脑血管疾病的机器学习及深度学习分类研究

⃝可在www.sciencedirect.com在线获取ScienceDirectICTExpress 8（2022）109www.elsevier.com/locate/icte使用机器学习和深度学习技术进行脑血管疾病（CVD）分类和预测的比较研究M. Swathy，K. 萨鲁拉达印度Puducherry理工大学CSE系接收日期：2020年12月8日;接收日期：2021年5月3日;接受日期：2021年8月18日2021年9月3日网上发售摘要心血管疾病（CVD）被发现在人群中猖獗，导致致命的死亡。最近一项调查的统计数据显示， 由于人们的肥胖、胆固醇、高血压和吸烟，死亡率正在上升。的严重程度由于上述因素，疾病正在堆积。研究这些因素的变化及其对心血管疾病的影响，复活时这就需要使用现代技术，在疾病开始时就识别出疾病，并帮助降低死亡率。人工智能和数据挖掘领域有一个研究范围，其巨大的技术，将有助于预测 CVD priory并在大量数据中识别其行为模式。这些预测的结果将有助于临床医生在决策和早期诊断，这将减少病人成为致命的风险。本文比较和报告了用于预测血管疾病的各种分类，数据挖掘，机器学习，深度学习模型。该调查分为三个部分：CVD的分类和数据挖掘技术，CVD的机器学习模型和CVD预测的深度学习模型。用于报告准确性的性能指标，用于预测和分类的数据集，以及用于这些技术的每个类别的工具也在本次调查中进行了汇编和报告c2021韩国通信和信息科学研究所（KICS）。出版社：Elsevier B.V.这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。关键词：血管疾病;分类;回归;支持向量机;深度学习;数据挖掘;机器学习;人工智能1. 介绍心血管疾病（CVD）是一个整体术语，指的是影响人体心脏和血管的条件。这也可能包括肾脏、心脏、眼睛和大脑等器官中动脉的损伤[1]。CVD是世界上许多发达国家和发展中国家甚至年轻人死亡的主要原因之一。但是，事实是，它可以通过健康的生活方式来广泛预防。有四种主要类型的血管疾病。首先是冠心病，它是由于血液阻塞到心肌而发生的。这会增加心脏的压力，导致心绞痛、心脏病发作和心力衰竭。第二种类型是中风短暂性脑缺血发作（TIA），∗ 通讯作者。电子邮件地址：mswat97@pec.edu（M.Swathy），charuladha@pec.edu（K.Saruladha）。同行评审由韩国通信和信息科学研究所（KICS）负责https://doi.org/10.1016/j.icte.2021.08.021大脑的血液阻塞和暂时的中断，血液流动第三种是外周动脉疾病，由于血液阻塞而发生肢体。这会导致最严重的腿部疼痛，腿部和脚部脱发，腿部无力和持续性溃疡。最后一种类型是影响最大血管-主动脉的主动脉疾病。这没有症状，但当有可能破裂时会导致危及生命的出血。心血管疾病包括冠状动脉疾病（CAD）如心绞痛和心肌梗塞（通常称为心脏病发作）和冠心病（CHD），其中在冠状动脉内形成称为斑块的蜡状物质。如果没有快速开始恢复，心脏病发作可能导致严重的健康问题，甚至死亡，因为这仍然是全球常见的死亡原因虽然，心血管疾病的确切原因还没有明确发现，有很多的可能性之一得到它.有几个危险因素与获得心血管疾病的机会.一些最突出的因素是高血压、吸烟、高胆固醇、糖尿病、肥胖、家族史、年龄等，2405-9595/2021韩国通信和信息科学研究所（KICS）。出版社：Elsevier B.V.这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。M. 斯瓦西里和K。萨鲁拉达ICT Express 8（2022）109110由于心血管疾病的危险人群的识别是一个基石。由于人工识别的诸多限制， 随着心脏病的发展，科学家们已经转向了现代方法，如数据挖掘，机器和深度学习方法来预测疾病。这些被证明[2]是有效的，以协助决策和预测从大量的数据产生的医疗保健行业。CVD可以使用一系列实验室测试和成像研究来诊断。然而，诊断的主要部分是病人的病史和家族史、危险因素和体格检查。通过统计数据，我们可以协调调查结果，并从结果和程序上预测疾病的存在。机器和深度学习的自动化可以使医生做出明智的决定。疾病预测的自动化可以创建一个单一的平台，从该平台可以检索结构化数据，并可以为患者提供有效的护理。因此，它重新定义了个性化保健的水平。通过人工智能和机器学习，计算机被教导识别疾病发生的模式，并将其转换为结构数据预测同样的事情。通过人工智能在电子健康记录（EHR），收入周期和运营方面进行创新。在未来，它将与临床工作流程相结合，现有的工具使从业者能够在护理点获得实时数据。2. 调查组织本调查比较了CVD的各种分类它遵循三重组织，包括CVD的数据挖掘技术，CVD的机器学习模型和CVD预测的深度学习模型本研究简要介绍了用于预测的方法和算法，分类技术，性能指标和用于评估其模型的工具。2.1. CVD的分类和数据挖掘技术心脏是人体的重要器官。它将血液泵送到全身其他器官。如果有任何扭曲的血液循环（或）不足的血液，它可能会导致严重的影响，如脑发烧，甚至死亡，发生在几分钟内[3]。心脏病是一个集体术语，指的是与心脏及其相关血管系统相同的疾病。数据挖掘（DM）是计算机科学的一个领域，用于从庞大的数据集中提取有用的数据，这些数据可以用于预测，或者可以使用分类，聚类，关联等技术描述数据，[4、5]。数据挖掘结合了机器学习、数学分析和信息技术，对已有的大型数据库进行评估，以提取数据中隐藏的模式。在医疗保健领域，DMT可用于通过评估大型数据库并使用有用的数据库探索数据之间的关系来预测疾病的存在。训练模式。这种自动化在预测系统中是非常有利的。基于DMT的研究已经应用于糖尿病、哮喘、心血管疾病和艾滋病。DMT，如朴素贝叶斯（NB）分类、人工神经网络（ANN）、支持向量分类器（SVM）、决策树（DT）、逻辑回归（LR）等方法在医学研究中得到了广泛的应用.决策树给出了一种基于特征或属性的数据分类方法。因此，它是DMT中处理大量数据的最广泛使用的分类方法。DMT基本上适用于预测分析。这是指从大量数据集中提取未发现的模式，并使用它们来构建适当的网络进行预测。预测系统的一般工作流程如下所示（图1）。①的人。这项研究工作使用了人工神经网络（ANN）[6]，这是设计心脏病预测系统的有效方法。类似地[7]将DMT用于脑血管疾病预测系统。它使用决策树和贝叶斯分类器进行分类，并使用具有反向传播（BP）的多层感知器来训练模型。研究结果表明，DMT能更有效地预测CVD。先进的DMT甚至可以帮助识别隐藏的模式和关系，这些模式和关系往往未被利用。医疗保健和医药行业需要处理大量的数据。其中许多没有组织结构，也不适于确定现有模式。建立发现关系的过程可以建立一个有效的决策系统[8]。从大量的数据中选择适当的数据来实现上述过程是最需要的工作。DMT将是从所有不同角度深入获得有用细节的最佳方法[9，10]。心血管疾病的预测是医学界里程碑式的研究热点。基于DMT的预测系统可以帮助在疾病的开始阶段确定疾病本身，这可以最小化相关的风险。研究工作[11]提出了对加权关联分类器（WAC）的轻微修改，其准确率为81.51%。类似地，[12]提出了一种基于关联分类挖掘的规则发现这使用一种称为MAFIA（最大频繁项集算法）的算法来确定频率模式。医疗数据挖掘是医疗保健的一部分，具有许多不精确性和不确定性。本文[13]证明了ID3和CART算法在决策树上的工作效率，并得出结论：CART算法在理论和实践上都比ID3算法更有效。决策能力[14]可以使用K-Means聚类来增强据世卫组织估计，到2030年，将有近2360万人因心脏病而死亡[15]。心血管疾病虽然是主要原因，但可以控制和预防.为了减少造成的严重性，分析是非常重要的。最重要的是选择正确的方向[16]。总结了近年来与CVD相关的数据挖掘领域的研究工作它给出了一个美丽的结论M. 斯瓦西里和K。萨鲁拉达ICT Express 8（2022）109111图1.一、预 测 系 统 的 一般工作流程。说明混合或组合技术可以产生更有效和准确的结果，而不是依赖于非常特定的DMT。但这里的困难过程是找到算法的适当组合来形成准确的模型。表中列出了DMT和ML模型的常用数据集列表（见表1）。从[17]的结果可以得出结论，预测的准确性取决于所使用的DMT，模型处理的数据集和属性的数量。根据[18]，如 果 分 析 102 个 案 例 ， SVM 的 准 确 率 最 高 为 90.5% ，Logistic回归的准确率最低为73.9%。对1000例患者的调查结果表明，支持向量机的正确率为92.1%，人工神经网络的正确率为91%，决策树的正确率为89.6%。同时也可以推断，敏感度和特异度较大但准确度较低的结果将被弃用，这使得该模型具有较高的效率。2.1.1. 观察与推理：数据挖掘分类技术数据挖掘是一个广义的术语，它包括许多技术来提取有意义的信息，而不需要对将要发现的内容(1) 一般来说，最广泛使用的分类方法是决策树和朴素贝叶斯分类器。实验结果表明，基于神经网络的分类方法比上述两种方法具有更好的性能.(2) 另一方面，其他数据挖掘方法，如聚类，基于关联规则，基于时间序列也可以分析预测的使用(3) 上面讨论的几乎所有模型都使用统计数据进行分类和预测。在实时情况下，连续数据的使用可能更有利于分析。(4) 此外，我们还应该考虑将模型扩展到基于集成的算法。2.2. CVD的机器学习模型机器学习是使用算法通过解析数据并从中学习来进行预测这些模型具有从先前经验或历史数据中自我学习的能力。这些算法可以通过从作为训练集提供给它们的示例不同类型的ML算法已经发展。 这些可以通过学习风格（即监督学习，无监督学习和半监督学习）或相似性或功能（即，分类、回归、决策树、聚类、深度学习等）。所有机器学习算法包括三个不同的组成部分，即：1. 表示：计算机可理解形式2. 评估：为分类器模型（算法）定义的目标-得分3. 优化：搜索得分最高的分类器的方法。ML算法的主要目标是从提供给它们的训练样本中进行泛化，这涉及到对它从未注意到的数据的成功解释以前ML和AI之间的主要区别在于ML用于提高准确性，而AI用于提高成功的机会。ML技术的三种基本类型是：监督学习，无监督学习和强化学习。算法和学习类型的选择可以通过不同的方法进行，例如取决于所完成的任务，（或）所涉及的数据量（或）可用的不同类型的数据。这表现出在医疗诊断应用中发挥的动态作用，它涉及创建自学习算法。CVD预测涉及监督学习技术，因为训练模型需要标记数据。在预测CVD的情况下，在治疗的初始阶段进行定期诊断非常重要，这反过来又降低了与CVD相关的风险。最常见和最重要的诊断测试包括超声心动图（回声）、心脏磁共振成像（MRI）和计算机断层扫描（CT）[19]。高质量的心脏图像是由MRI和CT扫描产生的，这不是预测的首选，因为它们具有延长的采集时间，有限的可用性，并涉及使用辐射。心电图（ECG）是由心室和心房的复极化和去极化产生的图形表示。虽然在预测和诊断领域取得了一些进展，但准确的方法避免心脏病发作的方法并不为人所知，因为没有与之相关的适当症状。为了发现构成死亡主要原因的疾病，如艾滋病，癌症，CVD，可以使用机器学习[20]这对研究来说是一个很大的结果心血管疾病是由于沉积的脂肪（胆固醇）在动脉内壁中，它会使冠状动脉变窄或阻塞。一个有效的心脏病预测系统可以是一个有益的方式，以准确地预测疾病和挽救病人的生命。[21]中提出的系统模型可以解释人类模式并准确确定患者记录中的趋势心脏的有效功能对人类的生命至关重要。在心脏疾病的预测中，自动化M. 斯瓦西里和K。萨鲁拉达ICT Express 8（2022）109112表1与预测模型使用的数据集的比较S. 没有 I/P属性数据集编号数据挖掘/机器学习技术DT NB RF/J48 CL RB SVM NN GA113 ✓ ✓ ✓2克利夫兰数据库14✓ ✓ ✓ ✓315✓ ✓ ✓4UCI机器学习13✓ ✓ ✓ ✓5公开心脏13✓ ✓ ✓ ✓6疾病数据集6✓ ✓ ✓7Kaggle✓8种深度学习技术超声心动图数据集（完整心动周期的帧）29-55帧，平均45帧DenseNet、ResNet、LSTM、GRU、CNN和RNNDT-决策树，NB -朴素贝叶斯，SVM -支持向量机，NN-神经网络，A-NN -人工神经网络，CL -聚类，RB-基于规则，RF表2评估指标与部署模型的比较S. 数据挖掘/机器学习模型a✓8深度学习模型R2DT-BP -RF在快速检查准确结果方面起着重要作用。这项研究工作[22]通过支持向量机（SVM）结合了心脏病的类别。他们首先分析患者的历史数据并获取实时ECG值。然后通过SVM将这些作为输入进行预测。在流行的生活方式中，每个人都更加紧张，并在很小的时候就被测试出患有高血压和血糖水平。对食物质量和他们倾向于拥有的药物的关注较少可能导致心脏病的主要威胁[23]。该系统提取与CVD疾病相关的隐藏知识。其中值得注意的两点是，优先选择连续数据而不是分类数据，以及通过机器学习模型将数据挖掘和文本挖掘相结合。讨论了通常用于测试DMT和ML技术预测模型的评估指标（见表2）。最流行的机器学习算法称为朴素贝叶斯（NB），它构成了其他几种算法和数据处理方式的基础。该算法使用贝叶斯规则，通过概率方法计算预测能力[24]。这有助于探索面向知识的训练、分类和预测的新方法。数据挖掘与朴素贝叶斯相结合可以给出有效的预测结果。在这项[25]研究工作中，DSHDPS被部署为基于Web的问卷调查应用程序。基于用户的反应，该模型可以发现并提取与心脏病相关的隐藏关系。这可能是预测心脏病的最重要方法。2.2.1. 观察和推理：机器学习技术分析了不同类型的面向机器学习的研究论文。从实施的模型中得出的一般结论如下：(1) 更多的特征医学属性可以用于提供更好的模型，具有更高的准确性和性能。(2) 将数据挖掘和文本挖掘与现有模型集成，以构建高效的预测系统。(3) 可以使用连续信息代替分类信息来构建具有早期检测的心脏病系统。DTNBSVMNNBPMLP-NNGAFLCLPCA-KnnRBRF1灵敏度✓✓✓✓✓✓✓234专属性和准确度精度✓✓✓✓✓✓✓✓✓✓✓✓✓✓✓✓✓✓✓✓567混淆矩阵效率提升图✓✓✓✓✓✓✓✓✓M. 斯瓦西里和K。萨鲁拉达ICT Express 8（2022）109113(4) 通过使用遗传算法和群智能技术，可以提高执行能力，以提供更多的集中在特征选择和输入参数。2.3. 用于CVD预测的深度学习被称为ML和AI的子集，它具有能够学习无监督形式数据的网络。在机器学习中，当学习算法不能正常工作时，为了使其准确，我们提供更多的数据来训练模型。这可能导致可扩展性问题，模型的学习时间呈指数级增长。为了克服数据处理问题，我们可以切换到深度学习技术（DLT），它能够学习具有多个抽象级别的非结构化（或）未标记数据的DLT利用人工神经网络的层次（像人脑一样构建）来执行ML的确切过程这是DLT的最大优势之一，因为它以非线性方式处理数据，而其他方式则以线性方式处理。这使得系统能够快速适应医疗保健领域，因为它能够以更快的速度和更高的精度分析数据。它还有一个额外的好处能够在参与程度大大降低的情况下做出决定人类教练。与ML和DMT相比，深度学习需要更少的数据预处理。DLT网络本身能够执行过滤和标准化任务，是由其他MLT中的人类程序员完成的。 根据[26]，临床决策是基于启发式基于隐藏数据的知识可以用于有效地诊断心脏病，从而减少医疗错误，并减少诊断时间。通过定期实践，还可以提高患者的满意度和安全性。诊断疾病是最关键的部分，因为它被证明是基于医生的知识和经验。但是，训练机器像人类一样行动，让机器学习算法来继承，反过来可以使它更准确，更省时。预测的准确性是预测方法和模型的首要关注点。DLT提供了广泛的应用程序来代表值得信赖的文本分析，尽管有偏见和扭曲的数据。许多类型的DLT都在决策和预测分析中发挥作用，因为它结合了更先进的方法，以提高能力，并创造了有利于预测和预防的新方法。它们的一些应用是针对糖尿病（II型）和癌症患者的个性化治疗，使用放射学进行癌症的图像分类，肿瘤和肺部治疗，使用GAN的药物发现和数据增强，癌症和HIV的治疗识别等，在当今一旦他们被提前预测，可以提供准确的治疗，以减少后果。DLT可用于聊天机器人和医疗成像解决方案，与特定疾病相关的模式和症状。神经网络是一种DLT，它遵循图形拓扑。它是由多个节点组成的并行、分布式信息处理结构。每个节点对应于神经元，与它们相关联的权重对应于边。它有许多有限的层次，以减少问题求解的时间。每个节点都有一个输出连接分支成许多connec- tions。NN的层通常包括具有多个隐藏层的一个输入和输出。神经模糊是神经网络和模糊逻辑的结合，可以用来解决广泛的实时问题。这可以很好地适应与自动化技术的其他模型有关的限制。人工神经网络（ANN）用于许多医学领域[29]，如心脏病学、脑电图学、肺病学、遗传学、临床化学、病理学、眼科学、妇产科学。对心脏病的诊断也进行了大量的研究.从各种因素和症状预测CVD是一个多层次的问题[30]，可能导致错误的假设和不可预测的影响。DLT非常适合图像处理，人工智能研究人员正在使用神经网络来创建医学图像-阅读它们，分析它们并将其用于疾病的卷积神经网络（CNN）是一种特别适合分析MRI扫描和X射线的类型。这些可以在更大的图像上更有效地操作，因此也超过了诊断医生在成像研究上的准确性。在CVD的预测中，需要使用自动图像驱动方法来准确地检测ED和ES帧。CNN和RNN（递归神经网络）在医学应用中获得了巨大的增长，如CVD预测系统，肿瘤检测，癌症检测，基因分类，神经细胞分类等。与其他技术相比，它的主要优点是可以自动检测预测网络的重要特征，而无需人工干预[19]。CNN可以用于图像特征提取，而RNN可以用于学习它们之间的时间依赖性。与其他预测技术相比，这些方法在计算上也很高效这些模型也可以适合时间序列类型的数据[31，32]，如患者的诊断历史，EHR，电子处方等，因为信息在整个网络中被记住。这些网络的最终输出可以提供给回归模块进行预测。ResNet和DenseNet是NN的一种形式。 前者使用跳过连接将特征从一个层转发到另一个层，而后者通过将它们从前面的层连接起来并将它们作为输入特征传递到下一层来使用整个信息。有效和准确的诊断只能为患者提供适当的治疗这完全可以在对患者CV分析的深入研究中完成。[33]表表示各种算法的性能指标。M. 斯瓦西里和K。萨鲁拉达ICT Express 8（2022）109114图二. 预测/分类工作流。表3对比表-预测模型与部署工具。使用的工具WEKA TANGARA MATLAB公司简介表4WEKA的优点和缺点优势劣势免费提供和可移植的算法不包括顺序建模公司简介NN/A-NN系列中文（简体）加支持向量机PCA易于使用的GUI和命令行通过JDBC提供对SQL数据库的访问它不适合多关系数据挖掘它是内存限制的公司简介公司简介射频放大器aDT --2.3.1. 观察和推断：深度学习技术目前基于NN的模型仅适用于特定或最小类型的心脏病。因此，基于NN的系统应该是扩展到适应广泛的心脏疾病。(1) 对于ANN，我们可以改变架构和训练算法，以获得更准确的结果。(2) 一般来说，对于15个属性，多层感知器神经网络与反向传播提供了更好的结果比其他模型。(3) 大多数情况下，在所有DL模型中，准确性被认为是性能指标。但是，我们也可以尝试考虑其他指标（如灵敏度，特异性，效率等）。根据诊断的需要。(4) 在未来，模糊逻辑可以与神经网络相结合，包括更多的离散值属性的CVD预测。3. 预测/分类模型有几种工具可用于评估所提出的预测模型。下面列出了一些广泛使用的工具。还讨论了适用于不同类型预测模型的工具（见表3）。3.1. 怀卡托知识分析环境（WEKA）它是一个数据挖掘/机器学习工具，可用于直接在数据集上或通过JAVA代码应用算法。它包含数据预处理、分类、回归、聚类、关联规则和可视化工具。它是在GNU下发布的JAVA开源软件。（见表4）。3.2. Tangara它是用于学术和研究目的的免费数据挖掘软件。它包含用于探索性数据分析、统计学习、机器学习和数据库的工具。它允许分析真实和合成数据，还允许添加我们自己的数据挖掘方法，以比较它们的性能。它是在GNU下发布的C++开源软件M. 斯瓦西里和K。萨鲁拉达ICT Express 8（2022）109115表5MATLAB的优点和缺点优势劣势平台独立易于使用可能会很慢，因为MATLAB是一个收集更多的数据，并进行长期随访，以得出针对特定人群的方法，解决现有预测模型的所有问题。这也可以在未来产生个性化的风险评估未来仍在使用预定义函数和工具箱解释语言它不是一个自由软件医疗专业人员的手，他们现在得到技术的支持，以了解他们的需求，并减少强调他们所经历的。独立于设备的绘图占用大量内存 结果的良好可视化消耗大量时间使得实时应用非常复杂。3.3. 矩阵实验室（MATLAB）它为用户提供了准确的解决方案，灵活的图形问题。它是高度交互和可编程的环境。它支持所有的数学计算，可视化和编程。它由类似于C的高级编程语言组成（见表5）。4. 未来研究展望这篇调查论文是对使用机器和深度学习技术预测血管疾病领域所做工作的整合。在过去几年中，生活方式发生了变化在正确的时间采取正确的措施可以挽救一个人的生命。心脏病是死亡率的重要组成部分。 这些都没有具体的症状为他们的发生。这可以通过改变生活方式来预防，例如戒烟，控制血压，检查胆固醇水平，控制糖尿病，饮食模式和锻炼以及保持压力和压力。现有技术和工作流预测在上文中被描述为概述。图（Fig. 2）。为了诊断心脏病，需要几种实验室检查和成像研究。最新的研究包括检查心脏病发作的风险，以及糖尿病患者心脏直视手术、血管成形术和支架植入术的可能恢复情况，以及多个冠状动脉阻塞。研究人员正在探索使用诊断技术检测心脏病。自动化应用于预测领域可以导致医药行业的高资产效益。应用AI包括精密医学、临床预测、心脏成像和分析以及智能机器人。传感器技术的发展促进了人工智能的应用机器学习有助于评估CVD患者的风险。上面讨论的三重方法局限于与其算法和方法一起使用的特定类型的自动化，以有效地预测CVD。每种方法都有其优缺点，根据我们的研究观点，我们可以将它们联系起来，选择一种特定的方法，或者使用多种方法的组合来实现精确的模型。总之，所列预测方法显然还处于基本水平，需要进一步努力和资源，竞合利益作者声明，他们没有已知的可能影响本文所报告工作致谢这项工作得到了研究促进计划下的AICTE研究基金的支持-2019- VIDE NO：F.No.8- 35/RIFD/RPS。作者感谢普度切里科技大学计算机科学与工程系的V.Akila博士在提高手稿质量方面的帮助引用[1] www 。 nhs 。 UK/CONDITITITINS/CARDIOVASCULARDISE/ ，0000。[2] 现 在 我 们 来 谈 谈 这 个 问 题 。 com/heart-disease-prediction-73468d630cfc，0000。[3] S.H. Ishtake女士，使用数据挖掘技术的智能心脏病预测系统，Int. J.保健c. BioMed. Res. 1（3）（2013）94[4] T. Mythili，Dev Mukherji，Nikita Padalia，Abhiram Naidu，使用SVM决策树-逻辑回归（SDL）的心脏病预测模型，Int. J. 计算、应用（0975[5] Jyoti Soni，Ujma Ansari，Dipesh Sharma，用于医疗诊断的预测数据挖掘：心脏病预测概述，Int. J. Comput. Appl. （0975[6] Gadoya Komal，D.R. Vipul Vekariya，使用决策树算法进行心脏病预测的新方法，Int. J. Innov. Res. Comput. Commun. Eng. 3（11）（2015）（ISO 3297：2007认证组织）。[7] A. Sudha，P. Gayathri，N. Jaisankar，使用分类方法的卒中疾病有效分析和预测模型，Int. J. Comput. （0975-8887）43（14）（2012）。[8] T. S.V. Harsha Pavan，B.陈晓，数据挖掘技术在心脏病诊断中的应用，中国医学科学出版社，2001。Res. Technol. IJESRT（ISSN：2277-9655）8（3）（2019）.[9] 索纳里湾Jagtap，心脏病的预测和分析，Int. J. Innov。 Res. Comput.Commun. Eng. 5（2）（2017）。[10] T.K.陈文，数据挖掘方法在心脏病预测中的应用。J. Eng. 趋势技术（IJETT）47（6）（2017）。[11] 柴特拉利湾Sulabha S. Dangare陈文，数据挖掘分类技术在心脏病预测中的应用，中国医学科学院学报，2001。Comput. Appl. （0975[12] Aditya Methaila，Prince Kansa，Himanshu Arya，Pankaj Kumar，Early heart disease prediction using data mining techniques ， in ：CCSEIT，DMDB，ICBB，MoWiN，AIAP - 2014，2014，pp. 53-59，http：//dx. doi.org/10.5121/csit.2014.4807网站。[13] T. S.V. Harsha Pavan，B.陈晓，数据挖掘技术在心脏病诊断中的应用，中国医学科学出版社。Res. Technol.- ISSN：2277-9655，影响因子：5.164，ICTM值：3.00，编码：IJESS 7，0000。[14] Rucha Shinde，Sandhya Arjun，Priyanka Patil，Jaishree Wagh- mare教授，使用K均值聚类和朴素贝叶斯算法的智能心脏病预测系统，（IJCSIT）Int. J. Comput. Sci. INF. Technol. 6（1）（2015）637-M. 斯瓦西里和K。萨鲁拉达ICT Express 8（2022）109116[15] Shweta Gupta，Aditi Nema教授，Kiran Agrawal教授，在数据挖掘中使用PCA-KNN进行心脏病预测，在：IDES IPC和ARTEE联合国际会议[16] AnimeshHazra ， SubrataKumarMandal ， AmitGupta ，ArkomitaMukherjee，Asmita Mukherjee，使用机器学习和数据挖掘技术进行心脏病诊断和预测：综述，Adv. Comput. Sci. Technol.（ISSN：0973-6107）10（7）（2017）2137[17] 穆达西尔湾Kirmani，Mudasir m kirmani，使用数据挖掘技术预测心血管疾病：综述，东方。J.计算机Sci. Technol. （ISSN：0974-6471）10（2）（2017）520[18] T. Mythili，Dev Mukherji，Nikita Padalia，Abhiram Naidu，使用SVM决策树-逻辑回归（SDL）的心脏病预测模型，Int. J. Comput.Appl. （0975[19] Fatemeh Taheri Dezaki ， Zhibin Liao ， Christina Luong ， HanyGirgis，Neeraj Dhungel，Amir H. Abdi，Delaram Behnami，KenGin，RobertRohling，Purang Abolmaesumi，Teresa Tsang，使用密集门控递归神经网络和全局极值损失的超声心动图中的心脏相位检测，IEEE Trans. Med. Imaging 38（8）（2019）.[20] S. Vinothini，Ishaan 辛格， 苏贾亚 普拉丹 Vipul Sharma，心脏病预测，Int. J. Eng. Technol. 7（3.12）（2018）750-753。[21] 陈晓，数据挖掘技术在心脏病预测中的应用，中国医学科学院学报，2001。Technol.2（3），0000，ISSN：2454-132X。[22] BhaidBaad，Neha Bhatkhande，Kanchan卡洛克，教授Jy-otiRaghatwan，心脏病预测和检测，Int. J. Res. 应用科学工程技术（ IJRASET ） （ ISSN ： 2321-9653 ） 7 （ IV ） （ 2019 ） IC 值 ：45.98。[23] Shadab Adam Pattekari，Asma Parveen，使用朴素贝叶斯的心脏病预测系统，Int. J. Adv. Comput.数学科学(ISSN：2230-9624）3（3）（2012）290-294。[24] Garima Singh，Kiran Bagwe，Shivani Shanbhag，Shraddha Singh，Sulochana Devi，使用朴素贝叶斯进行心脏病预测，国际研究。J.Eng. Technol.（IRJET）（ISSN：2395-0072）04（03）（2017）e-ISSN：2395-0056。[25] G夫人Subbalakshmi，K先生。拉梅什先生奇纳Rao，使用朴素贝叶斯的心脏病预测系统中的决策支持，印度J. Comput. Sci. Eng.（IJCSE）（ISSN：0976-5166）2（2）（2011）。[26] Mohammad A.M. Atriariah ， Assal A.M. Alqudah ， Omar Y. RanaAdwan Yousef，基于自动心脏病诊断系统关于人工神经网络（ANN）和自适应神经模糊推理系统（ANFIS）方法，J. Softw.2014（7）（2014）1055http://dx.doi.org/10.4236/jsea.2014[27] Soumonos Mukherjee，Anshul Sharma，使用神经网络进行智能心脏病预测，Int. J. Recent Technol. Eng.（IJRTE）（ISSN：2277-3878）7（5）（2019）。[28] Rachana Deshmukh ， Omeshwari Bhomle ， Apurva Chimote ，ShubhadaLunge，Shruti Dekate，Payal Gourkhede，Sonali Rangari，使用人工神经网络预测心脏病，Int. J. Adv. Res. Comput. Commun.Eng. 8（1）（2019）.[29] Sameh Ghwanmeh，应用先进的基于神经网络的决策支持方案进行心脏病诊断，国际计算机科学杂志。（0975-8887 ） 44 （ 2 ）（2012）。[30] Abhale Babasaheb Annasaheb Vijay Kumar Verma，基于最合适建议的心脏病问题预测，Int. J. Eng. Res. 经理。Technol. （ISSN：2348-4039）3（4）（2016）。[31] Sayali Ambekar，Rashmi Phalnikar，使用卷积神经网络进行疾病风险预测，在：2018年第四届计算，通信控制和自动化国际会议（ICCUFIT），2018年16日，http://dx.doi.org/10.1109/ICCUBEA.2018.8697423，IEEE Explore。[32] 黄能军，陈贤来，吴方祥，王建新，基于注意力的深度神经网络预测心血管疾病的高风险，IEEE/ACM Trans. Comput.生物信息。（2019）http://dx.doi.org/10.1109/TCBB.2019.2935059。[33] K.苏巴德拉湾Vikas，基于神经网络的智能系统预测心脏病，Int. J.Innov。Technol. Explor. Eng. （IJITEE）（ISSN：2278-3075）8（5）（2019）.