基于启发式改进的多序列级联自适应扩张网络与最优特征融合的智能心脏病预测框架

为解决心脏病早期诊断准确率低的问题，研究人员开发了一种结合启发式优化与深度学习的智能预测框架。通过改进的均匀随机变量平衡优化器(IURV-EO)筛选最优特征，并构建多序列级联自适应扩张网络(MCADN)整合深度时间卷积网络(DTCN)、长短期记忆网络(LSTM)和一维卷积神经网络(1DCNN)。实验显示该模型准确率达94.40%，显著优于现有方法，为临床个性化诊疗提供了高效决策工具。

　　

心血管疾病(CVD)是全球头号致死病因，每年导致约70%的患者死亡。传统诊断依赖CT和ECG等昂贵检查，且往往在疾病晚期才能发现。农村地区医疗资源匮乏更使得早期诊断成为难题。现有机器学习方法虽有一定效果，但存在特征选择不精准、模型泛化能力差等问题，导致漏诊率居高不下。

为突破这些瓶颈，由Princess Nourah bint Abdulrahman University领衔的国际团队在《Engineering Applications of Artificial Intelligence》发表创新研究。该工作开发了融合启发式优化与深度学习的智能预测系统，通过三阶段技术路线实现突破：首先采用自动编码器提取患者生理数据深层特征；随后利用改进的均匀随机变量平衡优化器(IURV-EO)进行特征加权选择，同步优化网络参数；最终构建多序列级联自适应扩张网络(MCADN)，整合DTCN(深度时间卷积网络)、LSTM和1DCNN优势，实现时序依赖与局部特征的协同捕捉。

Autoencoder-based feature extraction
通过三层自动编码器处理无线传感器采集的生理数据CD_ee^data，隐藏层R提取具有代表性的深度特征，为后续分析奠定基础。

Proposed MCADN-based heart disease prediction
创新设计的MCADN模型将加权特征WF_dd^fsn依次输入DTCN、LSTM和1DCNN。其中DTCN通过扩张卷积捕获长程时序模式，LSTM处理序列依赖关系，1DCNN提取局部特征，三者级联形成互补优势。

Developed heart disease prediction model
相比传统方法，该框架在特征选择阶段通过IURV-EO优化自动编码器权重，显著提升特征质量。MCADN网络参数如LSTM隐藏神经元数、DTCN迭代次数等均通过同一优化器自动调节，实现端到端优化。

Experimental setup
Python平台测试显示，该模型准确率高达94.40%，超越ASMO-MCADN等对比方法。特别在早期无症状患者识别中表现突出，为临床争取宝贵干预时间。

这项研究开创性地将启发式优化与多模态深度学习结合，突破单一模型局限。MCADN的级联架构有效整合时序与空间特征，IURV-EO算法实现双重量化指标优化。成果不仅提供高精度预测工具，其模块化设计更便于临床解读，对推动精准医疗发展具有重要意义。研究团队特别指出，未来可结合区块链技术确保数据安全性，进一步拓展在基层医疗的应用前景。