智能系统与应用16（2022）200119基于权值的监督学习系统在心律失常检测中的应用与COVID-19Yashodhan Ketkar*，a，Sushopti Gawade ba印度马哈拉施特拉邦410206，潘维尔，皮莱工程学院信息技术工程系b印度马哈拉施特拉邦潘维尔皮莱工程学院计算机工程系，邮编410206A R T I C L EI N FO保留字：心律失常检测自动模型生成自动模型训练医疗保健中的机器学习监督学习算法基于重量的模型选择，A B S T R A C TCOVID-19疾病于过去数年已成为全球大流行病。这种疾病传染性很强，很快就蔓延到了几个国家。它的感染可能会对其受害者造成严重影响，包括心血管问题。这种并发症发生在一些有心血管疾病史的人身上，而其他人则在COVID-19感染后出现。心血管问题是COVID-19患者死亡的主要原因，并用于预测疾病预后。从患者ECG信号中的异常识别心律失常是检测心血管疾病的一种方法。这是一个费力和耗时的过程，可以自动化。所提出的方法选择最合适的模型为这项任务。通过根据用户要求生成的权重进行选择。所提出的方法使用监督学习来识别ECG波中的异常。在测试过程中，选择系统提供的模型能够满足用户的需求。这些模型在预测任务中实现了高达97%的准确率和97%的精确度。1. 介绍COVID-19近年来广泛传播。它以人体呼吸系统为目标，造成严重的呼吸问题。根据一个人的病情和合并症的患病率，这种疾病可能是致命的。COVID-19疾病经常导致心血管合并症。心血管合并症在缺乏适当设备的情况下也很难诊断。检查患者的心律失常 是一种检测方法。心律失常是心脏不规则跳动。通过检查ECG信号来检测心律失常。由于COVID-19给医务人员带来了压力，检测时间比平时更长。互联网连接的增加导致机器学习和人工智能（AI）在各种服务中的使用的部门。这增加了机器学习领域的研究，并对各种领域的机器学习产生了影响。其中之一是医疗和保健行业。机器学习用于检测和分类患者体内的病毒和其他微生物。在医疗应用中，机器学习算法已经被证明是非常有用的。机器学习系统可以用于扫描这些ECG信号并检测它们。这些迹象可能会被检测得更快，更有效地使用监督学习技术。在这样的精确分类问题中，监督算法先前已被证明比无监督技术更快。一旦被教导，该算法也可以用于进行未来预测。有几种监督算法可供使用，使我们能够选择最适合我们目的的方法。在一般人群中，这一阶段可以自动化。一些方法可以预先编程到系统中，然后计算机可以训练并为所提供的数据集挑选最佳模型。这将使医务人员能够专注于病人护理和解决问题。2. 文献综述Babapoor-Farroklane 、 Rasekhi 、 Gill 、 Babapoor 、 Amanullah（2020）&表明，心律失常是COVID患者最常见的症状之一19。在武汉所有COVID-19病例中，7%的患者出现心律失常，14.8%的患者预后不良。Mulia、Maghfirah、Rachmi、Julario（2021）&指出，中国17%的住院患者被诊断为心律失常。Mulia等人对10项合格研究（5193例患者）进行了分析，发现9.2%的病例存在房性心律失常。Liu，Chen，&Zeng（2020 a）对17项研究（5815例患者）的综述表明，心律失常* 通讯作者。电子邮件地址：ketkaryapr19me@student.mes.ac.in（Y。 Ketkar），sgawade@mes.ac.in（S.Gawade）。https://doi.org/10.1016/j.iswa.2022.200119接收日期：2022年6月1日;接收日期：2022年8月2日;接受日期：2022年2022年8月28日在线提供2667-3053/© 2022作者。由Elsevier Ltd.发布。这是CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表智能系统及其应用杂志主页：www.journals.elsevier.com/intelligent-systems-with-applicationsY. Ketkar和S. 加瓦德智能系统与应用16（2022）2001192缩写ECGAutoMLLDA MLSVMKNN DTRPALSTMMLPHIPAATPTNFPFN麻省理工学院-贝斯以色列医院ROC心电图自动机器学习线性判别分析机器学习学习支持向量机K近邻决策树机器人过程自动化长短期记忆多层感知器健康保险可携带性和责任法案真阴性假阳性假阴性受试者工作特征RF随机森林在9.3%的COVID-19病例中检测到。Yarmohammadi等人（2021）指出，只有8%的心律失常患者有既往心血管疾病。Yarmohammadi等人还提到，56%的患者在COVID-19感染后出现症状。Sun，Wang，Zhao，Yan（2020）&使用集成分类器检测ECG信号中的异常。这种方法，它结合了多个分类器进行预测，已被证明是有效的，因为集成分类器的准确性显着高于单个分类器。一些作者使用这种方法来提高监督学习模型的预测精度。Huang，Chen，Zeng，Cao，Li&（2020）使用最大重叠小波包变换集成神经网络，并取得了令人满意的结果。Rajak，Shaman-astava，Vidushi（2020）&使用集合方法来预测学生的结果。Rajak等人指出，即使使用少量的训练数据，该模型也能够预测正确的结果。Liu、Lou、&Huang（2020 b）将基于FLINK的iForest集成算法与sklearn-iForset和其他算法进行了比较。Liu等人得出结论，Flink-iForest算法表现出比现成算法更好的性能。Imbrea（2021）在数据流上使用了AutoML算法和工具。Imbrea的结论是，默认分类器可以与AutoML工具一起使用，以进行准确的预测。借助AutoML工具，预测系统可以实现自动化。Chopade，Chopade，Gawade（2022）&使用机器学习来预测期末成绩。 Chopade等人（2022）使用SVM、KNN和DT模型。Chopade等人（2022）的结论是，机器学习系统的表现令人满意，SVM的准确率高达78%。Siddiqui，Morales-Menendez，Huang，Hussain（2020）&提取了用于检测癫痫发作的适当特征。Siddiqui等人对数据进行预处理，并对数据使用ML算法。Siddiqui等人得出结论，监督学习模型比无监督学习模型更有效。Jha Kolekar（2020）&使用商业分类器检测心律失常。Jha和Kolekar使用来自患者的ECG信号，并应用自定义SVM分类器。Jha和Kolekar得出结论，该算法是一种成功且有效的心律失常检测器。Margaret，Gawade，Kanekar（2021）&使用监督学习算法来早期检测心脏病和糖尿病。Marvanetet al. （2021）的结论为该模型表现令人满意。Hannun等人（2019）使用神经网络处理原始ECG信号并进行预测。虽然Sannino De Pietro（2018）&使用了小两项研究都认为人工神经网络在预测异常方面非常有效和准确。Chen ， Mazomenos ， Maharatna ， Dasmahapatra ， Niranjan（2013）&表明LDA分类器在低性能环境和轻量级系统中的性能优于SVM分类器。自学习算法使系统更具动态性，并能适应输入信号。Lei，Li，Dong，Vai（2007）&使用自适应模糊算法对ECG信号进行分类。Lei等人指出，该算法显示出令人满意的结果，但它需要事先分类模式的结果。Ketkar Gawade（2021）&建议RPA系统可以用于这些系统中，以便更容易地将机器学习与动态数据集成。Alfremat，Hassan，Khalid，Dilawar（2022）&使用COVID-19患者的ECG信号进行患者监测。Reymat等人使用LSTM、SVM和MLP算法来监控数据。Reymat等人认为，机器学习与机器人技术可以提供更好的结果。Dev等. （2022）使用多感知器神经网络进行中风预测。神经网络具有较高的精度。Dev等.准确率高达78%Dev等.这表明该模型可以使用更大的训练数据集产生更好的结果。Chang，Bhavani，Xu，Hossain（2022）&使用人工智能来检测心脏病。Chang等人得出的结论是，算法达到了83%的准确率。Chang等人还得出结论，该系统能够符合HIPAA法规。Verma Gawade（2021）&使用机器学习算法预测作物生长率。维尔马和高瓦德能够很好地进入现场。Verma和Gawade得出的结论是，使用机器学习将最大限度地减少农业的复杂性并提高产量。Atanasova，Todorovski，Dzeroski，Komnovsky（2008）使用了一个为期两年的Glumo Lake收集的数据集，并利用他们的专业知识来训练和选择模型。采用数据驱动和知识驱动相结合的方法进行建模，使应用程序获得成功。Lee Lin（2000）&使用了loo率和停止标准进行模型选择。Lee和Lin调查了八个不同的问题，发现更大的loo率更可取。李和林还建议，建模的困难只能通过仔细的数值计算来发现。Malkomes，Schaff，&Garnett（2016）使用了一种新的内核来获得数据集描述。Malkomes等人结论是，这种方法导致了无形模型的发现。Malkomes等人还指出，这种方法减少了人类互动的数量。Calcagno de&Mazancourt（2010）使用glmulti包创建了一个新模型。这些模型是独特和灵活的。模型会自动优化以提供多模型界面。这种方法允许您快速浏览大量模型以进行选择。 Garcia &LoBundero（2021）用遗传算法优化了参数。 Garcia和LoZendero成功地使用了遗传算法来减少预测结果的不确定性。这些方法可用于自动模型选择系统。3. 方法3.1. 数学模型图1显示了选择合适模型的方法。该系统可以处理无限数量的模型。对于每个模型，使用六个性能参数。这些性能指标是准确度P1，F1得分P2，精确度P3，召回率P4，ROC下的面积P5和预测时间P6。从这些参数中，前五个参数被分组并被赋予0.2至1.0之间的权重范围，而预测时间被赋予0.25至0.75之间的权重范围 当量（1）显示了用于计算模型的Vscore的数学公式。对于型号M1、M2、. Mn，V分数V1，V2，.，n得到。将这些获得的V分数彼此进行比较选择具有最高Vscore的模型作为最适合的模型。Y. Ketkar和S. 加瓦德智能系统与应用16（2022）2001193VnV2V1Fig. 1. 模型选择方法。表1Vscores的模型。表2在数据集1上训练的模型的性能。V（∑5（wP）（1）第二节评分=其中，XX-六个x=13.2. 性能度量系统中使用以下性能指标进行评估-模型的Vscorewx系统为第x个参数生成的权重。第x个参数的性能模型选择模型存储权重计算权重用户需求模型生成模型1模型2模型n参数提取模型数据集1数据集2数据集3数据集4度量KNN1DT1MLP1RF1SVM1KNN2.7472.7582.7742.760精度96.7294.4696.8997.3397.40DT2.6432.6842.6582.687F189.7183.4390.0591.3091.69MLP2.7822.7712.7662.674精度92.5381.8694.7197.9596.43RF2.8072.7952.8032.786召回87.0685.0685.8485.5087.40SVM2.4822.8082.8032.790ROC92.8490.6892.4592.5793.38时间（秒）0.4570.0010.0020.0150.297V评分2.7472.6432.7822.8072.482P1，P2，. P6P1，P2，. P6P1，P2，. P6V评分计算Y. Ketkar和S. 加瓦德智能系统与应用16（2022）2001194模型的评估3.2.1. 准确度分数准确度分数是每个模型做出的正确预测相对于每个模型的总预测的分数。可以Y. Ketkar和S. 加瓦德智能系统与应用16（2022）2001195==1= 22表3由下式表示：在数据集2上训练的模型的性能。精度TP+TNTP+TN+FP+FN表4在数据集3上训练的模型的性能。度量KNN3DT3MLP3RF3SVM3精度97.0794.6496.4197.2297.44F190.9384.3089.3491.2192.00精度95.8283.8190.1398.3797.81召回86.5384.8088.5785.0286.85ROC92.8790.7393.2992.3693.22时间（秒）0.4040.0010.0020.0170.293V评分2.7742.6582.7662.8032.803表5在数据集上训练的模型的性能4.3.2.2. 精密度评分精确度分数是相对于来自模型的所有正预测的正确正预测的分数。更高的精确度分数导致更少的假阳性预测。它可以由下式表示：精密TPTP+FP3.2.3. 回忆评分召回分数是相对于类中的所有预测的正确正预测的分数。它可以由下式表示：召回TPTP+FN3.2.4. F1分数F1得分是模型的召回率得分和精确率得分的加权平均值。一般来说，在有偏差或不均匀数据集的情况下，F1分数比准确度分数更可靠。它可以由下式表示：F召回率+精确度时间0.452 0.001 0.002 0.0140.294V评分2.760 2.687 2.674 2.7862.790或TP+1（FP+FN）3.2.5. ROC评分ROC是分类器在图2. 性能结果。=度量KNN2DT2MLP2RF2SVM2精度96.8395.0496.6997.0997.46F190.2885.5089.7390.7592.15精度94.2584.9094.7398.6096.79召回86.6386.0985.2384.0587.93ROC92.7791.4892.1391.9093.66时间（秒）0.4350.0010.0030.0140.295V评分2.7582.6842.7722.7952.808度量KNN4DT4MLP4RF4SVM4精度96.8494.9995.3496.8897.15F190.5285.7385.0190.3791.39精度95.7185.9197.8398.6597.41召回ROC85.8692.5285.5591.2875.1587.4083.3791.5686.0792.79TPF1=Y. Ketkar和S. 加瓦德表6智能系统与应用16（2022）2001196K最近邻模型的性能计算。(a)数据集1和数据集2度量数据集1数据集2KNN1KNN2KNN3KNN4KNN1KNN2KNN3KNN4精度0.970.960.960.960.970.970.960.96F10.930.900.900.900.910.930.900.90精度0.960.940.950.940.950.960.950.95召回0.900.860.860.860.870.900.860.86ROC0.940.920.920.920.930.940.920.92(b)数据集3和数据集4度量数据集3数据集4KNN1KNN2KNN3KNN4KNN1KNN2KNN3KNN4精度0.970.960.970.960.960.960.960.97F10.900.900.930.900.900.890.900.92精度0.940.940.960.940.940.940.940.96召回0.870.860.890.870.870.850.860.89ROC0.930.920.940.930.930.920.920.94表7决策树模型的性能计算。(a) 数据集1和数据集2(b) 数据集3和数据集4指标数据集3数据集4分类器对某些测试数据集进行预测。具有较低预测时间的模型是可取的。3.3. 甄选和评价过程系统接受来自表9随机森林模型的性能计算。(a)数据集1和数据集2指标数据集1数据集2RF1RF2RF3RF4RF1RF2RF3RF4DT1DT2DT3DT4DT1DT2DT3DT4精度0.990.960.960.960.970.990.970.97精度0.940.940.980.950.940.940.940.98F1精度0.980.990.900.980.900.980.900.980.910.980.970.990.900.980.910.98F1精度0.940.840.940.850.980.950.950.850.940.830.940.850.940.830.980.96召回0.960.830.830.840.850.960.840.84召回0.850.840.960.850.850.840.840.96ROC0.980.91（b）0.9130.910.920.98ROC0.910.900.970.910.900.900.900.97数据集4图形格式，它下面的区域给出了假阳性和真阳性之间的关系。这些区域越高，模型的预测质量越好。3.2.6. 预测时间预测时间只不过是表8多层感知器模型的性能计算。(a) 数据集1和数据集2度量数据集1数据集2MLP1MLP2MLP3MLP4MLP1MLP2MLP3MLP4精度0.970.960.960.950.960.970.960.95F10.920.900.890.850.890.910.890.85精度0.970.950.890.970.950.970.890.97召回0.880.850.880.750.850.870.880.75ROC0.930.920.930.870.920.930.930.87(b)数据集3和数据集4度量数据集3数据集4MLP1MLP2MLP3MLP4MLP1MLP2MLP3MLP4精度0.960.960.960.950.960.960.960.95F10.890.900.900.850.890.900.880.86精度0.940.940.900.970.950.950.890.98召回0.850.850.910.750.850.850.880.76ROC0.920.920.940.870.920.920.930.88度量数据集1数据集2DT1DT2DT3DT4DT1DT2DT3DT4精度0.980.940.940.940.940.980.940.94F10.980.940.940.940.940.980.940.94精度0.950.850.840.850.830.960.830.85召回0.960.820.840.850.860.960.850.84ROC0.970.890.900.910.910.970.900.90度量数据集3数据集4RF1RF2RF3RF4RF1RF2RF3RF4精度0.970.970.990.970.970.970.970.99F10.910.910.970.900.910.900.900.97精度0.970.970.990.970.980.980.980.99召回0.850.850.960.850.850.840.830.95ROC0.920.920.980.920.920.910.910.97Y. Ketkar和S. 加瓦德智能系统与应用16（2022）2001197表10支持向量机模型的性能计算。(a)数据集1和数据集2度量数据集1数据集2SVM1SVM2SVM3SVM4SVM1SVM2SVM3SVM4精度0.970.970.970.970.970.980.970.97F10.930.910.910.910.920.940.920.91精度0.980.970.970.970.970.980.970.96召回0.890.860.850.850.870.890.870.86ROC0.940.920.92(b)Da0.92taset 3和 数据集40.930.940.930.93度量数据集3数据集4SVM1SVM2SVM3SVM4SVM1SVM2SVM3SVM4精度0.970.970.980.970.970.970.970.97F10.910.910.940.910.910.910.910.93精度0.960.960.980.960.960.960.970.98召回0.870.860.890.860.870.860.870.88ROC0.930.930.940.930.930.920.930.94图三. 模型的平均性能误差user.参数首选项用于生成权重。该重量存储在存储器中以供将来使用。来自用户的数据集被分成80-20的比例，以生成训练和评估数据集。这些数据集存储在驱动器上以备将来使用。训练数据集同时加载到系统中。生成的模型用于生成预制模型。这些模型使用训练数据集进行训练，并存储在磁盘上用于评估过程在评估过程中，评估数据集与根据用户参数偏好生成的权重一起用于训练模型。评估过程产生Vscore。选择具有最高Vscore的模型作为最适合的模型。Y. Ketkar和S. 加瓦德智能系统与应用16（2022）20011984. 结果和检测4.1. 数据集本文中的ECG读数来自MIT-BIH心律失常数据库Fazeli（2018）。该数据库用于自动培训和评估。该数据集于1999年由MIT-BIH作为开源数据库发布;它由训练和测试数据集组成。该数据库进一步分为四个相等的部分进行分析。每个训练集包含21，888个信号。数据集进一步分为80：20的比例作为训练集和模型评估集。系统使用评估集来生成性能度量。4.2. 绩效评价该系统被设计为使用监督算法的模型生成。K-最近邻，决策树，多层感知器，随机森林，和支持向量机算法用于分类问题。用于评估的性能指标包括准确度、F1、精确度、召回率、ROC曲线下面积和总预测时间。分配给该度量的偏好是准确性，其具有第一偏好。F1分数具有第二偏好。产品、召回和ROC的首选项设置为自动。培训方法是经过精心挑选的。系统生成的权重为1.0、0.8、0.4、0.4、0.4和0.25。表2详细介绍了各自的数据集。在自动训练和选择过程中，具有最高Vscore的模型被选为最适合的模型。表1显示了模型的Vscore。由此，VscoresSVM分类器被选为数据集2、3和4的最佳模型。而RF分类器被选为数据集1的最适合模型。图 2表明所有模型的性能都令人满意。 图图2（a）显示SVM和RF获得几乎相似的准确度和F1分数。该图还显示，与SVM相比，RF模型获得了更好的精度分数和更短的预测时间这导致RF模型的V评分更高因此，系统选择RF模型作为数据集1的最适合模型 图图2（b）至（d）示出SVM模型获得了更好的F1得分和几乎相似的准确度得分。这导致SVM评分比RF模型更高的因此，系统选择SVM模型作为最适合数据集2至4的模型。4.3. 性能误差计算在该测试中，基于模型在一般预测上的性能对模型进行评估。这些模型与其他模型的训练数据集进行了测试。从这个过程中，获得每个参数的误差量。表6图3显示了每个模型的参数误差图。从这些数字中得出以下结论：模型的总平均误差在15%以下，各参数的误差偏差在2%以内。这表明模型提供了令人满意的结果。KNN、SVM和MLP模型的平均误差较低。这表明这些模型是一般预测任务的理想选择。DT和RF具有较高的平均错误率。这表明在一般预测任务中有必要采取一些预防措施。图中显示，SVM和RF模型在特定参数的平均误差方面具有更高的一致性。这表明，只需很少的调整，这些模型将在一般预测任务中提供一致和准确的结果。5. 结论和今后的工作在本文中，我们提出了一个新的系统。该系统为最终用户提供了为问题训练最适合的模型的能力。在当前COVID-19大流行的情况下，医疗保健专业人员可使用该系统检测患者的心律失常等异常情况。该系统与心电图MIT-BIH心律失常数据库进行了测试。系统训练和筛选出的模型具有良好的分类性能。这些模型对其他模型的训练数据集也表现令人满意，表明良好的一般分类性能。未来的工作将涉及使用其他免费提供的数据集来测试系统的一般分类性能，以及在实时环境中测试当前系统。未来的工作还将集中在修改系统，通过采用无监督学习方法与非标记数据库一起工作。CRediT作者贡献声明Yashodhan Ketkar：概念化，形式分析，调查，方法，资源，软件，验证，可视化，写作&Sushopti Gawade：概念化，形式分析，方法论，监督，验证。引用Atanasova，N.，托多罗夫斯基湖 DZerzeroski，S.，科&穆纳湾（2008年）。 从数据和专家知识中自动发现模型的应用到现实世界的领域：湖Glumsouth。EcologicalModeling，212（1 -2），92-98.Babapoor-Farrokouth，S.，拉塞克希河T.，吉尔，D.，Babapoor，S.，&Amanullah，A. （2020年）。COVID-19引起的心律失常。 SN Comprehensive Clinical Medicine，2（9），1430-1435.卡尔卡尼奥，五，&de Mazancourt，C.（2010年）。glmulti：一个R包，用于使用（广义）线性模型轻松自动选择模型。Journal of Statistical Software，34（12），1-29.Chang，V.，Bhavani，V.R.，Xu，中国野牡丹A.问：&Hossain，M.（2022年）。使 用 机 器 学 习 算 法 进 行 心 脏 病 检 测 的 人 工 智 能 模 型 。 医 疗 分 析 ， 2 ，100016。Chen，T.，Mazomenos，E. B、Maharatna，K.，Dasmahapatra，S.，&Niranjan，M.（2013年）。用于远程心血管监护系统的低功耗体上ECG分类器的设计。IEEEJournal on Emerging and Selected Topics in Circuits and Systems，3（1），75-85。Chopade，S.，Chopade，S.，&Gawade，S.（2022年）。使用机器学习的多媒体教学方法和结果预测系统。Journal ofEngineering Education Transformations，35（Special Issue 1），135-142.Dev，S.，王，H.，恩沃苏角美国，Jain，N.，Veeravalli，B.，&John，D.（2022年）。使用机器学习和神经网络进行中风预测的预测分析方法。医疗分析，2，100032。Fazeli，S.（2018年）。ECG心跳分类数据集。于2022年4月15日查阅，网址：http：www.kaggle.com/shayanfazeli/heartbeat。加西亚湖G.，洛&坎德罗河谷（2021年）。一种基于遗传算法的参数优化器用于碳酸盐岩相的模拟。智能系统与应用，12，200057。Hannun，A.是的，Rajpurkar，P.，Haghpanahi，M.，Tison，G. H、伯恩角，Turakhia，M. P.，&Ng，黑冠草A. Y.（2019年）。心脏病学家水平的心律失常检测和分类，使用深度神经网络的动态心电图。 Nature Medicine，25（1），65-69.黄杰美国，Chen，B.-问：Zeng，N.-是的，曹，X.- C.，&Li，Y.（2020年）。准确分类使用MOWPT增强的快速压缩深度学习网络进行ECG心律失常的研究。Journal of Ambient Intelligence and Humanized Computing，11，1-18。Imbrea，A. I.（2021年）。数据流的自动机器学习技术。arXiv预印本arXiv：2106.07317。杰哈角K.，&Kolekar，M. H.（2020年）。基于可调q小波变换特征和支持向量机分类器的心律失常分类。生物医学信号处理和控制，59，101875。Ketkar，Y.，&Gawade，S.（2021年）。使用UiPath进行数据挖掘的机器人过程自动化的有效性。2021年人工智能和智能系统国际会议（ICAIS）864-867）。https://doi.org/10.1109/ICAIS50930.2021.9396024Lee，J. -H、林角，英-地J. （2000年）。支持向量机的自动模型选择技术报告。台湾大学资讯工程研究所。Lei，W. K.，李湾，澳-地N.，董，M. C.，&Vai，M. I.（2007年）。AFC-ECG：一种自适应模糊心电图分类器。工业应用中的软计算（Soft Computing in IndustrialApplications）189-199）。斯普林格Liu，Q.，陈洪，曾角，澳-地（2020年a）。2019冠状病毒病患者并发心律失常的临床特点。感染杂志，81（3），e6-e8。Liu，Y.，卢，Y.，&Huang，S.（2020年b）。基于孤立森林的流数据异常检测并行算法。2020年人工智能和机电自动化国际会议（AIEA）132-135）。 IEEE。····Y. Ketkar和S. 加瓦德智能系统与应用16（2022）2001199Malkomes，G.，Schaff，C.，&加内特河（2016年）。自动模型选择的贝叶斯优化。神经信息处理系统的进展，29。Marvel，N.，Gawade，S.，&Kanekar，A.（2021年）。使用朴素贝叶斯算法预测心脏病和糖尿病。国际计算机科学、工程和信息技术科学研究杂志，447-453。Mulia，E. P.B.，马格菲拉岛Rachmi，D.一、&尤拉里奥河（2021年）。房性心律失常和它与COVID-19结果的关联：汇总分析。Diagnosis，8（4），532-535.Rajak，A.，Shrivastava，A. K.，&Vidushi。（2020年）。应用和比较机器学习分类算法来预测学生的成绩。Journal ofDiscrete Mathematical Sciences and Cryptography，23（2），419-427.Mr.一、Hassan，M.一、Khalid，M. H、&Dilawar，M.（2022年）。通过智能ICU实现更高级别的住院治疗。 智能系统与应用，14，200080。Sannino，G.，&De Pietro湾（2018年）。一种用于心律失常检测的基于心电图的心跳分类的深度学习方法。未来一代计算机系统，86，446-455。Siddiqui，M. K.，Morales-Menendez，R.，Huang，X.，&Hussain，N.（2020年）。使用机器学习分类器进行癫痫发作检测的综述。Brain informatics，7（1），1-18.Sun，Z.，Wang，C.，赵，Y.，&延角，澳-地（2020年）。基于多标记的心电信号分类集成分类器IEEE Access，8，117986-117996。Verma，M.美国，&Gawade，S. D.（2021年）。一种用于预测系统和分析营养吸收的机器学习方法，以促进水培系统中作物的生长。2021人工智能与智能系统国际会议（ICAIS）（第100页） 150-156）。 IEEE。Yarmohammadi，H.，Morrow，J. P.，Dizon，J.，Biviano，A.，Ehlert，F.，Saluja，D.，Waase，M.，Elias，P.，Poterucha，T. J.，Berman，J.，等（2021年）。COVID-19住院患者房性心律失常的频率。美国心脏病学杂志，147，52-57。
我的内容管理
收起
我的收益 登录查看自己的收益
我的积分
登录查看自己的积分
我的C币
登录后查看C币余额
我的收藏 
我的下载 
下载帮助 
