В данном исследовании предлагается гибридный фреймворк глубокого подкрепления (HDRL), который интегрирует глубокие нейронные сети (DNN) для извлечения признаков с подкреплением обучения (RL) для динамического мультимодального синтеза сигналов. Оцениваемый на биомедицинских наборах данных, он отличается точностью, надёжностью и редким обнаружением событий, предоставляя широкое применение в персонализированной медицине и классификации заболеваний.
Для просмотра этого контента требуется подписка на JoVE. Войдите или начните свой бесплатный пробный период.
Исследовательская статья
Гибридное глубокое подкрепляющее обучение для мультимодального биомедицинского синтеза сигналов
В этой статье
Краткое содержание
Аннотация
Повышение точности принятия решений и диагностики в здравоохранении требует сочетания мультимодальных биомедицинских сигналов, таких как электрокардиограммы (ЭКГ), электроэнцефалограммы (ЭЭГ) и медицинская визуализация. Традиционные методы синтеза сигналов сталкиваются с серьёзными трудностями из-за вариабельности сигнала и внутренней сложности. Мы предлагаем гибридную модель глубокого подкрепления (HDRL), которая использует глубокие нейронные сети (DNN) для извлечения признаков и обучение с подкреплением (RL) для оптимизации динамического слияния. Эта гибридная модель использует обратную связь в реальном времени для оптимизации обучения политики слияния и адаптации к изменяющимся характеристикам данных. Для оценки её эффективности предложенная модель была сравнивана с традиционными методами синтеза, такими как методы на основе глубоких нейронных сетей и анализ основных компонентов (PCA). Гибридная модель глубокого подкрепления обучения была протестирована на нескольких реальных биомедицинских наборах данных. Предлагаемая модель применима к персонализированной медицине и классификации заболеваний, поскольку экспериментальные данные показывают улучшение устойчивости в шумных условиях, точности классификации и обнаружения редких событий. Предлагаемая методология, помимо решения вопросов, связанных с традиционными методами синтеза сигналов, предлагает перспективные решения, продвигающие мультимодальную биомедицинскую обработку сигналов. Модель использует DNN для майнинга признаков и RL-агенты (DQN, PPO) для оптимизации политик.
Введение
Современное здравоохранение всё больше опирается на интеграцию различных биомедицинских источников данных для повышения точности диагностики и принятия клинических решений. Физиологические сигналы, такие как электрокардиограммы (ЭКГ), электроэнцефалограммы (ЭЭГ), а также медицинские методы визуализации, включая магнитно-резонансную томографию (МРТ) и компьютерную томографию (КТ), предоставляют дополнительную физиологическую информацию, поддерживающую диагностику заболеваний и персонализированное лечение. Однако биомедицинские сигналы по своей природе сложны и часто содержат шум, отсутствующие значения и высокоразмерные структуры, что затрудняет их анализ и интерпретацию. Мультимодальное биомедицинское синтез сигналов, интегрирующий информацию из нескольких физиологических потоков данных, стал важным подходом для повышения диагностической эффективности, повышения устойчивости к вариациям качества данных и обеспечения комплексного мониторинга пациентов в клинических условиях, таких как отделения интенсивной терапии (ICU)1.
Традиционные методы мультимодального синтеза сигналов в значительной степени опирались на статистические и линейные методы. Анализ основных компонентов (PCA) уменьшает размерность данных, превращая сигналы в ортогональные компоненты, тогда как канонический корреляционный анализ (CCA) выявляет линейные связи между модальностями для выравнивания мультимодальных наборовданных 2. Эти методы успешно применяются в биомедицинских мультимодальных условияхслияния 3. Однако их зависимость от линейных предположений ограничивает способность фиксировать сложные нелинейные связи, которые часто существуют среди физиологических сигналов. На практике биомедицинские данные редко бывают полностью линейными. Традиционные методы мультимодального слияния часто не способны захватить значимые взаимодействия между модальностями из-за этих нелинейныхзависимостей 4,5. В результате традиционные методы слияния могут не учитывать значимые взаимодействия между методами, что ограничивает их эффективность в таких задачах, как диагностика заболеваний и принятие клинических решений в реальном времени.
Недавние достижения в области глубокого обучения значительно преобразили обработку биомедицинских сигналов, позволив нейронным сетям автоматически извлекать иерархические представления из исходных данных. Сверточные нейронные сети (CNN) продемонстрировали высокие результаты анализа пространственных закономерностей на медицинскихизображениях 5,6. Мультимодальные архитектуры CNN использовались для интеграции методов визуализации, таких как МРТ и КТ, с целью повышения точностидиагностики 3. Аналогично, рекуррентные нейронные сети (RNN) и долгосрочная кратковременная память (LSTM) применяются к последовательным биомедицинским сигналам, включая ЭКГ и ЭЭГ, для задач классификациизаболеваний 7. Несмотря на эти достижения, многие подходы слияния на основе глубокого обучения опираются на фиксированные стратегии синтеза, такие как конкатенация признаков или взвешенное усреднение. Эти механизмы статического синтеза плохо адаптируются к вариациям качества сигнала. В реальных клинических условиях сигналы могут ухудшаться из-за артефактов движения, смещения электродов, искажений или шума окружающей среды. Такие вариации могут снижать надёжность отдельных методов и негативно влиять на общий процесс синтеза. Решение этих задач требует адаптивных стратегий слияния, способных реагировать на динамические условия данных в клинических условиях реальноговремени 8.
Обучение с подкреплением (RL) предоставляет мощную основу для последовательного принятия решений в условиях неопределённости. В RL агент учится выбирать действия, которые максимизируют накопленное вознаграждение через взаимодействие с окружающей средой. Этот процесс принятия решений обычно формулируется с помощью уравнения Беллмана, которое определяет значение состояния как сумму немедленной награды и дисконтированного значения будущихвознаграждений 9. Методы, такие как глубокие Q-сети (DQN), расширяют обучение с подкреплением на высокомерные задачи, приближая функцию значения действия с помощью глубоких нейронныхсетей 10. Аналогично, методы глубокого подкрепления на основе политики обеспечивают стабильное и эффективное обучение политике через итеративные обновления политикиагента 11. Методы обучения с подкреплением уже исследованы в нескольких медицинских приложениях, включая оптимизацию лечения и обнаружениеаномалий 12, но их применение для адаптивного мультимодального синтеза сигналов остаётся относительно ограниченным.
Гибридное глубокое подкрепляющее обучение (HDRL) интегрирует глубокое обучение с подкреплением для объединения извлечения признаков и адаптивного принятия решений. В этой структуре глубокие нейронные сети преобразуют мультимодальные биомедицинские сигналы в высокоуровневые представления признаков, в то время как агенты усиленного обучения динамически выбирают стратегии слияния на основе выполнения задачи4. Этот адаптивный механизм позволяет системе реагировать на различия в качестве сигнала и доступности модальности, обеспечивая более надёжную работу в сложных клинических условиях, таких как мониторинг реанимации и носимые диагностическиесистемы 8.
В дополнение к классическим методам обучения с подкреплением были исследованы несколько гибридных методов обучения, сочетающих нечеткую логику, генетические алгоритмы и обучение с подкреплением для задач биомедицинской классификации. Например, нечеткое Q-обучение в сочетании с генетическими алгоритмами применялось к классификации эпилептических приступов с помощью сигналов ЭЭГ, демонстрируя улучшенную адаптивность к неопределённым временнымпаттернам 13. Аналогично, для классификации заболеваний лёгких с использованием медицинских изображений были предложены эволюционные методы обучения на основе нечеткой решётки. Другие исследования изучали подходы на основе подкрепляющего обучения для распознавания судорог15 и модифицированные классификаторы нечеткого Q-обучения для обнаружения пневмонии и туберкулёза по рентгеновским снимкамгрудной клетки 16. Хотя эти исследования демонстрируют потенциал гибридных методов обучения в биомедицинском анализе, большинство существующих подходов сосредоточены на одномодальной классификации, а не на мультимодальном синтезе сигналов.
Недавние достижения в мультимодальном машинном обучении также исследуют архитектуры на основе трансформаторов для кроссмодальных медицинских приложений. Эти модели показали многообещающие результаты в таких задачах, как синтез изображений в здравоохранении и анализ гетерогенных биомедицинских наборов данных, в которых одна или несколько методов могут быть неполными илиотсутствовать 17 .Однако, несмотря на эти достижения, необходимость в адаптивных механизмах слияния, динамически реагирующей на вариации в мультимодальных данных, остаётся важной исследовательской задачей.
В этой работе предложена гибридная фреймворк глубокого подкрепления (HDRL) для мультимодального биомедицинского синтеза сигналов. Модально-специфические модели CNN используются для извлечения признаков из данных ЭКГ, ЭЭГ и МРТ, которые затем объединяются в единое мультимодальное представление. Агент глубокой Q-сети (DQN) динамически выбирает стратегии слияния, такие как конкатенация признаков или взвешенная комбинация, в зависимости от текущего состояния признаков. Нижний классификатор предоставляет сигнал вознаграждения на основе эффективности классификации, позволяя агенту с подкреплением оптимизировать политику слияния через непрерывную обратную связь. Эта адаптивная структура позволяет модели адаптироваться к вариациям качества сигнала и доступности модальности. Предлагаемый подход оценивается с использованием наборов данных PhysioNet 2016, CHB-MIT EEG и OASIS-3 и сравнивается с традиционными методами синтеза на основе PCA и глубокого обучения.
Рисунок 1: Блок-схема, иллюстрирующая архитектуру предлагаемой мультимодальной системы синтеза сигналов на основе HDRL. Схематическое представление мультимодального фреймворка слияния, показывающее входные данные ЭКГ, ЭЭГ и медицинских изображений, обработанные через экстракторы признаков глубоких нейронных сетей, за которыми следует адаптивное слияние на основе подкрепляющего обучения и обратная связь по вознаграждениям. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.
Архитектура предлагаемого фреймворка мультимодального синтеза сигналов показана на рисунке 1. В этой архитектуре модально-специфические модели CNN независимо извлекают признаки из сигналов ЭКГ, ЭЭГ и МРТ. Эти признаки затем объединяются в унифицированное представление, которое агент обучения с подкреплением использует для определения оптимальной стратегии слияния.
Обработка биомедицинских сигналов играет ключевую роль в современном здравоохранении, обеспечивая точную диагностику, мониторинг и планирование лечения посредством анализа физиологических сигналов, полученных из различных методов. Интеграция таких сигналов, как ЭКГ, ЭЭГ и медицинские данные визуализации, требует сложных методов синтеза, которые собирают дополнительную информацию из разных источников. Таблица 1 обобщает широко используемые подходы мультимодального синтеза сигналов, включая их ключевые характеристики, преимущества и ограничения, а также подчёркивает мотивацию предложенной структуры на основе HDRL.
| Метод | Ключевые особенности | Преимущества | Ограничения |
| PCA | Линейное уменьшение размерности | Быстро, просто | Ограничено линейными отношениями |
| DNN | Нелинейное обучение признаков | Фиксирует сложные закономерности | Стратегия фиксированного синтеза |
| DRL | Динамическое обучение политике | Адаптация к данным | Высокие вычисления |
| HDRL | Гибрид DNN + RL | Адаптивный, надёжный, эффективный | Требует тщательной настройки |
Таблица 1: Сравнение методов мультимодального синтеза. Краткое изложение широко используемых подходов мультимодального синтеза сигналов, изложение их ключевых характеристик, преимуществ и ограничений.
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.
Протокол
Этот протокол описывает пошаговую реализацию модели гибридного глубокого подкрепления (HDRL) для мультимодального биомедицинского синтеза сигналов. Фреймворк интегрирует техники глубокого обучения и подкрепления для оптимизации слияния данных ЭКГ, ЭЭГ и медицинской визуализации в реальном времени. Раздел также описывает процедуры извлечения признаков, обучения и подготовки данных, используемых в предлагаемой модели.
Материалы
Все эксперименты проводились на рабочей станции с многоядерным процессором, ≥32 ГБ оперативной памяти и выделенной видеокартой (≥8 ГБ VRAM). Среда реализации включала Python (версия 3.9 и новее), TensorFlow (версия 2.12) и Keras (версия 2.12). Библиотеки Reinforcement Learning были установлены с помощью pip install stable-baselines3. Пакет Stable-Baselines318 обеспечивает эффективные реализации алгоритмов обучения с подкреплением, таких как Deep Q-Network (DQN) и Proximal Policy Optimization (PPO).
Наборы данных
Предлагаемая фреймворк Hybrid Deep Reinforcement Learning (HDRL) была оценена с использованием трёх общедоступных биомедицинских наборов данных, представляющих мультимодальные типы сигналов. (1) PhysioNet Challenge 2016: коллекция записей ЭКГ с 12 проводами у пациентов с сердечными заболеваниями, включая фибрилляцию предсердий, желудочковую аритмию и ишемическую болезнь сердца. Набор данных включает аннотированные метки сердечных заболеваний19. (2) База данных CHB-MIT Scalp EEG: Для обнаружения эпилептических приступов используется набор данных с записями ЭЭГ кожи головы, с аннотациями, обозначающими припадки и неприступныесобытия 20. (3) База данных OASIS-3 MRI: Коллекция МРТ-изображений мозга и клинических оценок используется для выявления и мониторинга болезни Альцгеймера21. Репрезентативные выборки каждой модальности демонстрируют присущие свойствам вариабельности и шума, присущие мультимодальным биомедицинским данным (рисунок 2).
Рисунок 2: Взятие биомедицинских сигналов с ЭКГ, ЭЭГ и медицинской визуализации. Представительные примеры ЭКГ-сигнала, ЭЭГ-сигнала и медицинской визуализации, иллюстрирующие различные методы, используемые в исследовании. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.
Предварительная обработка данных
Каждая модальность проходила процедуры предварительной обработки, специфичной для модальности, чтобы обеспечить стандартизированное представление входных данных. Сигналы ЭЭГ и ЭКГ фильтровались с помощью полосного фильтра Баттерворта четвёртого порядка. Диапазон частот был установлен на 0,5–40 Гц для ЭЭГ и 0,5–45 Гц для ЭКГ. Образцы были разделены на окна по 5 секунд с 50% перекрытием. Каждый сигнал нормализовался путём сегментирования для достижения нулевой средней и единицной дисперсии. МРТ-изображения были обработаны с помощью очистки черепа с помощью инструмента FSL Brain Extraction Tool (BET). Изображения были изменены до 224 × 224 пикселей. Интенсивность пикселей нормализовалась до диапазона [0,1] для стандартизации входных распределений.
Извлечение признаков
Извлечение признаков проводилось независимо для каждой модальности с использованием DNN, что обеспечивало эффективное отражение уникальных характеристик каждой модальности.
Экстракторы для ЭКГ и ЭЭГ:
Для обработки временных рядов сигналов использовалась архитектура 1D-сверточной нейронной сети (1D-CNN). Архитектура состояла из (1) входного слоя (window_length, 1), (2) слоёв Conv1D с 64 фильтрами и размером ядра 3, (3) активации ReLU, (4) MaxPooling1D с размером пула=2, (5) слоев Flatten и Density (128 единиц, ReLU). Предпоследние представления плотных слоёв извлекались в виде модально-специфических векторов признаков.
Экстрактор особенностей МРТ
Предварительно обученная двумерная модель CNN (например, VGG16 или ResNet50) была доработана для извлечения пространственных признаков из МРТ-изображений. CNN была обучена на наборе данных OASIS-3, при этом последние несколько слоёв предварительно обученной модели были модифицированы для адаптации к конкретной классификационнойзадаче 21. Финальные слои классификации были заменены слоями, специфичными для задач, а пространственные особенности высокого уровня были извлечены из предпоследнегослоя 5,6.
Архитектура и обучение модели
Предложенная фреймворк Hybrid Deep Reinforcement Learning (HDRL) была разработана и обучена на двух последовательных этапах: выделение модально-специфических признаков и оптимизация слияния на основе обучения с подкреплением. На первом этапе отдельные сверточные нейронные сети (CNN) обучались на маркированных данных для ЭКГ, ЭЭГ и МРТ. Оптимизатор Adaptive Moment Estimation (Adam) с скоростью обучения 0,001 и категорической потерей по перекрёстной энтропии использовался во время обучения под надзором. После сходимости высокоуровневые представления извлекались из предпоследнего слоя каждого CNN, что дало модально-специфичные векторы признаков: FECG = CNNECG(XECG), FECG = CNN ECG(XECG) и FMRI = CNNMRI (XMRI). Эти векторы были объединены для образования единого мультимодального представления Fconcat = [FECG,F EEG, FMRI], которое служит входным сигналом для этапа обучения с подкреплением.
Процесс слияния был сформулирован как процесс принятия решения по Маркове (MDP), где состояние s соответствовало конкатенированному вектору признаков Fconcat, действие представляло собой выбор стратегии слияния (либо взвешенное суммирование, либо прямое конкатенирование), а вознаграждение r определялось как точность классификации, полученная с помощью классификатора по нижнему потоку, обученному на слитых признаках. Функция действия Q(s,a) была аппроксимирована с помощью глубокой Q-сети (DQN), которая оценивала ожидаемую накопленную награду 
. Параметры модели обновлялись итеративно в соответствии с правилом.
где α = 0,0001 — скорость обучения, γ = 0,99 — коэффициент дисконтирования, а s' — следующее состояние.
Во время оптимизации с учёбой с помощью подкрепления модель была обучена для 1000 эпизодов с размером партии 32. Была принята стратегия жадности эпсилона для баланса между разведкой и эксплуатацией, 
с инициализацией на уровне 1.0 и снижением на 0.995 за эпизод. С вероятностью выбором была выбрана стратегия случайного слияния, а с вероятностью 1 - — стратегия с самым высоким оцениваемым Q-значением. Конвергенция вознаграждения отслеживалась на протяжении всего обучения, при этом стабильная производительность (>0,85 совокупного вознаграждения) обычно наблюдалась примерно за 500 эпизодов.
Рабочий процесс HDRL включает предварительную обработку мультимодальных сигналов, выделение специфических для модальности глубоких признаков, формирование единого представления состояния, выбор стратегий слияния и улучшение политики с помощью классификационной обратной связи от агента DQN. Взаимодействие между экстракторами признаков на базе CNN и агентом обучения с подкреплением образует замкнутую систему адаптивного слияния (рисунок 3), позволяющую обновлять политику на основе обратной связи о вознаграждении.
Рисунок 3: Схема потока предлагаемого рабочего процесса гибридного глубокого подкрепления (HDRL). Диаграмма рабочего процесса, показывающая модально-специфическое извлечение признаков CNN, конкатенацию признаков, выбор стратегии слияния (DQN/PPO) на основе подкреплённого обучения, классификацию по нижнему потоку и обновление политики на основе вознаграждения. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.
Результаты
Экспериментальные результаты показывают, что предлагаемая модель гибридного глубокого подкрепления (HDRL) обеспечивает улучшенную производительность мультимодального биомедицинского синтеза сигналов. Модель HDRL была оценена путём валидации по нескольким реальным биомедицинским наборам данных. Результаты с точки зрения устойчивости, адаптивности и точности классификации демонстрируют его превосходство над другими традиционными методами синтеза, такими как синтез на основе PCA и DNN.
Эк...
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.
Обсуждение
Эффективность термоядерного синтеза:
В этом разделе представлен сравнительный анализ эффективности термоядерного синтеза между HDRL, PCA и DNN. Мультимодальный набор данных, полученный путём объединения данных ЭЭГ, ЭКГ и МРТ из PhysioNet Challenge2016 19, CHB-MIT Scalp EEG Database20 и OASIS-3 MRI Database21, использовался для вычисления эффективности термоядерного синтеза. Время обработки — критически важный параметр в клинически...
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.
Раскрытие информации
Авторы заявляют, что в этой работе нет конфликтов интересов.
Благодарности
Частично исследование проводилось в помещениях Дворца науки, Центра прикладного искусственного интеллекта имени Миодрага Костича. Это исследование было поддержано грантом EUROHPC-JU No 101191697, EuroCC4SEE.
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.
Материалы
| Имя | Компания | Каталожный номер | Комментарии |
|---|---|---|---|
| Фильтр Баттерворта (4-й порядок, реализация SciPy) | Сообщество SciPy | Н/Д | Предварительная обработка сигнала ЭЭГ/ЭКГ |
| CHB-MIT Scalp EEG Database | PhysioNet | DOI: 10.13026/C2K01R | Набор данных ЭЭГ |
| Инструмент экстракции мозга FSL (BET) | Библиотека программного обеспечения FMRIB (FSL) | Н/Д | МРТ удаления черепа |
| Керас (v2.12) | Google LLC | Н/Д | API нейронных сетей высокого уровня |
| Видеокарта NVIDIA (≥ 8 ГБ видеопамяти) | Корпорация NVIDIA | Зависимый от модели | Требуется для ускоренного обучения глубокому обучению |
| База данных OASIS-3 MRI | Вашингтонский университет | DOI: 10.1002/alz.047259 | Набор данных МРТ |
| Набор данных PhysioNet Challenge 2016 | PhysioNet | DOI: 10.22489/CinC.2016.179-154 | Набор данных ЭКГ |
| Python (версия 3.9 и выше) | Фонд программного обеспечения Python | Н/Д | Среда программирования |
| Стабильные базовые линии3 | DLR-RM (Open-SO) | Н/Д | Реализация обучения с подкреплением (DQN, PPO) |
| TensorFlow (v2.12) | Google LLC | Н/Д | Фреймворк глубокого обучения |
| Рабочая станция (многоядерный процессор, ≥ 32 ГБ оперативной памяти, ≥ 8 ГБ видеокарты) | Индивидуальная сборка / Местный поставщик | Н/Д | Используется для обучения и экспериментов моделей |
Ссылки
- Stahlschmidt, S. R., Ulfenborg, B., Synnergren, J. Multimodal deep learning for biomedical data fusion: a review. Brief. Bioinform. 23 (2), bbab569(2022).
- Er, A. G., et al. Multimodal data fusion using sparse canonical correlation analysis and cooperative learning: a COVID-19 cohort study. NPJ Digit. Med. 7 (1), 45(2024).
- Deng, X., Dragotti, P. L. Deep convolutional neural network for multi-modal image restoration and fusion. IEEE Trans. Pattern Anal. Mach. Intell. 43 (10), 3333-3348 (2021).
- Duan, J., Xiong, J., Li, Y., Ding, W. Deep learning based multimodal biomedical data fusion: overview and comparative review. Inf. Fusion. 105, 102536(2024).
- Simonyan, K., Zisserman, A. Very deep convolutional networks for large-scale image recognition. Proc. Int. Conf. Learn. Represent. , (2015).
- He, K., Zhang, X., Ren, S., Sun, J. Deep residual learning for image recognition. Proc. IEEE Conf. Comput. Vis. Pattern Recognit. , 770-778 (2016).
- Boda, S., Mahadevappa, M., Dutta, P. K. Automated patient-specific ECG beat classification using LSTM-based recurrent neural networks. Biomed. Signal Process. Control. 84, 104756(2023).
- Mulani, J., et al. Deep reinforcement learning based personalized health recommendations. Adv. Healthcare Syst. , 231-255 (2020).
- Sutton, R. S., Barto, A. G. Reinforcement Learning: An Introduction. , 2nd ed, MIT Press. (2018).
- Mnih, V., et al. Human-level control through deep reinforcement learning. Nature. 518 (7540), 529-533 (2015).
- Mnih, V., et al. Asynchronous methods for deep reinforcement learning. arXiv. , (2016).
- Yu, C., Liu, J., Nemati, S., Yin, G. Reinforcement learning in healthcare: a survey. ACM Comput. Surv. 55 (1), 1-36 (2023).
- Gupta, A., et al. Genetic algorithm assisted fuzzy Q-learning epileptic seizure classifier. IEEE Trans. Neural Syst. Rehabil. Eng. 30, 112-123 (2022).
- Sharma, R., et al. Fuzzy lattices assisted EJAYA Q-learning for pulmonary disease classification. Comput. Biol. Med. 145, 105432(2022).
- Kumar, P., et al. Epileptic seizure classification using fuzzy lattices and neural reinforcement learning. J. Biomed. Inform. 135, 104210(2023).
- Singh, V., et al. Modified fuzzy Q-learning classifier for pneumonia and tuberculosis. Med. Image Anal. 85, 102756(2023).
- Zhu, X., Li, Y. Latent multi-scale residual transformer for cross-modal medical image synthesis. IEEE Access. 13, 58745-58758 (2025).
- Raffin, A., et al. Stable-baselines3: reliable reinforcement learning implementations. J. Mach. Learn. Res. 22 (268), 1-8 (2021).
- Clifford, G. D., et al. Classification of normal/abnormal heart sound recordings: PhysioNet/Computing in Cardiology Challenge 2016. Comput. Cardiol. 43, 609-612 (2016).
- Goldberger, A., et al. CHB-MIT Scalp EEG Database. PhysioNet. , (2021).
- Marcus, D., et al. OASIS-3 MRI database for Alzheimer’s disease detection. Alzheimers Dement. 16 (S10), e047259(2020).
- Jain, A., Mehrotra, A., Rewariya, A., Kumar, S. A systematic study of deep Q-networks and their variations. 2nd Int. Conf. Adv. Comput. Innov. Technol. Eng, , 2157-2162 (2022).
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.