摘要：采用机器学习中卷积神经网络的方式对获得的心电图数据进行学习,提取心电图数据中的特征因素进行分析建模,利用建立好的预测模型对患者的心电图数据进行分析,根据分析得到的结果判断患者是否患有心脏病,然后进一步给出患者具体的心脏病类型。利用深度残差卷积神经网络算法进行模型的建立以及模型训练,在模型训练的过程中,对批处理脚本大小、卷积核大小、池化窗口大小等进行进一步的最优化预测,以期得到较好的训练模型,最终根据训练好的模型得出实验结果。实验结果显示该系统能够在保证较高的准确率的情况下,利用心电图数据实现对心脏病患者的实时预测,并根据预测的结果给出详细的分析报告,以方便医生和患者对病情进一步了解,达到更好的治疗效果。

摘要：针对心脏病预测难的问题,提出了一种基于特征组合和卷积神经网络的心脏病预测方法。通过特征工程对数据进行预处理,减少噪声干扰;使用特征组合算法增强样本属性关联,生成特征矩阵;设计卷积神经网络对特征矩阵进行更高级抽象。该方法在UCI Heart Disease数据集上达到了0.898 9的预测精度,优于SVM、集成学习等传统机器学习方法,可作为相关领域专家判断的重要参考。

摘要：针对老年人智慧养老需求,设计了一款面向独居老人的智慧居家养老系统。监护人通过手机等终端实时查看室内多种环境传感器以及老人手环上传的心率数据、血压传感器上传的血压数据,并通过USB摄像头获取老人的居家环境和生活情况,实现远程照顾老人;同时,利用GA-BP神经网络对智慧手环采集的个人健康监测信息进行分析及心脏病预测,为老人营造一个温馨、安全的居家环境,让独居老人也能够被子女远程照顾、关心,感受到亲人带来的温暖。研究结果表明,该设计达到了预期目标。

摘要：针对心脏病难以预测的问题,实现了一种基于卷积神经网络的心脏病预测方法,并将该方法整合到智慧康养系统中,使之可以向用户提供心脏病预测服务。通过构建具有多个卷积层的神经网络模型,在UCI Heart Disease数据集训练并验证后可以达到94%的预测准确率。智慧康养系统整合模型后,实现了康养机构对用户身体健康情况的数字化管理,疾病早期干预,完成了互联网与智慧健康管理有机结合。

摘要：设计一种基于AP聚类算法和SVM分类器相融合的新的混合分类器,使用AP聚类算法优化数据集,得到了高质量、小样本的SVM分类器训练集.实验结果表明:与传统的SVM分类器相比,混合分类器具有更高的分类精度;在心脏病预测上,该分类器的效果较好.