基于低复杂度深度学习模型的2型糖尿病诊断系统设计与性能验证

研究人员针对糖尿病并发症监测需求，开发了一种融合卷积神经网络(CNN)和多层感知机(MLP)的轻量化深度学习模型。通过PIDD数据集验证，该混合架构实现93.89%的准确率，为可穿戴医疗设备及物联网(IoT)健康监测提供了高效解决方案。

　　

最新研究表明，2型糖尿病可能引发心脏病变和神经系统损伤等继发疾病。为解决传统诊断方法复杂度高的问题，科研团队创新性地设计了一种低复杂度深度学习(DL)架构。该研究采用公开的PIMA印第安人糖尿病数据集(PIDD)，通过系统性的精度-复杂度权衡分析，最终构建出卷积神经网络(CNN)与多层感知机(MLP)的混合模型。实验数据显示，这种CNN+MLP组合结构以93.89%的准确率显著优于其他模型，其轻量化特性尤其适合集成到可穿戴设备和物联网(IoT)健康监测系统中，为糖尿病早期诊断提供了切实可行的技术方案。