WYKRYWANIE CHORÓB UKŁADU KRĄŻENIA PRZY UŻYCIU OPTYMALNY WYBÓR CECH

Choroby sercowo-naczyniowe (CVD) pozostają główną przyczyną zgonów na całym świecie co podkreśla potrzebę ich wczesnego wykrywania. Niniejsze badanie przedstawia oparte na uczeniu maszynowym ramy wykrywania CVD przy użyciu sygnałów EKG koncentrując się na ulepszonej selekcji cech. System integruje filtr oparty na szybkiej korelacji (FCBF) minimalną redundancję maksymalnej istotności (mRMR) odciążenie i optymalizację roju cząstek (PSO) w celu zidentyfikowania najbardziej odpowiednich i nie zbędnych cech. FCBF usuwa nadmiarowe dane mRMR wybiera kluczowe istotne cechy Relief szereguje cechy na podstawie ich mocy rozróżniania klas a PSO optymalizuje ostateczny zestaw cech. Klasyfikacja jest przeprowadzana przy użyciu klasyfikatorów Extra Trees i Random Forest znanych z wysokiej dokładności i odporności na nadmierne dopasowanie. Połączony model osiągnął 100% wskaźnik dokładności w różnych zestawach danych przewyższając istniejące metody i wykazując doskonałą wydajność w wyborze cech i klasyfikacji. Ta struktura ma duży potencjał aby poprawić wczesną diagnozę CVD i usprawnić podejmowanie decyzji klinicznych.