Resumen

Se ha demostrado que el aprendizaje conjunto mejora la capacidad de generalización de forma eficaz tanto en la teoría como en la práctica. En este artículo, describimos brevemente el estado actual de la investigación al respecto. A continuación, se propone un nuevo método de ensemble basado en redes neuronales profundas que integra vistas de filtrado, vistas locales, vistas distorsionadas, entrenamiento explícito, entrenamiento implícito, predicción de subvistas y Media Simple para la clasificación de series temporales biomédicas. Finalmente, validamos su eficacia en la base de datos de enfermedades cardiovasculares de China que contiene un gran número de registros de electrocardiogramas. Los resultados experimentales muestran que el método propuesto tiene ciertas ventajas en comparación con algunos métodos de conjunto bien conocidos, como Bagging y AdaBoost.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva
• Subjects:Artificial intelligence Data mining Genetic algorithms Brain - pathophysiology Cognitive Neuroscience
• Palabras claves:red neural profunda, enfermedad cardiovascular china, métodos de conjunto conocidos, número de electrocardiogramas, base de datos de enfermedades cardiovasculares, estado de la investigación, métodos de conjunto basados, clasificación de series temporales, aprendizaje de conjunto, estado actual
• Keywords:deep neural network, chinese cardiovascular disease, known ensemble methods, number of electrocardiogram, cardiovascular disease database, status of research, based ensemble methods, time series classification, ensemble learning, current status