基于知识蒸馏与频繁序列模式挖掘的心脏疾病增强诊断模型研究

【编辑推荐】本研究创新性地将知识蒸馏（KD）与频繁序列模式挖掘（PREFIXSPAN）结合，提出Attention-DC教师网络与轻量化DSCNN学生网络协同框架，通过改进水鸟优化算法（ICOA）调参，在心脏病、心血管疾病和糖尿病数据集上实现99.3%+超高准确率，为解决医疗数据高噪声、高维度及计算资源受限问题提供新范式。

　　

亮点

本研究通过知识蒸馏（KD）框架将大型教师网络的知识迁移至轻量化学生网络，显著提升医疗时序数据分析效率。采用基于注意力的密集连接胶囊网络（Attention-DC）作为教师模型，结合深度可分离卷积神经网络（DSCNN）的轻量化优势，在保留时序特征的同时降低83%参数量。改进的水鸟优化算法（ICOA）动态调整超参数，使模型在300训练周期（batch size=32，学习率0.001）下达到最优。

核心方法

1. 1.

   数据清洗：采用基于分位数离群值检测的预处理流程，消除电子健康记录（EHR）中不规则的时序噪声

2. 2.

   序列挖掘：PREFIXSPAN算法挖掘病程发展中的高频事件链，如"胸痛→ST段抬高→心肌酶升高"的典型心梗序列

3. 3.

   蒸馏框架：教师网络（Attention-DC）通过胶囊动态路由机制捕捉症状间空间层级关系，学生网络（DSCNN）采用深度可分离卷积实现参数共享

性能验证

在MIT-BIH心律失常数据集上的对比实验显示：

• •

  准确率99.512%（心脏病）vs CNN-LSTM的97.2%

• •

  召回率98.7%优于ResNet的95.3%

• •

  F1-score 99.1%显著超过MobileNet V3

结论与展望

该框架成功实现"模型压缩+时序特征提取"双突破，未来可扩展至多模态医疗数据分析。值得注意的是，蒸馏过程使学生网络对ECG信号中的基线漂移噪声鲁棒性提升40%，为可穿戴设备实时诊断提供新可能。

创新点

• 首次将PrefixSpan算法用于心电序列周期模式挖掘

• 提出胶囊网络与注意力机制的混合蒸馏损失函数

• 通过ICOA算法实现超参数自适应调整