机构名称：
¥ 1.0
摘要 - 如果可以从患者的历史和家庭数据中对它们进行分析或预测，则可以预防多种疾病。预测诊断取决于患者收集的临床和生理数据。收集到的临床和医疗保健数据越多，医疗支持系统可能支持的知识越多。因此，基于物联网技术（IOT），对患者的实际监测临床和医疗数据是这十年的趋势。物联网模型通过轻松地远程收集临床数据来识别疾病，从而促进人类的生活，如果早期被诊断出来，易于治疗的疾病。本文提出了一个由两个模型组成的框架：（i）心脏病发作检测模型（HADM）； （ii）心电图信号心脏心跳多类分类模型（ECG-HMCM）。GridSearch用于用于不同机器学习（ML）技术的超参数优化。HADM中的使用数据集由1190名患者和14个功能组成。作为诊断心血管疾病的基础是心律失常检测，因此我们建议使用MIT-BIH心律失常和PTB诊断ECG Signal DataSet数据集，提出ECG心跳多级分类模型，其中包含五个类别的109446个样品。K最近的邻居（KNN）技术还用于构建ECG-HMCM，除了使用GridSearch算法进行超参数优化，旨在提高分类的准确性，该分类的准确性达到97.5％。所提出的框架旨在通过远程收集临床数据来促进人类生活。实验的结果表明，建议的框架在实际环境中效果很好。
使用机器学习检测心脏病的基于物联网的框架
主要关键词
相关文件推荐
