ఇంటర్నేషనల్ జర్నల్ ఆఫ్ స్వార్మ్ ఇంటెలిజెన్స్ అండ్ ఎవల్యూషనరీ కంప్యూటేషన్

నైరూప్య

గుండె జబ్బుల అంచనా కోసం మెరుగైన పార్టికల్ స్వార్మ్ ఆప్టిమైజేషన్‌తో మల్టీలేయర్ పర్సెప్ట్రాన్‌ల శిక్షణ

కెల్వాడే JP మరియు సలంకర్ SS

హృదయ స్పందన వేరియబిలిటీ యొక్క అధ్యయనం ఇటీవల గుండె ఆరోగ్యాన్ని అంచనా వేయడానికి ఊపందుకుంది. ఈ పేపర్ మెరుగైన పార్టికల్ స్వార్మ్ ఆప్టిమైజేషన్ (IPSO) టెక్నిక్‌ని ఉపయోగించి మల్టీ-లేయర్ పర్సెప్‌ట్రాన్స్ (MLP) న్యూరల్ నెట్‌వర్క్ యొక్క ప్రిడిక్షన్ ఖచ్చితత్వాన్ని మెరుగుపరచడానికి కొత్త విధానాన్ని సూచిస్తుంది. కార్డియాక్ అరిథ్మియా తరగతుల యొక్క మరింత ఖచ్చితమైన అంచనా కోసం IPSO MLP యొక్క బరువులు మరియు పక్షపాతాలను గణిస్తుంది. గుండె పరిస్థితి అంచనా కోసం ఈ అధ్యయనంలో MIT-BIH అరిథ్మియా డేటాబేస్ నుండి ఎడమ బండిల్ బ్రాంచ్ బ్లాక్ (LBBB), సాధారణ సైనస్ రిథమ్ (NSR), రైట్ బండిల్ బ్రాంచ్ బ్లాక్ (RBBB) సహా మూడు రకాల గుండె సంకేతాల ఎంపిక, హృదయ స్పందన సమయ శ్రేణి ఏర్పడటం వంటివి ఉంటాయి. , RR విరామం సమయ శ్రేణి నుండి లక్షణాల వెలికితీత, శిక్షణ అల్గోరిథం అమలు మరియు అరిథ్మియా అంచనా తరగతులు. ప్రతిపాదిత శిక్షణా పద్ధతిపై అనేక ప్రయోగాలు MLP యొక్క కన్వర్జెన్స్ సామర్థ్యాన్ని మెరుగుపరచడానికి నిర్వహించబడతాయి. ప్రయోగాత్మక ఫలితాలు గ్రేడియంట్ ఆధారిత బ్యాక్-ప్రొపగేషన్ (BP) లెర్నింగ్ అల్గోరిథం కంటే మెరుగైన మూల్యాంకనాన్ని అందిస్తాయి.