换一批基于脉搏波频域梅尔频率倒谱系数特征的高血压危险分层预测模型
Hypertension risk stratification prediction model based on frequency-domain pulse wave Mel-scale frequency cepstral coefficient features
摘要目的 为改进基于人工智能技术高血压时域脉搏波分类模型精度低、泛化性能差的问题,提出一种基于融合注意力机制的频域脉搏波预测模型.方法 首先将时域脉搏波转换为频域梅尔频率倒谱系数特征,增强脉搏波区分度,采用时间卷积网络与Transformer结构提取脉搏波深层特征,并将自注意力机制与选择性内核注意力进行决策融合,提取脉搏波关联特征,并采用Floodings正则化方法间接控制训练损失,防止过拟合发生.针对上海中医药大学附属龙华医院及上海市中西医结合医院提供的527例临床脉诊数据,进行5折交叉验证实验.此外,采用梯度提升决策树算法统计脉搏波频域特征的贡献率排名,分析影响模型分类精度的关键因素,为中医临床辅助诊断提供参考价值.结果 本研究提出的模型分类评估指标准确度、F1值、精确率、召回率和AUC值分别为0.9396、0.924 9、0.940 9、0.929 5和0.993 4.脉搏波的静态特征、一阶差分和二阶差分系数的贡献率相对均衡,说明高血压危险程度不仅与脉搏波的静态特征相关,也应当考虑脉搏波的动态特征.结论 与典型脉搏波分类模型相比,本研究提出的模型具有较高的分类精度和泛化性能.
更多相关知识
关键词
高血压危险分层梅尔频率倒谱系数时间卷积网络Transformerhypertensionrisk stratificationMel-scale frequency cepstral coefficienttemporal convolutional networkTransformer
栏目名称
DOI
10.16781/j.CN31-2187/R.20230243
发布时间
2024-11-18（万方平台首次上网日期，不代表论文的发表时间）
- 浏览12
- 被引3
- 下载3
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
