Wykrywanie Chorób Ukladu KrĄŻenia Przy UŻyciu Optymalny Wybór Cech

Choroby sercowo-naczyniowe (CVD) pozostaj¿ g¿ówn¿ przyczyn¿ zgonów na cäym ¿wiecie, co podkre¿la potrzeb¿ ich wczesnego wykrywania. Niniejsze badanie przedstawia oparte na uczeniu maszynowym ramy wykrywania CVD przy u¿yciu sygnäów EKG, koncentruj¿c si¿ na ulepszonej selekcji cech. System integruje filtr oparty na szybkiej korelacji (FCBF), minimaln¿ redundancj¿ maksymalnej istotno¿ci (mRMR), odci¿¿enie i optymalizacj¿ roju cz¿stek (PSO) w celu zidentyfikowania najbardziej odpowiednich i nie zb¿dnych cech. FCBF usuwa nadmiarowe dane, mRMR wybiera kluczowe istotne cechy, Relief szereguje cechy na podstawie ich mocy rozró¿niania klas, a PSO optymalizuje ostateczny zestaw cech. Klasyfikacja jest przeprowadzana przy u¿yciu klasyfikatorów Extra Trees i Random Forest, znanych z wysokiej dok¿adno¿ci i odporno¿ci na nadmierne dopasowanie. Po¿¿czony model osi¿gn¿¿ 100% wskänik dok¿adno¿ci w ró¿nych zestawach danych, przewy¿szaj¿c istniej¿ce metody i wykazuj¿c doskonä¿ wydajno¿¿ w wyborze cech i klasyfikacji. Ta struktura ma du¿y potencjä, aby poprawi¿ wczesn¿ diagnoz¿ CVD i usprawni¿ podejmowanie decyzji klinicznych.