Diagnóstico de infarto de miocardio basado en un conjunto de apilamiento de redes neuronales convolucionales
Autores: Elmannai, Hela; Saleh, Hager; Algarni, Abeer D.; Mashal, Ibrahim; Kwak, Kyung Sup; El-Sappagh, Shaker; Mostafa, Sherif
Idioma: Inglés
Editor: MDPI
Año: 2022
Acceso abierto
Artículo científico
2022
Diagnóstico de infarto de miocardio basado en un conjunto de apilamiento de redes neuronales convolucionales
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Eléctrica y Electrónica
Palabras clave
Inteligencia artificial
Infarto de miocardio
Red neuronal convolucional
Ensamblaje por apilamiento
Clasificador meta-aprendiz
Señales de latidos cardíacos ECG
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 24
Citaciones: Sin citaciones
Las tecnologías de Inteligencia Artificial (IA) son vitales para identificar a los pacientes en riesgo de enfermedades graves al proporcionar un riesgo temprano de peligros. El infarto de miocardio (MI) es una enfermedad silenciosa que ha sido detectada y sigue amenazando muchas vidas. El objetivo de este trabajo es proponer un conjunto de apilamiento basado en un modelo de Redes Neuronales Convolucionales (CNN). El modelo propuesto consta de dos niveles principales, Nivel-1 y Nivel-2. En el Nivel-1, los modelos de CNN pre-entrenados (es decir, CNN-Model1, CNN-Model2 y CNN-Model3) producen las probabilidades de salida y las recopilan en el apilamiento para los conjuntos de entrenamiento y prueba. En el Nivel-2, cuatro clasificadores meta-aprendices (es decir, SVM, LR, RF o KNN) se entrenan apilando las probabilidades de salida del conjunto de entrenamiento y se evalúan utilizando el apilamiento de las probabilidades de salida del conjunto de prueba para hacer los resultados de predicción finales. El trabajo propuesto fue evaluado en base a dos conjuntos de datos de señales de latidos de ECG para MI: los conjuntos de datos del Massachusetts Institute of Technology-Beth Israel Hospital (MIT-BIH) y Physikalisch-Technische Bundesanstalt (PTB). El modelo propuesto se comparó con un conjunto diverso de algoritmos de aprendizaje automático clásicos como árbol de decisiones, vecino más cercano de K y máquina de vectores de soporte, y los tres clasificadores base de CNN: CNN-Model1, CNN-Model2 y CNN-Model3. El modelo propuesto basado en el clasificador meta-aprendiz RF obtuvo las puntuaciones más altas, logrando resultados notables en ambas bases de datos utilizadas. Para el conjunto de datos MIT-BIH logró una precisión del 99.8%, una precisión del 97%, una recuperación del 96% y una puntuación F1 del 94.4%, superando a todos los demás métodos, mientras que con el conjunto de datos PTB logró una precisión del 99.7%, una precisión del 99%, una recuperación del 99% y una puntuación F1 del 99%, superando a los otros métodos.
Descripción
Las tecnologías de Inteligencia Artificial (IA) son vitales para identificar a los pacientes en riesgo de enfermedades graves al proporcionar un riesgo temprano de peligros. El infarto de miocardio (MI) es una enfermedad silenciosa que ha sido detectada y sigue amenazando muchas vidas. El objetivo de este trabajo es proponer un conjunto de apilamiento basado en un modelo de Redes Neuronales Convolucionales (CNN). El modelo propuesto consta de dos niveles principales, Nivel-1 y Nivel-2. En el Nivel-1, los modelos de CNN pre-entrenados (es decir, CNN-Model1, CNN-Model2 y CNN-Model3) producen las probabilidades de salida y las recopilan en el apilamiento para los conjuntos de entrenamiento y prueba. En el Nivel-2, cuatro clasificadores meta-aprendices (es decir, SVM, LR, RF o KNN) se entrenan apilando las probabilidades de salida del conjunto de entrenamiento y se evalúan utilizando el apilamiento de las probabilidades de salida del conjunto de prueba para hacer los resultados de predicción finales. El trabajo propuesto fue evaluado en base a dos conjuntos de datos de señales de latidos de ECG para MI: los conjuntos de datos del Massachusetts Institute of Technology-Beth Israel Hospital (MIT-BIH) y Physikalisch-Technische Bundesanstalt (PTB). El modelo propuesto se comparó con un conjunto diverso de algoritmos de aprendizaje automático clásicos como árbol de decisiones, vecino más cercano de K y máquina de vectores de soporte, y los tres clasificadores base de CNN: CNN-Model1, CNN-Model2 y CNN-Model3. El modelo propuesto basado en el clasificador meta-aprendiz RF obtuvo las puntuaciones más altas, logrando resultados notables en ambas bases de datos utilizadas. Para el conjunto de datos MIT-BIH logró una precisión del 99.8%, una precisión del 97%, una recuperación del 96% y una puntuación F1 del 94.4%, superando a todos los demás métodos, mientras que con el conjunto de datos PTB logró una precisión del 99.7%, una precisión del 99%, una recuperación del 99% y una puntuación F1 del 99%, superando a los otros métodos.