Revista internacional de inteligencia de enjambre y computación evolutiva

Abstracto

Entrenamiento de perceptrones multicapa con optimización mejorada de enjambre de partículas para la predicción de enfermedades cardíacas

Kelwade JP y Salankar SS

El estudio de la variabilidad de la frecuencia cardíaca ha ganado impulso recientemente para una estimación de la salud cardíaca. Este artículo sugiere un nuevo enfoque para mejorar la precisión de la predicción de la red neuronal de perceptrones multicapa (MLP) utilizando la técnica mejorada de optimización de enjambre de partículas (IPSO). La IPSO calcula los pesos y sesgos de MLP para una predicción más precisa de las clases de arritmia cardíaca. Este estudio para la predicción de la condición cardíaca implica la selección de tres tipos de señales cardíacas que incluyen bloqueo de rama izquierda (LBBB), ritmo sinusal normal (NSR), bloqueo de rama derecha (RBBB) de la base de datos de arritmia MIT-BIH, formación de series temporales de frecuencia cardíaca, extracción de características de series temporales de intervalo RR, implementación de algoritmo de entrenamiento y predicción de clases de arritmia. Se llevan a cabo varios experimentos sobre el método de entrenamiento propuesto para mejorar la capacidad de convergencia de MLP. Los resultados experimentales brindan una evaluación comparativamente mejor que el algoritmo de aprendizaje de retropropagación (BP) basado en gradientes.