25、模式识别与机器学习在医疗及物联网领域的应用探索

模式识别与机器学习在医疗及物联网领域的应用探索

模式识别中的分层精英遗传引力搜索算法

在模式识别领域，对于超声心动图图像的处理有着重要的研究意义。分层精英遗传引力搜索算法（Hierarchical Elitism Genetic GSA，简称 HEG - GS）在超声心动图图像的模式识别中展现出了独特的优势。

该算法对于每个预处理后的超声心动图图像，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多层神经网络（MNN）。具体操作步骤如下：
1. 参数测量 ：首先测量力、适应度函数、最佳匹配和最差匹配。通过这些测量值，进而得到速度和位置。
2. 应用分层精英基因 ：将分层精英基因应用于引力搜索算法（GSA）中，核心目标是优化 MNN。分层精英基因在 GSA 中的优势在于，它会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。
3. 验证操作 ：应用平均精英策略进行验证，并对所有预处理后的超声心动图图像持续执行该过程。

为了验证 HEG - GS 方法的性能，进行了相关实验。实验中使用的超声心动图图像均来自心脏运动和成像平面（Cardiac Motion and Imaging Planes），从美国超声心动图学会/心血管麻醉学会（ASE/SCA）获取。对于每个超声心动图视频，会生成不同数量的帧，不同视频的帧数并不相等。

下面通过三个重要指标来对比 HEG - GS 方法与两种现有方法的性能：
1. 计算时间（CT）
-