基于多模态特征的心血管疾病预测模型研究

作     者：付鹏飞 

作者单位：兰州理工大学 

学位级别：硕士

导师姓名：高玮军

授予年度：2023年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 1002[医学-临床医学] 081104[工学-模式识别与智能系统] 08[工学] 080203[工学-机械设计及理论] 100201[医学-内科学(含：心血管病、血液病、呼吸系病、消化系病、内分泌与代谢病、肾病、风湿病、传染病)] 0835[工学-软件工程] 0802[工学-机械工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 10[医学] 

主      题：心血管疾病预测 多模态特征 混合模型 心电图 超参数优化 

摘      要：随着社会的不断发展进步,生活水平日益提升,心血管疾病成了当今世界最严重的疾病之一,因此对心血管疾病的研究也是当下的研究热点。许多学者正在努力研发一种更加准确、可靠、有效的预防和诊断心血管疾病的新技术。经过深入的研究发现,目前心血管疾病预测模型的研究主要存在预测模型单一、预测性能差、泛化能力不强等问题,且大部分研究仅基于单一模态的数据建模,缺乏对多模态数据的研究。本文研究目的是为了提升心血管疾病预测的准确率和预测的可靠性,以及通过何种算法及改进算法来实现目的,并对基于多模态数据的心血管疾病预测方法作了尝试。论文的研究工作包括以下几个方面:(1)针对传统预测模型预测性能差,泛化能力不足的问题。本文通过对Stacking集成方法的应用,和模型超参数优化相结合的方法,构建了一个基于IMBODE优化的XGBLR心血管疾病预测模型XGBLR-IMBODE。该模型在多个公共数据集上表现了优秀的性能,证明了其较强的泛化能力,以及在心血管疾病预测的价值与有效性。(2)针对传统注意力模型所需计算资源量大,在小数据集上表现差,难以获取图像位置信息,以及神经网络卷积层难以获取特征的长端依赖性等缺点。本文构建了一种基于LKA模块和轻量化ParC卷积的Efficient-ECGNet模型。该模型在基于12导联心电图图像的心肌梗死预测中表现了优秀的性能,在保持模型参数量较低的同时能有较高的准确率。并在图像模态的基础上,加入了文本模态,建立了基于多模态融合特征的心肌梗死预测方法。实验结果证明,基于多模态特征的预测方法在单模态的基础上预测准确率得到了进一步的提升,证明了多模态实验的可行性与有效性。