面向物联网医疗环境的基于混合元启发式优化与深度学习的能量感知心脏病预测系统

《Scientific Reports》：Energy-aware heart disease prediction system using hybrid metaheuristic optimization and deep learning for IoT-enabled healthcare environments

　　

摘要

物联网（IoT）使不同设备之间能够便捷地连接并共享数据，从而助力提升医疗服务水平。当物联网与人工智能及机器学习相结合时，可对大量医疗数据进行分析，以支持准确的医疗决策。深度学习方法在识别医疗数据中的复杂模式以及提高疾病诊断能力方面尤为有用。本研究提出了一种面向物联网驱动医疗环境的心血管疾病预测节能框架。所提出的框架包含两个主要阶段：数据传输和疾病预测。在传输阶段，采用混合蚁群-遗传算法（ACGA）来选择合适的簇头，并使用曼哈顿距离进行聚类。这有助于降低模拟物联网网络中的能耗。在预测阶段，患者数据首先通过主成分分析（PCA）进行特征提取和特征压缩处理。这一步骤有助于减少冗余数据并提升模型的泛化能力。随后，采用自适应性深度神经网络（SA-DNN）进行心血管疾病预测。网络参数通过改进的鲸鱼优化算法（IWOA）进行优化，以提升预测性能。预测模型使用克利夫兰心脏病、南非冠心病（CHD）和弗雷明翰心脏研究数据集进行评估，这些均为离线表格形式临床数据集，而物联网通信环境则通过软件仿真单独进行评估。本研究中未使用任何真实可穿戴设备、边缘计算平台或物理物联网硬件。实验结果表明，所提方法在能耗效率和预测性能方面均优于现有方法。经过50个训练周期后，所提模型在克利夫兰心脏病数据集上达到96.7%的分类准确率，在南非CHD数据集上达到98.56%的分类准确率，在弗雷明翰心脏研究数据集上达到95.05%的分类准确率。该模型还取得了较高的精确率、召回率和F1分数值。此外，还进行了5折交叉验证和统计分析，以验证所提方法的鲁棒性和一致性。同时，对计算复杂度和部署可行性进行了分析，表明该框架具有支持未来物联网驱动医疗应用的潜力。