Internationale Zeitschrift für Schwarmintelligenz und Evolutionsberechnung

Abstrakt

Training mehrschichtiger Perceptronen mit verbesserter Partikelschwarmoptimierung zur Vorhersage von Herzerkrankungen

Kelwade JP und Salankar SS

Die Untersuchung der Herzfrequenzvariabilität hat in letzter Zeit zur Einschätzung der Herzgesundheit an Bedeutung gewonnen. Dieser Aufsatz schlägt einen neuen Ansatz zur Verbesserung der Vorhersagegenauigkeit von neuronalen Netzwerken mit Multi-Layer Perceptrons (MLP) unter Verwendung einer verbesserten Technik der Partikelschwarmoptimierung (IPSO) vor. IPSO berechnet die Gewichte und Bias von MLP, um die Herzrhythmusstörungsklassen genauer vorherzusagen. Diese Studie zur Vorhersage des Herzzustands umfasst die Auswahl von drei Arten von Herzsignalen einschließlich Linksschenkelblock (LBBB), normaler Sinusrhythmus (NSR) und Rechtsschenkelblock (RBBB) aus der Arrhythmiedatenbank des MIT-BIH, die Bildung von Herzfrequenzzeitreihen, die Extraktion von Merkmalen aus RR-Intervallzeitreihen, die Implementierung eines Trainingsalgorithmus und die Vorhersage von Arrhythmieklassen. Es werden mehrere Experimente mit der vorgeschlagenen Trainingsmethode durchgeführt, um die Konvergenzfähigkeit von MLP zu verbessern. Die experimentellen Ergebnisse liefern eine vergleichsweise bessere Bewertung als der gradientenbasierte Back-Propagation-Lernalgorithmus (BP).