 B CN 112992356B CN 202110341133 A CN202110341133 A CN 202110341133A CN 112992356 B CN112992356 B CN 112992356B
Authority
CN
China
Prior art keywords
heart failure
feature
convolutional layer
support vector
svm
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110341133.5A
Other languages
English (en)
Other versions
CN112992356A (zh
Inventor
任振兴
李灯熬
赵菊敏
暴安颖
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Taiyuan University of Technology
Original Assignee
Taiyuan University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Taiyuan University of Technology filed Critical Taiyuan University of Technology
Priority to CN202110341133.5A priority Critical patent/CN112992356B/zh
Publication of CN112992356A publication Critical patent/CN112992356A/zh
Application granted granted Critical
Publication of CN112992356B publication Critical patent/CN112992356B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明涉及机器学习技术领域，公开了一种基于卷积层特征重排和SVM的心力衰竭预测方法及装置，S1：基于特征重排的卷积层方法获取早期心力衰竭患者的电子健康档案数据并对数据进行预处理；S2：通过基于特征重排的卷积层方法提取相邻特征中的信息与通过单一支持向量机处理样本比例不平衡问题；S3：通过建立重叠支持向量机模型，合并两个模型的超参形成混合网络，形成最优预测模型；S4：通过建立基于特征重排的卷积层模型，实现心力衰竭死亡率的预测。通过基于特征重排和支持向量机预测心力衰竭的死亡率，通过处理不平衡问题和实现更好的特征表示，提高了心力衰竭死亡率预测的性能，同时为医生的病理判断提供可靠的参考依据。

Description

基于卷积层特征重排和SVM的心力衰竭预测方法及装置
技术领域
本发明涉及机器学习技术领域，特别涉及一种基于卷积层特征重排和SVM的心力衰竭预测方法及装置。
背景技术
心力衰竭是一种临床综合征，通常由任何结构或功能损害引起，心力衰竭指心脏不能泵出足够的血液来满足身体的需要，冠状动脉狭窄或阻塞被认为是心力衰竭的主要原因，冠状动脉是负责向心脏输送血液的动脉，心力衰竭的常见症状包括呼吸急促、双脚肿胀和身体虚弱，大约一半的心力衰竭(HF)患者在确诊后五年内死亡。
现有技术利用基于机器学习的模型对患有心力衰竭的早期患者进行死亡率的预测，以此帮助心脏病学家对患有心力衰竭的患者进行治疗研究及其改进，然而，由于心力衰竭数据的不平衡性和较差的特征表示，使用一些简单的算法模型很难预测心力衰竭的死亡率。
发明内容
为了解决现有技术难以快速、准确的预测出心力衰竭患者的死亡率，本发明提出了一种基于卷积层特征重排和SVM的心力衰竭预测方法及装置。
本发明的技术内容如下：
一种基于卷积层特征重排和SVM的心力衰竭预测方法，包括以下步骤：
S1：基于特征重排的卷积层方法获取早期心力衰竭患者的电子健康档案数据并对数据进行预处理；
S11：对电子健康档案记录的数据进行提取和清除处理，提取包括三种观测窗口，分别为住院死亡率、出院后30天死亡率及出院后1年死亡率；
所抽取的心力衰竭患者的文本数据保存在医院的电子健康档案系统当中，一般用来研究早期检测心力衰竭死亡率。
S12：提取年龄、性别及心率原始特征，引入热编码对原始特征进行转换，将原始特征映射到欧几里得空间，在空间中使用多种机器学习算法计算特征距离和相关度。
每个心力衰竭患者都有不同的信息包括年龄、性别、心率、诊断、药物和实验室测试，其中，年龄、性别和心率是心力衰竭检测的正常特征，在建模之前需要对患者的特征进行预处理。
S2：通过基于特征重排的卷积层方法提取相邻特征中的信息与通过单一支持向量机处理样本比例不平衡问题；
S21：采用卡方检验获取原始特征的合理映射，通过卡方分析计算每个非负特征与样本类别之间的卡方统计量，给每个原始特征一个非负分数，表示估计的原始特征与类别的相关性，卡方检验的公式如下：
Figure GDA0003543192050000021
S22：利用一类SVM模型解决正、负样本的比例失衡，使用高斯核函数将样本空间映射到核空间，在核空间找到一个能够包含所有数据的一个球体，进行判别时，测试数据是或否位于高维球体中，是则将其归为多数类，否则将其归为少数类。
S3：通过建立重叠支持向量机模型，合并两个模型的超参形成混合网络，形成最优预测模型；
S31:支持向量机模型由样本点决定支持向量与超平面或超曲面之间的距离，距离小于或等于1；
S32：通过支持向量机模型找到一个距离最远的超平面或超曲面使得支持向量与非支持向量均可以正确分类的置信度；
S33：通过建立重叠支持向量机模型提高预测心力衰竭死亡率的精度。
S331：第一阶段使用线性L1正则化支持向量机模型，改变不相关系数，通过超参数值的差异消除不同的特征，产生不同的特征子集，从超参数的离散集合中选择最优解，得到最优的特征子集；
S332：第二阶段使用L2支持向量机模型，将最优特征子集应用于其上，通过L2支持向量机模型预测心力衰竭死亡率。
S4：通过建立基于特征重排的卷积层模型，实现心力衰竭死亡率的预测。
S41：通过基于特征重排的卷积层对高频的原始特征向量进行重新排列和卷积，形成合理的特征；
S42：使用批次归一化层防止过拟合；
S43：REU激活函数将线性映射转换到非线性空间，采用最大层合并的方法对特征地图进行降维展开处理；
S44：采用常规稠密神经网络进行预测。
进一步地，所述S44包括：在训练训练过程中，通过迭代不同的重排方法，找出最佳的特征序列，再通过像等式一样，基于焦损对基于特征重排的卷积层模型进行训练。
本发明提供了一种基于卷积层特征重排和SVM的心力衰竭预测设备，所述心力衰竭预测设备包括：
存储器、处理器，通信总线以及存储在所述存储器上的心力衰竭预测程序，
所述通信总线用于实现处理器与存储器间的通信连接；
所述处理器用于执行所述基于卷积层特征重排和SVM的心力衰竭预测程序，以实现如上述中任意一项所述的基于卷积层特征重排和SVM的心力衰竭预测方法的步骤。
本发明还提供了一种计算机可读存储介质，存储有可执行指令，所述存储介质上存储有基于卷积层特征重排和SVM的心力衰竭预测程序，所述基于卷积层特征重排和SVM的心力衰竭预测程序被处理器执行时实现上述中任意一项所述的基于卷积层特征重排和SVM的心力衰竭预测方法的步骤。
本发明的有益效果至少包括：通过基于特征重排和支持向量机预测心力衰竭的死亡率，通过处理不平衡问题和实现更好的特征表示，提高了心力衰竭死亡率预测的性能，同时为医生的病理判断提供可靠的参考依据。
附图说明
图1为本发明的整体结构流程图。
图2为本发明的重叠向量机过程示意图。
图3为本发明的特征重排卷积层网络结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
结合图1-3所示，本发明公开了一种基于卷积层特征重排和SVM的心力衰竭预测方法，包括以下步骤：
S1：基于特征重排的卷积层方法获取早期心力衰竭患者的电子健康档案数据并对数据进行预处理；
S2：通过基于特征重排的卷积层方法提取相邻特征中的信息与通过单一支持向量机处理样本比例不平衡问题；
S3：通过建立重叠支持向量机模型，合并两个模型的超参形成混合网络，形成最优预测模型；
S4：通过建立基于特征重排的卷积层模型，实现心力衰竭死亡率的预测。
进一步地，S1包括以下步骤：
S11：对电子健康档案记录的数据进行提取和清除处理，提取包括三种观测窗口，分别为住院死亡率、出院后30天死亡率及出院后1年死亡率；
所抽取的心力衰竭患者的文本数据保存在医院的电子健康档案系统当中，一般用来研究早期检测心力衰竭死亡率。
S12：提取年龄、性别及心率原始特征，引入热编码对原始特征进行转换，将原始特征映射到欧几里得空间，在空间中使用多种机器学习算法计算特征距离和相关度。
每个心力衰竭患者都有不同的信息包括年龄、性别、心率、诊断、药物和实验室测试，其中，年龄、性别和心率是心力衰竭检测的正常特征，在建模之前需要对患者的特征进行预处理。
卷积层的核心思想是从相邻特征中提取信息，CNN对特征的顺序很敏感，因此考虑将特征的顺序作为一种隐藏的特征应用在提高心力衰竭死亡率的方面，通过假设检验的方法找到原始特征的合理映射。
进一步地，所述S2包括：
S21：采用卡方检验获取原始特征的合理映射，通过卡方分析计算每个非负特征与样本类别之间的卡方统计量，给每个原始特征一个非负分数，表示估计的原始特征与类别的相关性，卡方检验的公式如下：
Figure GDA0003543192050000061
S22：利用一类SVM模型解决正、负样本的比例失衡，使用高斯核函数将样本空间映射到核空间，在核空间找到一个能够包含所有数据的一个球体，进行判别时，测试数据是或否位于高维球体中，是则将其归为多数类，否则将其归为少数类。
目前已有的数据集样本比例失衡，对于二分类问题，正常情况下正、负样本比例应该是较为接近的，很多现有的分类模型也正是基于这一假设，但目前掌握的心力衰竭患者的样本记录有限，正、负样本比例相差悬殊，所以本发明拟采用一类SVM模型来解决这个问题。
两个重叠的支持向量机模型，整个过程分为两个阶段，第一阶段使用线性L1正则化支持向量机，第二阶段采用L2正则化支持向量机，两个模型的核函数不同。
进一步地，所述S3包括以下步骤：
S31:支持向量机模型由样本点决定支持向量与超平面或超曲面之间的距离，距离小于或等于1；
S32：通过支持向量机模型找到一个距离最远的超平面或超曲面使得支持向量与非支持向量均可以正确分类的置信度；
S33：通过建立重叠支持向量机模型提高预测心力衰竭死亡率的精度。
S331：第一阶段使用线性L1正则化支持向量机模型，改变不相关系数，通过超参数值的差异消除不同的特征，产生不同的特征子集，从超参数的离散集合中选择最优解，得到最优的特征子集；
S332：第二阶段使用L2支持向量机模型，将最优特征子集应用于其上，通过L2支持向量机模型预测心力衰竭死亡率。
SVM模型是由少量几个样本点决定的，这几个样本点成为支持向量距离超平面的距离是小于等于1的，当SVM能够找到一个超平面或超曲面使得支持向量能够尽可能的分类正确，且距离超平面或超曲面的距离尽可能的远，则非支持向量点，也能被正确分类且距离最远，，该处距离的含义可认为分类正确的置信度，距离越远置信度越大。
为了提高预测精度，本发明采用了两种支持向量机模型，第一个模型是线性和L1正则化的，第二模型是L2正则化的，使用不同的核，包括线性基函数和径向基函数。第一个模型能够通过将不相关特征的系数缩小到零来消除不相关特征，对于其超参数的不同值，选择不同的特征，改变超参数的值，不同的拟合系数将变为零，可以得到不同的特征子集，消除不同的特征，然后使用不同的值手动调整超参数，找不同特征子集超参数的离散集合，通过对所有特征子集的搜索声明超参数空间，找到其中的最佳值。
L1模型可以通过式(2)、式(3)来描述：
Figure GDA0003543192050000081
Figure GDA0003543192050000082
将最优特征子集应用于第二个支持向量机的模型，并对L2模型的超参数进行优化，L2的支持向量机模型通过式(4)、式(5)来表示：
Figure GDA0003543192050000083
Figure GDA0003543192050000084
进一步地，所述S4通过以下步骤实现心力衰竭预测：
S41：通过基于特征重排的卷积层对高频的原始特征向量进行重新排列和卷积，形成合理的特征；
S42：使用批次归一化层防止过拟合；
S43：REU激活函数将线性映射转换到非线性空间，采用最大层合并的方法对特征地图进行降维展开处理；
S44：采用常规稠密神经网络进行预测。
进一步地，所述S44包括：在训练训练过程中，通过迭代不同的重排方法，找出最佳的特征序列，再通过像等式一样，基于焦损对基于特征重排的卷积层模型进行训练。
本发明提供了一种基于卷积层特征重排和SVM的心力衰竭预测设备，所述心力衰竭预测设备包括：
存储器、处理器，通信总线以及存储在所述存储器上的心力衰竭预测程序，
所述通信总线用于实现处理器与存储器间的通信连接；
所述处理器用于执行所述基于卷积层特征重排和SVM的心力衰竭预测程序，以实现如上述中任意一项所述的基于卷积层特征重排和SVM的心力衰竭预测方法的步骤。
本发明还提供了一种计算机可读存储介质，存储有可执行指令，所述存储介质上存储有基于卷积层特征重排和SVM的心力衰竭预测程序，所述基于卷积层特征重排和SVM的心力衰竭预测程序被处理器执行时实现上述中任意一项所述的基于卷积层特征重排和SVM的心力衰竭预测方法的步骤。
由于心衰患者的病例记录具有多样性及复杂性，因此对医生的诊断和预测会造成一定的困难，本发明提供的基于特征重排和支持向量机的心力衰竭死亡率的预测方法，通过处理样本不平衡问题和实现更好的特征表示，提高了心力衰竭死亡率预测的性能，同时能够为医生的诊断提供可靠的参考依据。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (6)

1.一种基于卷积层特征重排和SVM的心力衰竭预测方法，其特征在于：包括以下步骤：
S1：基于特征重排的卷积层方法获取早期心力衰竭患者的电子健康档案数据并对数据进行预处理；
S2：通过基于特征重排的卷积层方法提取相邻特征中的信息与通过单一支持向量机处理样本比例不平衡问题；
S3：通过建立重叠支持向量机模型，合并两个模型的超参形成混合网络，形成最优预测模型；
S4：通过建立基于特征重排的卷积层模型，实现心力衰竭死亡率的预测；
其中，所述S2包括：
S21：采用卡方检验获取原始特征的合理映射，通过卡方分析计算每个非负特征与样本类别之间的卡方统计量，给每个原始特征一个非负分数，表示估计的原始特征与类别的相关性，卡方检验的公式如下：
Figure FDA0003543192040000011
S22：利用一类SVM模型解决正、负样本的比例失衡，使用高斯核函数将样本空间映射到核空间，在核空间找到一个能够包含所有数据的一个球体，进行判别时，测试数据是或否位于高维球体中，是则将其归为多数类，否则将其归为少数类；
其中，所述S3包括：
S31:支持向量机模型由样本点决定支持向量与超平面或超曲面之间的距离，距离小于或等于1；
S32：通过支持向量机模型找到一个距离最远的超平面或超曲面使得支持向量与非支持向量均可以正确分类的置信度；
S33：通过建立重叠支持向量机模型提高预测心力衰竭死亡率的精度；
其中，所述S33包括：
S331：第一阶段使用线性L1正则化支持向量机模型，改变不相关系数，通过超参数值的差异消除不同的特征，产生不同的特征子集，从超参数的离散集合中选择最优解，得到最优的特征子集；
S332：第二阶段使用L2支持向量机模型，将最优特征子集应用于其上，通过L2支持向量机模型预测心力衰竭死亡率。
2.根据权利要求1所述的基于卷积层特征重排和SVM的心力衰竭预测方法，其特征在于：
所述S1包括：
S11：对电子健康档案记录的数据进行提取和清除处理，提取包括三种观测窗口，分别为住院死亡率、出院后30天死亡率及出院后1年死亡率；
S12：提取年龄、性别及心率原始特征，引入热编码对原始特征进行转换，将原始特征映射到欧几里得空间，在空间中使用多种机器学习算法计算特征距离和相关度。
3.根据权利要求1所述的基于卷积层特征重排和SVM的心力衰竭预测方法，其特征在于：
所述S4包括：
S41：通过基于特征重排的卷积层对高频的原始特征向量进行重新排列和卷积，形成合理的特征；
S42：使用批次归一化层防止过拟合；
S43：REU激活函数将线性映射转换到非线性空间，采用最大层合并的方法对特征地图进行降维展开处理；
S44：采用常规稠密神经网络进行预测。
4.根据权利要求3所述的基于卷积层特征重排和SVM的心力衰竭预测方法，其特征在于：
所述S44包括：
S441：在训练过程中，通过迭代不同的重排方法，找出最佳的特征序列，再通过像等式一样，基于焦损对基于特征重排的卷积层模型进行训练。
5.一种基于卷积层特征重排和SVM的心力衰竭预测设备，其特征在于：所述心力衰竭预测设备包括：
存储器、处理器，通信总线以及存储在所述存储器上的心力衰竭预测程序，
所述通信总线用于实现处理器与存储器间的通信连接；
所述处理器用于执行所述基于卷积层特征重排和SVM的心力衰竭预测程序，以实现如上述权利要求1-4中任意一项所述的基于卷积层特征重排和SVM的心力衰竭预测方法的步骤。
6.一种计算机可读存储介质，存储有可执行指令，其特征在于：所述存储介质上存储有基于卷积层特征重排和SVM的心力衰竭预测程序，所述基于卷积层特征重排和SVM的心力衰竭预测程序被处理器执行时实现上述权利要求1-4中任意一项所述的基于卷积层特征重排和SVM的心力衰竭预测方法的步骤。
CN202110341133.5A 2021-03-30 2021-03-30 基于卷积层特征重排和svm的心力衰竭预测方法及装置 Active CN112992356B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110341133.5A CN112992356B (zh) 2021-03-30 2021-03-30 基于卷积层特征重排和svm的心力衰竭预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110341133.5A CN112992356B (zh) 2021-03-30 2021-03-30 基于卷积层特征重排和svm的心力衰竭预测方法及装置

Publications (2)

Publication Number Publication Date
CN112992356A CN112992356A (zh) 2021-06-18
CN112992356B true CN112992356B (zh) 2022-04-26

Family

ID=76338197

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110341133.5A Active CN112992356B (zh) 2021-03-30 2021-03-30 基于卷积层特征重排和svm的心力衰竭预测方法及装置

Country Status (1)

Country Link
CN (1) CN112992356B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107463937A (zh) * 2017-06-20 2017-12-12 大连交通大学 一种基于迁移学习的番茄病虫害自动检测方法
CN108595602A (zh) * 2018-04-20 2018-09-28 昆明理工大学 基于浅层模型与深度模型结合的问句文本分类方法
CN110200624A (zh) * 2019-07-02 2019-09-06 重庆大学 基于卷积神经网络-循环神经网络-支持向量机混合模型的疾病识别算法
CN110881969A (zh) * 2019-11-27 2020-03-17 太原理工大学 一种基于Stacking集成学习的心力衰竭预警方法
CN111202512A (zh) * 2020-03-05 2020-05-29 齐鲁工业大学 一种基于小波变换与dcnn的心电图分类方法和装置
CN111387938A (zh) * 2020-02-04 2020-07-10 华东理工大学 一种基于特征重排一维卷积神经网络的病人心衰死亡风险预测系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107683341A (zh) * 2015-05-08 2018-02-09 新加坡科技研究局 用于慢性心力衰竭的诊断和预后的方法
US11564633B2 (en) * 2018-12-21 2023-01-31 Industrial Technology Research Institute State assessment system, diagnosis and treatment system, and method for operating the diagnosis and treatment system

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107463937A (zh) * 2017-06-20 2017-12-12 大连交通大学 一种基于迁移学习的番茄病虫害自动检测方法
CN108595602A (zh) * 2018-04-20 2018-09-28 昆明理工大学 基于浅层模型与深度模型结合的问句文本分类方法
CN110200624A (zh) * 2019-07-02 2019-09-06 重庆大学 基于卷积神经网络-循环神经网络-支持向量机混合模型的疾病识别算法
CN110881969A (zh) * 2019-11-27 2020-03-17 太原理工大学 一种基于Stacking集成学习的心力衰竭预警方法
CN111387938A (zh) * 2020-02-04 2020-07-10 华东理工大学 一种基于特征重排一维卷积神经网络的病人心衰死亡风险预测系统
CN111202512A (zh) * 2020-03-05 2020-05-29 齐鲁工业大学 一种基于小波变换与dcnn的心电图分类方法和装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
An Efficient Convolutional Neural Network for Coronary Heart Disease Prediction;Aniruddha Dutta等;《http://doi.org/10.1016/j.eswa.2020.113408》;20201130;第1-16页 *
Classification of Congestive Heart Failure from ECG Segments with a Multi-Scale Residual Network;Dengao Li等;《https://www.mdpi.com/2073-8994/12/12/2019/htm》;20201231;第1-14页 *

Also Published As

Publication number Publication date
CN112992356A (zh) 2021-06-18

Similar Documents

Publication Publication Date Title
CN108806792B (zh) 深度学习面诊系统
Jadhav et al. Modular neural network based arrhythmia classification system using ECG signal data
Assegie et al. An empirical study on machine learning algorithms for heart disease prediction
Assad et al. Deep biomedical image classification using diagonal bilinear interpolation and residual network
CN116452851A (zh) 病症分类模型的训练方法、装置、终端及可读存储介质
Sharma et al. A hybrid deep neural net learning model for predicting Coronary Heart Disease using Randomized Search Cross-Validation Optimization
CN113610118A (zh) 一种基于多任务课程式学习的眼底图像分类方法、装置、设备及介质
CN112233742A (zh) 一种基于聚类的病历文档分类系统、设备、存储介质
Hossen Heart disease prediction using machine learning techniques
CN116703880A (zh) 一种免疫状态预测模型构建方法、预测方法及构建装置
CN114663445A (zh) 一种基于多尺度边缘感知的三维心脏图像分割方法
Akbar et al. Comparison of Machine Learning Techniques for Heart Disease Diagnosis and Prediction
CN112992356B (zh) 基于卷积层特征重排和svm的心力衰竭预测方法及装置
Natrayan et al. Data Mining and AI for Early Diagnosis and Treatment Optimization in Autoimmune Encephalitis
Abbas et al. An Efficient Stacked Ensemble Model for Heart Disease Detection and Classification.
Jaganathan et al. Machine learning for smartphone-based early detection of diabetic disease in Pima Indians diabetes database
Jabbar et al. Liver fibrosis processing, multiclassification, and diagnosis based on hybrid machine learning approaches
CN114418999B (zh) 基于病变关注金字塔卷积神经网络的视网膜病变检测系统
Polly et al. A Deep Learning-based study of Crop Diseases Recognition and Classification
Narwane et al. Is handling unbalanced datasets for machine learning uplifts system performance?: A case of diabetic prediction
Jusman et al. Comparison Performance of Prostate Cell Images Classification using Pretrained Convolutional Neural Network Models
Ramprakash et al. Comparative Analysis of Deep Learning and Machine Learning for Detection and Classification of Brain Tumors at Multiple Stages
Touati et al. Enhancing Diabetic Retinopathy Classification: A Fusion of ResNet50 with Attention Mechanism
Muthukrishnan et al. Machine Learning For Chronic Kidney Disease Detection
Graselin et al. A Systematic Review based on the Detection of PCOS using Machine Learning Techniques

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant