Multimodal Biyomedikal Sinyal Füzyonu için Hibrit Derin Pekiştirme Öğrenme

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

doi:10.3791/69929

Bu içeriği görüntülemek için JoVE aboneliğiniz gereklidir. Giriş yapın veya ücretsiz denemenizi bugün başlatın.

Araştırma makalesi

Multimodal Biyomedikal Sinyal Füzyonu için Hibrit Derin Pekiştirme Öğrenme

293 görüntülenme

⸱

DOI:

10.3791/69929

⸱

10 Nisan 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

Bu makalede

Özet

Bu araştırma, özellik çıkarımı için derin sinir ağlarını (DNN) dinamik multimodal sinyal füzyonu için güçlendirme öğrenme (RL) ile entegre eden hibrit derin pekiştirme öğrenme (HDRL) çerçevesi önermektedir. Biyomedikal veri setleri üzerinde değerlendirilen bu cihaz, doğruluk, sağlamlık ve nadir olay tespiti açısından öne çıkar ve kişiselleştirilmiş tıp ile hastalık sınıflandırmasında önemli uygulamalar sunar.

Özet

Sağlık hizmetlerinde karar alma ve tanı doğruluğunu artırmak, elektrokardiyogram (EKG), elektroensefalogram (EEG) ve tıbbi görüntüleme gibi çoklu modal biyomedikal sinyallerin birleştirilmesini gerektirir. Geleneksel sinyal füzyon teknikleri, sinyal değişkenliği ve doğasında bulunan karmaşıklık nedeniyle önemli zorluklarla karşı karşıyadır. Özellik çıkarımı için Derin Sinir Ağları (DNN) ve dinamik füzyon optimizasyonu için Pekiştirme Öğrenme (RL) kullanan Hibrit Derin Pekiştirme Öğrenme (HDRL) modeli öneriyoruz. Bu hibrit model, füzyon politika öğrenimini optimize etmek ve değişken veri özelliklerine uyum sağlamak için gerçek zamanlı geri bildirim kullanır. Performansını değerlendirmek için önerilen model, Derin Sinir Ağı tabanlı yöntemler ve Ana Bileşen Analizi (PCA) gibi geleneksel füzyon teknikleriyle karşılaştırıldı. Hibrit derin pekiştirme öğrenme modeli, birkaç gerçek dünya biyomedikal veri setinde test edilmiştir. Önerilen model, kişiselleştirilmiş tıp ve hastalık sınıflandırması için geçerlidir; deneysel kanıtlar, gürültülü koşullarda dayanıklılık, sınıflandırma doğruluğu ve nadir olay tespiti açısından performansın arttığını göstermektedir. Önerilen metodoloji, geleneksel sinyal füzyon teknikleriyle ilgili endişeleri ele almanın yanı sıra, çoklu modal biyomedikal sinyal işlemeyi ilerleten umut vaat eden çözümler sunmaktadır. Model, özellik madenciliği için DNN ve politika optimizasyonu için RL ajanları (DQN, PPO) kullanır.

Giriş

Modern sağlık hizmetleri, tanı doğruluğunu ve klinik karar alma süreçlerini artırmak için çeşitli biyomedikal veri kaynaklarının entegrasyonuna giderek daha fazla dayanmaktadır. Elektrokardiyogram (EKG), elektroensefalogram (EEG) gibi fizyolojik sinyaller ve manyetik rezonans görüntüleme (MR) ile bilgisayarlı tomografi (BT) gibi tıbbi görüntüleme yöntemleri, hastalık teşhisi ve kişiselleştirilmiş tedaviyi destekleyen tamamlayıcı fizyolojik bilgiler sağlar. Ancak, biyomedikal sinyaller doğası gereği karmaşıktır ve genellikle gürültü, eksik değerler ve yüksek boyutlu yapılar içerir, bu da analiz ve yorumlamalarını zorlaştırır. Çoklu fizyolojik veri akışından gelen bilgi....