25、超声心动图模式识别与物联网机器学习应用

超声心动图模式识别与物联网机器学习应用

1. 超声心动图模式识别

1.1 Hierarchical Elitism Genetic GSA算法

Hierarchical Elitism Genetic GSA算法用于超声心动图图像的模式识别，其目标是在引力搜索中应用分层精英基因来优化模式识别中的MNN。具体步骤如下：
1. 测量力、适应度函数、最佳适应度和最差适应度。
2. 根据上述值计算速度和位置。
3. 在GSA中应用分层精英基因，以优化MNN为核心目标。
4. 应用平均精英主义进行验证，并对所有预处理的超声心动图图像继续该过程。

分层精英基因在GSA中的优势在于，它将一小部分超声心动图图像原样复制到下一代，从而减少了计算时间和复杂度。

1.2 实验设置

实验中使用的超声心动图图像均来自Cardiac Motion and Imaging Planes（ASE/SCA）。每个超声心动图视频会生成不同数量的帧，不同视频的帧数也不相同。例如，从一个视频中提取了52个不同的帧，并给出了3个样本帧。

1.3 性能比较

将HEG - GS方法与两种现有方法进行比较，测量三个不同的参数：计算时间（CT）、计算复杂度（CC）和模式识别准确率。

1.3.1 计算时间（CT）

CT是模式识别所需的重要指标，计算时间越短，模式识别任务完成得越快。CT的计算公式为：
[CT = \sum_{i = 1}^{n} I_i \times [Time\ Pattern\ Recognition]]
其中，$I_