基于CNN-ISNet混合架构的心血管疾病智能预测系统：一种改进双阶段归一化与多尺度特征融合的深度学习方案

针对心血管疾病早期诊断难题，M. Ambika团队开发了集成改进双阶段归一化(IDSN)和卷积神经网络-改进SqueezeNet(CNN-ISNet)的智能监测系统。通过融合高阶统计(HOS)特征与Renyi熵等多模态特征，在Cleveland数据集上实现92.45%的预测准确率，为无症状患者筛查提供可靠解决方案。

　　

心血管疾病已成为全球头号健康杀手，每年夺走1790万生命。更令人担忧的是，约三分之一患者发病前毫无症状，传统诊断方法存在显著漏诊率。面对这一严峻挑战，医疗领域亟需能突破人类经验局限的智能辅助系统。当前基于机器学习的方法虽有一定成效，但普遍存在特征选择不足、模型泛化能力弱等缺陷，特别是对早期无症状患者的识别准确率亟待提升。

为攻克这些技术瓶颈，研究人员创新性地构建了深度学习驱动的医疗监测体系。该研究最引人注目的突破在于将卷积神经网络(CNN)与改进型SqueezeNet(ISNet)有机结合，通过多尺度扩张卷积模块(MSDCM)捕获不同维度的病理特征。实验证明，这种混合架构在90%训练数据条件下即可达到92.45%的准确率，显著优于传统方法。

研究团队采用六阶段递进式技术路线：首先通过改进双阶段归一化(IDSN)对原始医疗数据进行标准化处理，创新性地引入双曲正切函数提升数据一致性；随后提取改进加权交叉熵特征、高阶统计(HOS)特征等多元特征；采用数据增强技术解决样本不平衡问题；最后通过滤波器与封装式混合特征选择确定最优特征子集。特别值得关注的是提出的ISNet模型，通过优化Fire模块结构，在保持SqueezeNet轻量级优势的同时，训练效率提升40%。

在Cleveland标准数据集上的系统验证显示：1）预处理阶段：IDSN方法较传统Z-score标准化能更有效消除特征间量纲差异，为后续分析奠定基础；2）特征工程：融合log熵与信息增益的特征组合对无症状患者识别贡献度达37.6%；3）模型性能：CNN-ISNet在敏感性指标上较单一CNN提升15.8%，证实多尺度特征融合的有效性；4）泛化能力：在数据增强后的测试集上，模型AUC值稳定保持在0.91以上。

这项发表于《Biomedical Signal Processing and Control》的研究具有双重革新价值：方法论层面，首次将Renyi熵与高阶统计特征结合应用于心血管风险评估；临床实践层面，为基层医疗机构提供了可部署的轻量级解决方案。尤其值得注意的是，系统对无症状患者的早期预警能力，有望改变当前被动诊疗模式。未来研究可进一步探索跨模态数据融合，或将开辟心血管疾病预防的新范式。