Rilevamento Delle Malattie Cardiovascolari Mediante Selezione Ottimale Caratteristiche

Le malattie cardiovascolari (CVD) rimangono una delle principali cause di morte a livello globale, sottolineando la necessità di un'accurata diagnosi precoce. Questo studio presenta un framework basato sull'apprendimento automatico per il rilevamento di CVD utilizzando i segnali ECG, concentrandosi sulla selezione avanzata delle caratteristiche. Il sistema integra il Fast Correlation-Based Filter (FCBF), il Minimum Redundancy Maximum Relevance (mRMR), il Relief e la Particle Swarm Optimization (PSO) per identificare le caratteristiche più rilevanti e non ridondanti. FCBF rimuove i dati ridondanti, mRMR seleziona le caratteristiche chiave rilevanti, Relief classifica le caratteristiche in base al loro potere di distinguere le classi e PSO ottimizza il set finale di caratteristiche. La classificazione viene eseguita utilizzando i classificatori Extra Trees e Random Forest, noti per l'elevata precisione e la resistenza all'overfitting. Il modello combinato ha raggiunto un tasso di accuratezza del 100% su diversi set di dati, superando i metodi esistenti e dimostrando prestazioni superiori nella selezione delle caratteristiche e nella classificazione. Questa struttura ha un forte potenziale per migliorare la diagnosi precoce di CVD e migliorare il processo decisionale clinico.