Presently, Coronary Acute Syndrome (CAS) is a widespread and extreme heart disease which is considered as one of the major concerns for death in the world with long-term disability. For early intervention and care, the prediction of CAS clinical risk is more critical during analysis. A minimum number of manually selected dimensions of risk are used for current CAS risk assessment models and statistical variables are often dichotomized to optimize storage in the Internet of medical things platform(IoMT) on the Encoder layer during data analysis. This research develops a Convolution Denoising Regularized Auto Encoder Stacked Method (CDRAESM) to normalize CAS patient’s medical risks from high volumes of patient records and the characteristics have been analyzed during prediction. In this research, a true medical dataset of 3,464 CAS samples is used for experimental analysis and numerical reliability has been analyzed in Area Characteristics Curve (ACC) with an Accuracy range of 96.77%. The results show that the current health risk prediction using CDRAESM achieves competitive concert than conventional models which prevails in practice. Further, the reconstructive learning strategy approach can extract informational risk from the CAS and the risk factors has been identified with existing knowledge of the clinical domain and include theories that might be confirmed by further medical research.

中文翻译：

---

医疗物联网平台中冠状动脉急性综合征的卷积降噪正则化自编码器堆叠方法

目前，冠状动脉急性综合征（CAS）是一种广泛存在的极端心脏病，被认为是世界上长期残疾的主要死亡问题之一。对于早期干预和护理，CAS临床风险的预测在分析过程中更为关键。当前 CAS 风险评估模型使用最少数量的手动选择的风险维度，并且通常将统计变量二分化以优化数据分析期间医疗物联网平台 (IoMT) 中编码器层的存储。本研究开发了一种卷积降噪正则化自动编码器堆叠方法 (CDRAESM)，以从大量患者记录中标准化 CAS 患者的医疗风险，并在预测过程中分析了特征。在这项研究中，一个真实的医学数据集 3，464个CAS样本用于实验分析，并在面积特征曲线（ACC）中进行了数值可靠性分析，准确度范围为96.77%。结果表明，当前使用 CDRAESM 的健康风险预测比在实践中流行的传统模型实现了竞争性的一致性。此外，重建学习策略方法可以从 CAS 中提取信息风险，并且风险因素已经通过临床领域的现有知识确定，包括可能被进一步医学研究证实的理论。结果表明，当前使用 CDRAESM 的健康风险预测比在实践中流行的传统模型实现了竞争性的一致性。此外，重建学习策略方法可以从 CAS 中提取信息风险，并且风险因素已经通过临床领域的现有知识确定，包括可能被进一步医学研究证实的理论。结果表明，当前使用 CDRAESM 的健康风险预测比在实践中流行的传统模型实现了竞争性的一致性。此外，重建学习策略方法可以从 CAS 中提取信息风险，并且风险因素已经通过临床领域的现有知识确定，包括可能被进一步医学研究证实的理论。