基于优化极限学习机的CVD预测模型研究

• 作 者: 逯鹏 李奇航 尚莉伽 李新建 张微
• 机 构: 郑州大学电气工程学院,互联网医疗与健康服务河南省协同创新中心,北京市东城区中小学卫生保健所
• 出 处: 郑州大学学报:工学版
• 发表日期: 2019年2期
• 关键词: 心血管疾病 风险预测 极限学习机 粒子群 cardiovascular diseaserisk assessmentextreme learning machi
• 基金项目: 国家自然科学基金资助项目(60841004、60971110、61172152),郑州市科技攻关资助项目(112PPTGY219-8),河南省青年骨干教师资助计划(2012GGJS-005).

利用机器学习算法,改变传统心血管疾病(CVD)预测模型的严格数理化公式,以增加危险因素的纳入、降低数据格式的要求.首先提出利用基于单隐层前馈神经网络(SLFNs)的极限学习机(ELM)算法建立CVD预测模型;进一步通过五阶段连续变异方式建立增强领导粒子的粒子群算法(ELPSO),以粒子群(PSO)算法的优化策略,对SLFNs的隐层单元参数进行优化.通过对UCI数据库Statlog (heart)数据集和heart disease database分析结果显示,所提ELPSO-ELM模型测试正确率分别达到8