·+医学信息学解锁26（2021）100655应用集成技术早期检测冠心病瓦尔丹·肖雷瓦拉Dhirubhai Ambani国际学校，印度A R T I C L EI N FO关键词：机器学习心脏病人工智能混合建模冠心病介入技术A B S T R A C T心脏病是全球死亡的主要原因之一，因此早期发现至关重要。机器学习和深度学习等新兴技术现在正积极用于生物医学护理，医疗保健和疾病预测。本文的重点是使用危险因素方法预测冠心病（CHD）。预测技术，如K-最近邻，二元逻辑分类和朴素贝叶斯是根据准确性，召回率和ROC曲线等指标进行评估的。这些基础分类器进行比较，对集成建模技术，如装袋，升压，和堆叠。采用对比分析的方法，探讨了集成技术在冠心病预测中的应用。建模技术在“心血管疾病数据集”上进行了测试袋装模型被证明有1.96%的平均增加的准确性相比，他们的传统同行。增强模型的平均准确度为73.4%，但AUC得分最高，为0.73。包括KNN，随机森林分类器和SVM的堆叠模型被证明是最有效的，最终准确率为75.1%。此外，使用数据分析技术和K-Folds交叉验证对测试模型的性能进行了验证1. 介绍在医疗保健领域已经有了许多发展，如健身和健康带。此外，心电图和CT扫描等设备有助于检测冠心病。然而，这些机器的高成本和不可行性是导致每年1700万患者死于冠心病的主要因素[1]。在所有人类疾病中，慢性疾病组被认为是最危险的，如2013年《柳叶刀》全球疾病负担研究所示[2]。与该疾病相关的风险因素包括过量饮酒、高血压以及患者的性别和年龄。这些情况通常发生在美国等高收入国家，其中87%的死亡是由慢性疾病引起的[3]。然而，应特别关注低收入和中等收入国家，这些国家的慢性病发病率有所上升。“在当今大城市的贫民窟中，我们看到不健康的饮食和习惯导致的非传染性疾病与营养不良并存[ 4 ]。”为了克服与传统方法相关的问题，非可以利用基于预测机器学习模型的侵入性方法[6]。目前工作的贡献包括基于当代机器学习方法制作智能诊断系统在这项研究中，探索了6种基本模型：逻辑回归（LR），支持向量机（SVM），K-最近邻（ KNN ） ， 决 策 树 （ DT ） ， 朴 素 贝 叶 斯 （ NB ） 和 神 经 网 络（MLP）。然后，这些模型被广泛地比较其合奏同行的基础上的准确性，特异性和灵敏度，以达到最佳的模型用于临床使用。开发的系统和模型基于“心血管心脏病”数据集，该数据所有的处理、可视化和计算都是使用python在Quixyter Notebooks上完成的。本研究的主要贡献包括：的 数据集 使用 是 相对 与传统的较小数据集（如Cleve- land数据集和匈牙利心脏病数据集（200-1000个值））相比，该数据集大得多（70，000个值）。这有助于创建逼真和更高性能的模型。本文评估了基础模型与袋装模型的性能。传统的论文仅限于其中一种方法电子邮件地址：vardhanshorewala@gmail.com。https://doi.org/10.1016/j.imu.2021.100655接收日期：2021年4月2日;接收日期：2021年6月28日;接受日期：2021年2021年7月11日在线2352-9148/© 2021由Elsevier Ltd.发布这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表医学信息学期刊主页：www.elsevier.com/locate/imu·诉肖雷瓦拉医学信息学解锁26（2021）1006552这项研究还涉及堆叠和提升。这些集成技术尚未在传统的冠心病预测该研究包括对数据集的统计和定性分析。模式分析变量与冠心病的预测尚未详细讨论在以前的研究。本文件的结构如下：第二节对与本研究有关的研究进行了审查。第III节中提供了所用数据集的描述。第四部分介绍了特征分析和目标变量与特征之间的相关性。第五节提供了基础模式和集合模式的EX实验结果。第六节给出了2. 文献综述在不断发展的数据科学和医疗保健领域，对自动诊断系统的需求正在增加。数据科学家已经开发了几种模型，这些模型有助于医疗保健领域的援助。以前的研究表明，神经网络，朴素贝叶斯分类器，和关联分类是诊断冠心病的强大方法。这是因为关联分类提供了传统分类器所缺乏的高数据准确性和数据灵活性[8]。为了开发心脏病分类器，建立了一个数据挖掘算法，用于数据收集和预测建模。数千名CHD患者记录被挖掘，作者使用支持向量机（SVM），人工神经网络（ANN）和决策树（DT）进行二进制分类工作。这些模型的准确率分别为92.1%、91%和89.6%。此外，使用K倍验证和混淆矩阵评价数据的一致性、灵敏度和特异性[9]。另一位数据科学家使用集成来提高数据一致性和数据准确性。作者在朴素贝叶斯和多层感知器神经网络上使用了bagging和boosting。这些集成技术在预测冠心病方面平均提高了7.26%的准确性。在疾病预测中使用SVM也被证明是有帮助的。Majid Feshki使用粒子群优化和前馈反向传播神经网络来优化特征。该方法的准确度为91.94%[10]。K-Means Clus-使用最大频繁项集算法（MAFIA）从挖掘的频繁模式中提取特征。最后，Muhammad、Tahir等人对用于预测冠心病的基本分类器进行了全面 分 析 [11] 。 最 有 效 的 是 Extra-Tree 分 类 器 （ ETC ） ， 准 确 率 为92.09%，AUC为97.92%。其次是梯度提升，准确率为91.34%。该研究还强调了 特征选择算法，如Lasso和Relief。提出了一种 简单可靠的特征选 择方法，利用加权主 成分分析（WPCA）方法确定心跳病例。所提出的方法放大了ECG信号的幅度并消除了噪声，得到了93.19%的准确性[12，13]。反向传播方法[14]有助于比较分类精度。作者从他的模型中提供了高精度的输出。 使用朴素贝叶斯分类器、SVM和逻辑回归对心脏病预测准确性进行比较分析[15]。最高的准确率，80%，是由SVM产生的，描绘了它的预测范围。此外，Nilashi等人展示了具有Prin-NR分量分析（PCA）的模糊SVM能够使用增量学习在较低的分量时间内实现更高的预测冠心病的准确性[16]。在以往的研究中，人工神经网络已被采用与心脏病预测有关。Olaniyi和Oyedotun [17]提出了一种基于人工神经网络的三步模型来诊断心绞痛，其准确率为88.89%。Das等人。[18]使用统计分析系统产生了一个基于ANN集成的预测模型。 分类准确率为89.01%，特异性为95.91%。Dutta等人展示了他们提出的CNN架构在预测冠心病方面达到了77%的准确率，并且与SVM和随机森林等传统方法相比，预测阴性病例的准确率更高[19]。最后，Jabbar et al.[20]创建了多层感知器ANN驱动的反向传播学习算法和冠心病特征选择算法。为了诊断心脏病，作者[21]设计了一个基于人工神经网络和模糊层次分析处理的聚类技术也被认为有助于诊断冠心病[22]。数据科学家交叉比较了各种聚类技术，如EM、Cobweb、K-Means、Faraday First等，最有效的是基于密度的方法来诊断冠心病。谱聚类[23]也用于心脏模型的CBIR[24]，以帮助诊断充血性心脏值。新模型的准确率为83%。事实证明，心肌梗塞技术在预测心脏病方面非常有效。一组研究人员[25]交叉比较了三种算法：c4.5，j4.8和bagging算法，并得出结论，bagging是最强大的，准确率为81.41%。这说明了合奏技巧的范围。两名研究人员[26]结合了各种模型，并比较了各自的优势。最强大的模型是通过将模糊朴素贝叶斯与遗传算法相结合产生的。准确率为97.14%。一组研究人员[27]帮助开发了一种新的成本函数，以解决以前集成技术的局限性：特征选择和低准确性。最后，Baccouche等人使用集成分类器与BiLSTM或BiGRU模型与CNN模型，以实现91至96%的F1评分来预测心脏病[28]。该研究强调，集成框架可以克服在不平衡数据集上进行预测的问题。3. 数据从Kaggle提取的数据未经处理。数据被排列成列和逗号分隔值文件。它不包含空值，所有变量都是连续的或分类的。然而，这个数据集有两个明显的缺陷。首先，它有一个很大的标准差。该数据集是具有极值的深尾数据，即，全球异常为了有效地解决这一问题并保持数据的一致性，对所有具有高标准差的连续变量的上限和下限2%进行了修剪。此外，存在离群值，例如，收缩压低于远端血压。这些不可信的数据点被删除，以允许模型的真实数据点和预测。最后，将非分类的数值变量在0和1之间进行标准化，以确保整个数据集的一致性。目标变量与接近预处理后有无冠心病病例分布均匀。这意味着在数据分析期间不应用加权来平衡目标变量。 连续变量的后预处理（见图1）导致数据集的以下统计特征[29]：如表1所示，数据集中有5个连续变量这些变量已被修剪，以删除极端的数据点。因此，连续变量的范围是合理的，··诉肖雷瓦拉医学信息学解锁26（2021）1006553ΣΣFig. 1. 该图显示了连续变量的分布。预处理前变量的分配。B预处理后变量的分布。表1数据后预处理的属性。图二、主要变量的三维图， 以及目 标 变 量 的映射。高Pearson系数它将连续变量与胆固醇进行映射，以展示数据集中的模式。它使用了400个数据点的随机抽样，以防止数据中的偏差。图2显示，大多数冠心病患者胆固醇和收缩压较高。然而，如图2所示，在所采用的聚类技术中，年龄与目标变量的关系并不清楚由于这项任务是基于分类的，数据分析探索了具有目标变量映射的数据点集群。使用基于质心的聚类来观察数据中的模式。使用K均值[31]计算质心的位置，仅限于二维，以便于数据可视化。为四个连续变量绘制质心以识别聚类。为每组变量生成两个图：一个是目标变量的映射，另一个是使用质心形成的聚类。图3作为示例，展示了用于舒张压和收缩压的聚类方法。质心位置计算如下：X（数据集）= {x1，x2，x3xc}V（簇集）= {v，v，v3v n}C克岛||）2||)2i=1’'c'是聚类中心的数量集群和实用.另一方面，有6个分类变量，其中4个是二进制的。另外两个分类变量胆固醇和葡萄糖的值用1、2或3表示。这表示属性的级别，即，3显示高血糖水平，而1显示低血糖水平。该数据集中的目标变量是心血管疾病，即，二进制输出。4. 特征分析为了检查特征与目标变量之间的相关性，使用皮尔逊为了探索热图中呈现的关系，将相似的数据点分组以衡量聚类能力。年龄和收缩压与目标变量的映射进行分组。这有助于更清楚地显示目标变量的分布。图图2描绘了两个主要连续变量的图，'||x i-v j||是x i和v j之间的欧几里得距离图 3说明聚类是一种有效的血压变量聚类方法。显示舒张压和收缩压，因为它们具有最高的Pearson和LASSO系数（参见图4）。如图所示，患有和不患有冠心病的患者可以被分类成聚类。图表数据显示聚类5、6和7是大多数患有CHD的患者所在的地方。其他三个连续变量-年龄，身高和体重-进行了类似的测试，但它们显示出较弱但显着的分类。这暗示了K-Means和其他聚类方法在这个分类任务中工作得很好。绘制5个连续变量的最佳拟合曲线。年龄描绘了一个强大的线性关系，而其余的变量描绘了多项式或曲线关系。诊断为冠心病的患者接近每个变量的高端。这表明逻辑分类在分类方面是强大的 数据。最后，为了总结数据分析和量化特征分析，计算了每个变量的z值[32]和推导的p值，包括分类和连续变量，相对于目标变量。这将有助于筛选logistic回归的变量，但对基于聚类的 模型 的 结果表明 性别 到有 低Z值为-0.655，P>| z| 0.512。 因此，性别不是Sr. 没有属性名称范围1年龄30至652高度125至2073重量40至1504性二进制5收缩压70至2406舒张压50至1827胆固醇1或2或38葡萄糖1或2或39吸烟二进制10酒精摄入二进制11身体活动二进制12心血管疾病二进制诉肖雷瓦拉医学信息学解锁26（2021）1006554-图三. 收缩压形成的簇。A形成了数据点集群。B用目标变量映射的数据点用作逻辑回归的输入特征。其他变量显示高Z值，范围为4.21（身高）和60.68（收缩压）。5. 实验装置和结果在进行特征分析后，采用最小绝对收缩选择算子（LASSO）进行特征选择。特征选择对于去除影响模型分类性能的不相关特征非常重要LASSO是基于更新的特征系数的绝对值。具有较低系数的特征被删除，而具有较高系数的特征保留在数据集中（见图4）。使用基本分类器对处理后的数据集进行建模，图四、 显示LASSO特征选择结果的图表。确定其有效性。处理的数据集不包括酒精、吸烟和葡萄糖作为特征，因为当用LASSO测试时，它们的系数小于0.01。75%的点用于训练模型，而25%用于测试评估性能指标。此外，为了增加数据点的随机性并防止过拟合，数据点在数据集。为了验证模型产生的结果，使用了K倍验证。在该实验中，使用了10个K折叠。对每个性能指标的结果取平均值，并返回相应模型。最后，使用嵌套循环，在大值范围内，优化了主要的超参数，如冗长度，迭代次数和离开节点，以给出最佳结果。然后使用网格搜索来获得每个测试模型的超参数的最佳组合。该算法是使用python创建的，sci-kit learn用于数据集的建模。5.1. 传统分类器表2显示基本分类器具有相似的准确度水平，平均为72.3%。神经网络的准确率最高，为73.93%，AUC也最大（见图2）。 5）。决策树（D1）被证明是最成功的基本分类器，准确率为73%.虽然获得了较高的AUC分数，但它缺乏较高的回忆分数。这意味着冠心病的实际类别被错误地预测。因此，提出了一种改进的决策树（D2），在召回率和精确率之间给出了相等的平衡，但准确率显著降低，为71.4%。然而，它有一个更平衡的召回率和准确率分别为72.6%和71.7%。与先前的决策树相比，该修改后的决策树每个分支具有更大数量的叶节点。表2传统分类器的性能指标。STD图五、 接收基本分类器的算子曲线。模型精度召回精度10-K褶皱F1评分AUCLogistic71.467.872.60.5870.10.72分类k最近71.666.673.30.4369.80.71邻居决策树73.063.377.80.5669.80.72（J48）SVC72.262.976.70.4969.10.72高斯朴素71.461.276.30.8467.90.70Bayes神经网络73.969.175.20.6272.00.73（MLP）诉肖雷瓦拉医学信息学解锁26（2021）1006555=====-5.2. 稠密神经网络密集神经网络是一种监督学习算法，它在训练过程中修改权重和偏差，以达到最佳组合。MLP有一个完全连接的神经元结构，具有低学习率，使模型能够达到全局最优的权重和偏差集。建议的架构：密集输入层，128个神经元（输入调11）批量归一化，批量丢弃（0.6）密集隐藏层，256个神经元，激活密集隐藏层，256个神经元，激活密集隐藏层，256个神经元，激活密集输出层，激活如图6所示，神经网络经过了500多个epoch的训练。基于多层感知器的神经网络测试准确率最高，为73.9%，F1得分为72.0%。该评分在172个时期达到，其中损失函数达到全局最小值0.5380。5.3. 包埋技术排除技术旨在通过组合各种杂合或纯合模型来减少单个模型的方差。在boosting中，强分类器是通过迭代过程组合几个不同的弱分类器来构建的。然而，bagging是一种同质技术，其中基础分类器适合于数据的各个子集，以帮助聚合它们的性能。此外，将探索随机森林，一种装袋算法，因为它适合多个决策树上的数据的各种子集。在每个集合模型中，估计量的数量是不同的，以衡量最佳数量。5.3.1. 提振Boosting是一种同质技术，其中基础分类器在数据子集上进行训练，以帮助产生几个性能适中的模型。然后将错误分类的数据点分类为子集并拟合到下一个模型。因此，通过组合各种弱学习器，使用成本函数，降低了模型的方差。使用的基本估计量是默认值，即，树算法CART。主要的超参数，如估计量和模型提升的次数，通过迭代过程来改变，以达到最佳数量。然后通过网格搜索选择最佳的超参数组合图7描绘了梯度增强算法是评估的三种增强模型中最有效的，而最不有效的方法被证明是ADA增强器。此外，估计量的数量与准确度成正比，直到150个估计量。对于大于150的估计量，除XGB Booster外，模型的准确性逐渐下降（见图10）。 7）。图六、 神经网络的评价。带历元网络的精度B具有变化时期的模型损失。图7.第一次会议。 提高模型的准确性与不同数量的估计。诉肖雷瓦拉医学信息学解锁26（2021）1006556+=表3袋装和加强模型的统计学评价。评分见图8。 袋装模型和基础模型的精度比较。5.3.2. 套袋Bagging涉及生成预测器的多个版本，并使用它们来获得聚合预测器。使用多数投票，聚合平均预测器的不同版本。这通过并行使用同质模型，然后使用函数对结果进行平均来提高弱分类器的性能。 将每个模型装袋，并将交叉与原始基础模型进行比较。结果表明，Bagging集成技术是有效的，使每个模型的精度至少提高了1.8%（见图8）。此外，召回率和准确率也增加了一个积极的因素。这意味着减少了假阳性和假阴性的数量，并提高了模型的整体性能。在此基础上，对随机森林模型进行了探讨。它在多个决策树上拟合数据，并在整个模型中平均偏差。这可以防止奇异决策树上的数据过拟合，同时还可以减少数据内的方差。然而，随机森林的问题是模型中涉及的复杂性，图9.第九条。最佳堆叠模型的准确性。与单一决策树相比，计算时间更短。随机森林进行修剪和数量的基础估计，树木的数量，是不同的，以达到最佳数量。最佳株数为147株，准确率为74.42%。5.3.3. 堆叠探索的最后一种集成技术是堆叠，这是一种强大的建模方法，结合了异构的弱学习器。创建多个层，其中每个模型将其结果传递到顶部的层。最顶层做出最终决策，而最底层接收来自原始数据集的输入。用于组合不同分类器的Meta分类器是多数投票。最顶层，或最终模型，是二进制逻辑分类器，因为它被证明是最有效的。可用于堆叠的基本分类器集如下所示模型{决策树，随机森林，朴素贝叶斯，K-最近邻，SVC}为了达到最佳堆叠建模，使用回溯创建模型的每个子集，然后将其拟合到堆叠模型。KNN，随机森林分类器和支持向量机的堆叠与逻辑回归作为元分类器产生了75.1%的最高准确率（见图1）。 9）。6. 讨论目前的研究主要集中在传统的量词。用于诊断冠心病的唯一集成技术是增强和随机森林分类器。这项研究有助于展示堆叠和装袋是如何有效和更可靠的方法比目前正在测试的方法。在克利夫兰数据集上的一项研究中，随机森林分类器和决策树被发现是最重要模型精度召回精度F1AUC袋装物流73.668.275.271.50.71分类K-Nearest73.666.673.569.90.72邻居Bagged Decision Tree（J48）74.867.476.271.50.73袋装SVC74.163.476.969.50.72袋装高斯朴素73.361.176.267.80.70Bayes袋装随机森林74.467.376.671.20.73XGB Boost73.673.5675.9571.70.74梯度提升73.273.7975.3572.40.73AdaBoost73.573.2676.9270.70.73诉肖雷瓦拉医学信息学解锁26（2021）1006557+有效[33]。如表3所示，随机森林分类器和决策树在我们的研究中被证明是最有效的，准确率分别为74.4%和74.8%。以前的研究也展示了袋装模型如何比传统模型更有效[34]，这在本研究的结果中也得到了清楚的证明。使用集成技术预测冠心病的几项研究支持了增强模型和随机森林显著优于基本分类器的事实[35 所采用的提升模型也优于本研究中评估的每个指标的基础分类器。这包括AdaBoost，Gradient Boosting和XGBoost。本研究探讨了堆叠作为传统方法的替代方法，用于预测患者的冠心病。如结果所示，与基本分类器和其他集成技术相比，堆叠模型被证明具有最高的准确性。这种替代方法在以前的文献中没有被广泛探讨过，与预测冠心病有关。虽然以前的研究提供了更高精度的模型，但它们的数据集明显小于本研究中探索的数据集。这使得大多数以前的模型与真实数据不切实际。然而，所提出的模型处理大的数据集，使所提出的模型更实用，高效，和鲁棒性。7. 结论这项研究分析了机器学习在预测冠心病方面的有效性。首先，数据分析揭示了数据中的特征和二元逻辑分类的重要特征。除了k-最近邻之外，统计方法也起到了至关重要的作用，并允许从数据集中进行有效的特征选择。然而，所探索的模型的准确率上限为75%。分析的基础模型的平均准确率为71.92%，而神经网络的准确率接近73.97%。集成技术的装袋，升压，叠加证明有效地提高了基础模式的精度。平均准确率变化为1.9%，提高了装袋模型在增强时，Gradient Boosting方法被证明是最强大的，优化后的准确率为73.89%。K-Folds交叉验证描述了与模型产生的结果的一致性：准确度的标准差较低，范围为0.3%至0.6%。堆叠，涉及杂合模型，被证明是最有效的集成方法，产生的准确性为75.1%。这涉及堆叠KNN、随机森林分类器和具有逻辑回归的支持向量机作为元分类器。然而，其他统计方法描述了模型中的缺陷各模型的预测精度较高，平均为76.1%。然而，召回分数相当低，这也减少了接收操作者曲线下的面积。所有模型的召回分数平均达到66.8%。在未来，我们的目标是在实验室测试数据上验证所提出的模型，以衡量预测的实用性。此外，其他集成techniquessuch集成神经网络将进行探讨。目前，这项研究仅限于集成技术，如升压，装袋和堆叠。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参考文献[1] 心脏病和中风地图集。2010年12月9日检索自www.who.int/cardiovascular_diseases/resources/atlas/en/。[2] 作者：Huse O，Gearon E，Peters A.肥胖在澳大利亚2017年10月31日检索自https://pubmed.ncbi.nlm.nih.gov/29097148/。[3] 施密特·H慢性病预防和健康促进。2016年4月13日检索自https://www.ncbi.nlm.nih.gov/books/NBK435779/。[4] 摘自：http://www9.who.int/whr/2002/message_from_thedirector_general/en/; 2002年。[5] 放大图片作者：Gongsalves AH，Thabtah F，Mohammad RM，Singh G.使用机器学习预测冠心病。2019年第三届深度学习国际会议论文集。技术- ICDLT 2019。https://doi.org/10.1145/3342999.3343015.[6] 库马拉斯瓦米·帕蒂尔 使用数据挖掘和人工神经网络的智能和有效的心脏病发作预测系统。 Eur J Sci Res 2009;31：642-56.[7] 斯维特拉娜·乌利亚诺娃心血管疾病数据集。检索自，https://www.kaggle.com/sulianova/cardiovascular-disease-dataset; 2019年1月1日。[8] Latha CB，Jeeva SC.基于集成分类技术提高心脏病风险预测的准确性。7月2日，https://www.sciencedirect。com/science/article/pii/S235291481830217X;2019.检索自。[9] 吕军，张X，韩X，付Y.一种新的自适应动态调整竞争窗口（CW）的分布式协调功能在IEEE 802.11 ad hoc网络。2007年信息技术融合国际会议。2007.https://doi.org/10.1109/iccit.2007.146网站。[10] 哈扎伊河使用粒子群优化的心跳分类 Int J IntellSyst Appl 2013;5（6）：25-33. https://doi.org/10.5815/ijisa.2013.06.03网站。[11] Muhammad Yar，Tahir Muhammad，Hayat Maqsood，Chong Kil To.使用智能计算模型早期准确检测和诊断心脏病。Sci Rep2020;10（1）：1-17.[12] 叶毅，陈聪，邱庆文，朱德。使用加权主成分分析确定心跳情况的可靠特征选择算法，“2016年系统科学与工程国际会议。Puli：ICSSE）; 2016. 第1-4页。https://doi.org/10.1109/ICSSE.2016.7551594网站。[13] Dubey VK，Saxena AK.基于相关性的特征选择和支持向量机的混合分类模型，”2016 IEEE高级计算当前趋势国际会议。Bangalore：ICCTAC）; 2016.第1-6页。https://doi.org/10.1109/ICCTAC.2016.7567338。[14] 纳比尔？米利 反向传播神经网络预测心脏病。《理论应用信息技术杂志》2013;56：131-5。[15] Srinivasaraghavan Anuradha，Joseph P.分类方法预测心脏病准确性的比较分析。国际应用信息系统杂志2016;11：22-5。https://doi.org/10.5120/ijais2016451578.[16] Nilashi Mehrbakhsh，Ahmadi Hossein，Azizah Abdul Manaf，Rashid Tarik A，Samad Sarminah，Shahmoradi Leila，Aljojo Nahla，Akbari Elnaz.基于自组织映射和增量更新模糊支持向量机的冠心病诊断。国际模糊系统杂志2020：1-13.[17] OlaniyiEO，Oyedotun OK. 神经网络仲裁在心脏病诊断中的应用。IntJIntell Syst Appl 2015;7（12）：75-82.[18] Das R，Turkoglu I，Sengur A.通过神经网络集成有效诊断心脏病。 Expert SystAppl 2009;36（4）：7675-80.[19] 放大图片作者：Dutta Aniruddha，Batabyal Tamal，Basu Meheli，Scott T.阿克顿“一个有效的卷积神经网络用于冠心病预测。Expert SystAppl 2020;159：113408.[20] Jabbar MA，Deekshatulu BL，Chandra P.使用人工神经网络和特征子集选择进行心脏病分类。Global Journal of ComputerScience and Technology Neural&Artificial Intelligence 2013;13（11）.[21] 吴文辉，李文辉.基于ANN和Fuzzy_AHP的心力衰竭风险预测集成决策支持系统E X pert Syst Appl 2017;68：163-72.[22] Pandey AK等人，使用属性选择方法预测心脏病的数据挖掘聚类技术。14.第14章大结局[23] 安德鲁·Y Ng，Michael I.乔丹，亚伊尔·韦斯。“关于谱聚类：分析和算法.”高级神经信息处理系统[24] Bergamasco LCC，Oliveira RAP，Wechsler H，Dajuda C，Delamaro M，NunesFLS. 3D心脏模型的基于内容的图像检索，通过使用谱聚类来辅助充血性心力衰竭的诊断，”2015年IEEE第28届基于计算机的医疗系统国际研讨会。Sao Carlos;2015.第183- 186页。https://doi.org/10.1109/CBMS.2015.71。[25] Shouman M，et al.使用决策树诊断心脏病患者。第九届澳大拉西亚数据挖掘会议论文集第121卷。 澳大利亚计算机协会; 2011年。p. 23- 30[26] Singh N，et al.“Heart disease prediction system using hybrid technology ofdata”mining algorithms. International Journal of Advance Research，IdeasandInnovations in Technology 2018;4（2）：982-7.[27] Nourmohammadi-Khiarak J，Feizi-Derakhshi M，Behrouzi K，et al. New hybridmethod for heart disease diagnosis utilizing optimization algorithm in featureselection. Health Technol 2020;10：667-78. https://doi.org/10.1007/s12553-019-00396-3.[28] Baccouche Asma，Garcia-Zapirain Begonya，Cristian Castillo Olea，AdelElmaghraby。心脏病分类的深度学习模型：来自墨西哥的案例研究信息2020;11（4）：207.[29] C·帕塔尔C·萨尼萨·桑加网络选择函数的偏度和峰度交通分布 Acta Polytechnica Hungarica 2010;7.[30] 塞奇威克菲利普。Pearson相关系数BMJ 2012;345：e4483. 网址：http：//doi.org/10.1136/bmj.e4483e4483。[31] Jain Mrs，Gupta Prof. A Review and Analysis of Centroid Estimation in K-MeansAlgorithm. IARCCE 2018;7：42-6.https://doi.org/10.17148/IJARCCE.2018.789网站。[32] BehboodianJ，Asgharzadeh Akbar.关于Z分数的分布 伊朗科学技术杂志2008;32：71-8.交易A。诉肖雷瓦拉医学信息学解锁26（2021）1006558[33] Mohan S，Thirumalai C，Srivastava G.使用混合机器学习技术进行有效的心脏病预测。IEEE Access 2019;7：81542-54. 网址：//doi.org/10.1109/ACCESS.2019.2923707.[34] Vu T，Braga-Neto U.装袋在小样本基因组和蛋白质组数据分类中有效吗？JBiofinform Sys Biology 2009：158368.网址：//doi.org/10.1155/2009/158368。2009年[35] Tama Bayu Adhi，Lee Seungchul，Im Sun.使用两层分类器集成改进冠心病智能检测系统。BioMed Res Int 2020：9816142。https://doi.org/10.1155/2020/9816142网站。[36] Krittanawong C，Virk HUH，Bangalore S，et al. Machine learning prediction incardiovascular diseases：a meta analysis. Sci Rep 2020;10：16057.https://doi.org/10.1038/s41598-020-72685-1.[37] Sultan Bin Habib A-Z，Tasnim T，Billah MM. A study on coronary diseaseprediction using boosting-based ensemble machine learning approaches，“2019第二届工程与技术创新国际会议（ICIET）。2019.第1-6页。https://doi.org/10.1109/ICIET48527.2019.9290600。孟加拉国，达卡。
我的内容管理
展开
