Laxmi Narayanamma K. / Mary Swarna Latha Gade
Librería Samer Atenea
Librería Aciertas (Toledo)
Kálamo Books
Librería Perelló (Valencia)
Librería Elías (Asturias)
Donde los libros
Librería Kolima (Madrid)
Librería Proteo (Málaga)
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.
