全 Elman 神经网络：一种由改进哈里斯鹰算法优化的新型深度循环神经网络用于肺动脉楔压分类
机器学习
2023-01-20 v1 神经与进化计算
信号处理
摘要
心力衰竭（HF）是最普遍的生命威胁性心血管疾病之一，美国有 650 万人、全球超过 2300 万人受其困扰。HF 患者的机械循环支持可通过植入左心室辅助装置（LVAD）作为移植、恢复或终末治疗的桥梁来实现，并可通过测量正常与异常肺动脉楔压（PAWP）进行控制。尽管目前尚无商用的长期可植入压力传感器来测量 PAWP，实时无创估计异常与正常 PAWP 变得至关重要。本工作中，首先提出一种称为 HHO+ 的改进哈里斯鹰优化器算法，并在 24 个单峰和多峰基准函数上进行了测试。其次，提出一种新型全 Elman 神经网络（FENN）以提升分类性能。最后，开发了四种新型的 18 层深度学习方法，即卷积神经网络结合多层感知机（CNN-MLP）、CNN 结合 Elman 神经网络（CNN-ENN）、CNN 结合全 Elman 神经网络（CNN-FENN），以及由 HHO+ 算法优化的 CNN 结合全 Elman 神经网络（CNN-FENN-HHO+），利用估计的 HVAD 泵流量对异常与正常 PAWP 进行分类并进行了比较。估计泵流量由嵌入商用 HVAD 控制器中的无创方法导出。所提方法在不平衡临床数据集上使用 5 折交叉验证进行了评估。提出的 CNN-FENN-HHO+ 方法优于所提的 CNN-MLP、CNN-ENN 和 CNN-FENN 方法，并在 5 折交叉验证中改善了分类性能指标。所提方法可降低 HF 患者发生肺充血和心室抽吸等危险事件的可能性，并向医院、临床医生和心脏病专家通知已识别的异常情况。
引用
@article{arxiv.2301.07710,
title = {Fully Elman Neural Network: A Novel Deep Recurrent Neural Network Optimized by an Improved Harris Hawks Algorithm for Classification of Pulmonary Arterial Wedge Pressure},
author = {Masoud Fetanat and Michael Stevens and Pankaj Jain and Christopher Hayward and Erik Meijering and Nigel H. Lovell},
journal= {arXiv preprint arXiv:2301.07710},
year = {2023}
}