Hybride diep versterkingsleren voor multimodale biomedische signaalfusie

Bhanu Prakash Reddy Rella; Rajesh Sura; Rahul Kumar Konduru; Bosko Nikolic; Milos Janjic; Nebojsa Bacanin

doi:10.3791/69929

Een abonnement op JoVE is vereist om deze inhoud te bekijken. Log in of start vandaag met uw gratis proefperiode.

Onderzoeksartikel

Hybride diep versterkingsleren voor multimodale biomedische signaalfusie

293 weergaven

⸱

DOI:

10.3791/69929

⸱

10 april 2026

Bhanu Prakash Reddy Rella¹ , Rajesh Sura² , Rahul Kumar Konduru³ , Bosko Nikolic⁴ , Milos Janjic⁵ , Nebojsa Bacanin⁶^,⁷

¹Ageno School of Business, Golden Gate University, ²Department of Electrical and Electronics Engineering, Anna University, ³Lead Data Engineer, FedEx Dataworks, ⁴School of Electrical Engineering, University of Belgrade, ⁵Innovation Centre, School of Electrical Engineering, University of Belgrade, ⁶Faculty of Informatics and Computing, Singidunum University, ⁷Department of Mathematics, Saveetha School of Engineering, SIMATS

In dit artikel

Samenvatting

Dit onderzoek stelt een hybride deep reinforcement learning (HDRL) framework voor dat diepe neurale netwerken (DNN's) integreert voor feature-extractie met reinforcement learning (RL) voor dynamische multimodale signaalfusie. Geëvalueerd op biomedische datasets blinkt het uit in nauwkeurigheid, robuustheid en detectie van zeldzame gebeurtenissen, en biedt het belangrijke toepassingen in gepersonaliseerde geneeskunde en ziekteclassificatie.

Samenvatting

Het verbeteren van besluitvorming en diagnostische nauwkeurigheid in de gezondheidszorg vereist het combineren van multimodale biomedische signalen zoals elektrocardiogrammen (ECG), elektro-encefalogrammen (EEG) en medische beeldvorming. Traditionele signaalfusietechnieken ondervinden aanzienlijke uitdagingen vanwege signaalvariabiliteit en inherente complexiteit. We stellen een Hybrid Deep Reinforcement Learning (HDRL) model voor dat Deep Neural Networks (DNN's) gebruikt voor feature extraction en Reinforcement Learning (RL) voor dynamische fusie-optimalisatie. Dit hybride model maakt gebruik van realtime feedback om het leren van fusiebeleid te optimaliseren en zich aan te passen aan verschillende datakenmerken. Om de prestaties te evalueren, werd het voorgestelde model vergeleken met conventionele fusietechnieken, zoals Deep Neural Network-gebaseerde methoden en Principal Component Analysis (PCA). Het hybride deep reinforcement learning-model werd getest op verschillende biomedische datasets uit de echte wereld. Het voorgestelde model is toepasbaar op gepersonaliseerde geneeskunde en ziekteclassificatie, aangezien experimenteel bewijs verbeterde prestaties toont op het gebied van robuustheid onder ruisachtige omstandigheden, classificatienauwkeurigheid en detectie van zeldzame gebeurtenissen. De voorgestelde methodologie behandelt, naast het aanpakken van zorgen rond traditionele signaalfusietechnieken, veelbelovende oplossingen die multimodale biomedische signaalverwerking bevorderen. Het model gebruikt een DNN voor feature mining en RL-agenten (DQN, PPO) voor beleidsoptimalisatie.

Inleiding

De moderne gezondheidszorg vertrouwt steeds meer op het integreren van diverse biomedische databronnen om de diagnostische nauwkeurigheid en klinische besluitvorming te verbeteren. Fysiologische signalen zoals elektrocardiogrammen (ECG), elektro-encefalogrammen (EEG) en medische beeldvormingsmodaliteiten zoals magnetische resonantiebeeldvorming (MRI) en computertomografie (CT) bieden complementaire fysiologische informatie die de ziektediagnose en gepersonaliseerde behandeling ondersteunt. Biomedische signalen zijn echter van nature complex en bevatten vaak ruis, ontbrekende waarden en hoogdimensionale structuren, waardoor hun analyse....