机构名称：
¥ 1.0
心血管疾病（CVD）仍然是全球超过1700万枚死亡的主要原因。以高精度对心力衰竭的早期检测对于临床试验和治疗至关重要。患者将根据血压，胆固醇水平，心率和其他特征等特征将患者分为各种类型的心脏病。使用自动系统，我们可以通过分析其特征来为那些容易发生心力衰竭的人提供早期诊断。在这项工作中，我们部署了一种新型的基于自我发挥的变压器模型，该模型结合了自我发项机制和变压器网络以预测CVD风险。自我发项层捕获上下文信息并生成有效建模数据中复杂模式的表示。自我注意力的机制通过给输入序列的每个组成部分来提供一定程度的注意力重量来提供可解释性。这包括调整输入和输出层，结合更多层，并修改注意力过程以收集相关信息。这也使医生可以理解数据的哪些功能有助于该模型的预测。提出的模型在Cleveland数据集上进行了测试，克利夫兰数据集是加利福尼亚大学尔湾分校（UCI）机器学习（ML）存储库的基准数据集。将提出的模型与几种基线方法进行比较，我们达到了96.51％的最高准确性。此外，我们的实验结果表明，我们的模型的预测率高于其他用于心脏病预测的尖端方法的预测率。
使用自我注意力增强心脏病预测...
主要关键词
相关文件推荐
