倪诗琦 人工智能技术应用·大二实践学期

项目简介：

该作品针对生物医学领域的胎心监测三分类、亚健康七分类及睡眠三分类任务，通过预处理三类数据集，采用多种机器学习、深度学习模型及 BLOOMZ-560M 大语言模型进行训练，并构建多任务 CNN 模型实验。经多维度评估，明确了不同模型的表现差异，验证了多任务模型的泛化优势，为生物医学分类提供了有效策略。

主要技术：

主要运用了 PyTorch、Scikit-learn、Pandas、NumPy 等工具库，其中 PyTorch 用于构建和训练深度学习模型，Scikit-learn 实现机器学习模型，Pandas 和 NumPy 处理数据；采用了 SVM、随机森林、逻辑回归等机器学习模型，CNN、RNN、DNN 等深度学习模型，以及 BLOOMZ-560M 大语言模型，还构建了多任务 CNN 模型，通过这些技术完成生物医学领域分类任务的训练与分析。

图1 胎心检测数据集

图2 亚健康数据集 

图3 SVM模型在胎心监测和亚健康数据集训练学习曲线 

 图4 随机森林模型在胎心监测和亚健康数据集训练学习曲线

图5 SVM模型在胎心监测和亚健康数据集混淆矩阵