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)
Choroby sercowo-naczyniowe (CVD) pozostają główną przyczyną zgonów na całym świecie, co podkreśla potrzebę ich wczesnego wykrywania. Niniejsze badanie przedstawia oparte na uczeniu maszynowym ramy wykrywania CVD przy użyciu sygnałów EKG, koncentrując się na ulepszonej selekcji cech. System integruje filtr oparty na szybkiej korelacji (FCBF), minimalną redundancję maksymalnej istotności (mRMR), odciążenie i optymalizację roju cząstek (PSO) w celu zidentyfikowania najbardziej odpowiednich i nie zbędnych cech. FCBF usuwa nadmiarowe dane, mRMR wybiera kluczowe istotne cechy, Relief szereguje cechy na podstawie ich mocy rozróżniania klas, a PSO optymalizuje ostateczny zestaw cech. Klasyfikacja jest przeprowadzana przy użyciu klasyfikatorów Extra Trees i Random Forest, znanych z wysokiej dokładności i odporności na nadmierne dopasowanie. Połączony model osiągnął 100% wskaźnik dokładności w różnych zestawach danych, przewyższając istniejące metody i wykazując doskonałą wydajność w wyborze cech i klasyfikacji. Ta struktura ma duży potencjał, aby poprawić wczesną diagnozę CVD i usprawnić podejmowanie decyzji klinicznych.