基于生活史数据的 CNN-Transformer 混合心脏病预测模型
机器学习
2025-03-05 v1
摘要
本研究提出了一种卷积神经网络（CNN）和 Transformer 的混合模型，用于预测和诊断心脏病。基于 CNN 在检测局部特征方面的优势和 Transformer 在感知全局关系方面的高能力，该模型能够成功地从高维生活史数据中检测出心脏病的风险因素。实验结果表明，所提出的模型在准确率、精确率和召回率等多项指标上优于支持向量机（SVM）、卷积神经网络（CNN）和长短期记忆网络（LSTM）等传统基准模型。这证明了其处理多维和非结构化数据的强大能力。为了验证模型的有效性，我们进行了移除特定模块的实验，实验结果表明，同时使用 CNN 和 Transformer 模块对增强模型性能至关重要。本文还讨论了在未来的研究中纳入额外特征和方法以提升模型性能，并使其能在各种条件下有效运作。本研究为利用机器学习预测心脏病提供了新的见解和方法，在个性化医疗和健康管理等领域具有众多潜在应用。
引用
@article{arxiv.2503.02124,
title = {A Hybrid CNN-Transformer Model for Heart Disease Prediction Using Life History Data},
author = {Ran Hao and Yanlin Xiang and Junliang Du and Qingyuan He and Jiacheng Hu and Ting Xu},
journal= {arXiv preprint arXiv:2503.02124},
year = {2025}
}