使用神经网络机器学习算法提升医疗健康数据性能指标

患者常被鼓励使用可穿戴设备进行健康数据的远程采集与监测。这种可穿戴设备的采用导致所采集和传输的数据量显著增加。由于设备的高处理需求，设备电池寿命随之迅速缩短。鉴于医疗数据的重要性，所有传输数据必须遵守严格的完整性和可用性要求。减少用于网络传输的医疗健康数据量可在不损害准确性的情况下改善传感器电池寿命。效率与准确性之间存在权衡，可通过调整采样和传输速率来控制。本文证明机器学习可用于分析复杂的健康数据指标（如数据传输的准确性和效率）以克服该权衡问题。该研究使用时间序列非线性自回归神经网络算法，通过传输更少的样本来提升这两项数据指标。这些算法使用标准心率数据集进行测试，以比较其准确性和效率。结果表明，Levenbery-Marquardt算法表现最佳，效率为3.33，准确性为79.17%，其准确性与其他算法相似但效率有所提升。这证明与现有高效率方法相比，机器学习可在不牺牲某一指标的情况下改善另一指标。