基于嵌入式特征选择方法和深度神经网络的心脏病预测

摘要

近几十年来，心脏病因其发病率高、死亡风险高而严重威胁着人们的健康，因此，通过早期常规体检获得的一些简单的身体指标来预测心脏病已成为一个有价值的课题。临床上，对这些指标的敏感性至关重要与心脏病相关的icators可以做出预测，并为进一步诊断提供可靠的依据。然而，大量的数据使得人工分析和预测变得繁重和艰巨。我们的研究旨在通过身体的各种指标准确快速地预测心脏病。本文提出了一种新的心脏病预测模型提出了一种结合嵌入式特征选择方法和深度神经网络的心脏病预测算法。该嵌入式特征选择方法基于线性SVC算法，使用L1范数作为惩罚项，选择与心脏病显著相关的特征子集我们的模型在Kaggle获得的心脏病数据集上进行了测试。一些指标包括准确度、召回率、准确度和F1分数结果表明，我们的模型分别达到98.56%、99.35%、97.84%和0.983，模型的平均AUC得分达到0.983，证实了我们提出的方法对心脏病的预测是有效和可靠的。

1.介绍

心脏病是一种常见的致命疾病，目前是全球人口的头号杀手。根据世界卫生组织的报告[1每年有1790万人死于心血管疾病，约占全球死亡人数的32%。该报告还指出，心脏病和中风是心血管疾病的主要原因，约占死亡人数的85%。与循环系统疾病一样，心血管疾病是由多种因素引起的，如高血压、吸烟、糖尿病、缺乏锻炼等。

到目前为止，减少心脏病死亡的方法一直是研究的重点，研究表明，可以防止约90％的心脏病[2］.此外，心脏病具有早发现、早治疗、早康复的特点。因此，早期发现该病是治疗的关键。为了获得患者的心血管状况，医院需要采集具体的物理值，如静态血压、血糖、胆固醇、最大心率、胸痛类型、心电图等。然而，传统的手工分析大量的心脏病相关数据，存在误诊和耗时的缺点。人工智能被广泛用于解决这一问题，其中机器学习(ML)和深度学习(DL)占多数。这些预测模型通过分析大量的医学数据来确定患者是否患有该疾病，从而获得比人工诊断更准确的预测结果。

本研究将机器学习与深度学习相结合，适用于Linearsvc和DNN技术，并提出了一种新的心脏病预测模型。在数据预处理之后，将线性算法应用于特征选择模块。同时，我们使用套索作为惩罚术语来生成稀疏权重矩阵，过滤出与心脏病密切相关的功能的子集，并为DNN提供更可靠的输入。此外，我们比较几种广泛使用的重量初始化器，最终选择HE初始化方法，因为它可以为网络提供最佳的初始重量。根据结果​​，拟议模型可实现精度，召回和精度为98.56％，99.35％和97.84％。

论文结构如下2回顾以前的心脏病研究，部分3.介绍了我们使用的数据库和我们提出的模型的方法分析，然后在Section中详细介绍了本研究的结果以及与其他算法的比较4.，最后是Section5.提出了本文的结论。

2.文献综述

研究人员将各种数据挖掘技术应用于心脏病预测方法。阿明等[3.]使用UCI克利夫兰数据库确认重要特征和挖掘技术，最后使用UCI Statlog数据集进行评估和验证。该研究从原始数据集的13个特征中提出了9个显著特征，并比较了三种数据挖掘技术：投票、朴素贝叶斯（NB）和支持向量机（SVM）。其中，投票表现最好，准确率为87.41%。同样，Nalluri等人[4.[比较XGBoost算法的性能和逻辑回归（LR）方法预测慢性心脏病（CHD）的价值。结果表明，LR的准确性达到85.86％，比XGBoost更好，精度为84.46％。Louridi等。[5.]采用UCI机器学习知识库，比较了支持向量机、k-最近邻(kNN)和NB三种方法。实验表明，采用线性核的支持向量机效果最好，准确率达86.8%。Shah等人[6.]使用UCI心脏病学患者库克利夫兰数据库的现有数据集，考虑14个属性。他们比较了四种ML算法，即kNN、NB、DT和随机森林。实验结果表明，kNN分类的效果最好（90.78%）。

决策树（DT）在心脏病预测领域也发挥着重要作用[7.]对NB、SVM和DT三种方法进行了评价和分析，结果表明，三种方法的准确率分别为81.58%、61.26%和90.79%。比较DT的效果更好。在一项类似的研究中，Pires等人[8.]比较了神经网络、KNN、DT、SVM、组合命名法（CN2）规则诱导器和随机梯度下降（SGD）等多种机器学习方法。不同倍数的交叉验证结果表明，DT和SVM的交叉验证精度最高，分别为10倍和20倍（87.69%），SGD的交叉验证精度最高，为5倍（87.69%）。也有使用混合模型进行预测的研究。Kavitha等人[9.]采用随机深林(RF)、DT和混合模型(RF;在UCI克利夫兰数据集上。最终结果表明，混合模型的效果最好，准确率为88.7%。

此外，研究人员还提出了许多新的预测模型。Spencer等人。[10]结合特征选择技术和ML算法，建立的模型结合卡方特征选择和BayesNet算法，达到了85%的准确率。汗(11提出了一种改进的深度卷积神经网络IOT框架。该框架连接到可穿戴检测装置，以检测患者的血压和心电图（ECG）。与现有的深度学习神经网络和LR相比，这种方法具有更好的性能（98.2％）。Mohan等人。[12]，提出了一种基于线性模型的混合随机森林(HRFLM)预测模型。在UCI Cleveland数据集上的实验表明，该分类模型的准确率达到88.7%，优于其他分类方法。Magesh和Swarnalatha [13]采用了基于聚类的DT学习(CDTL)方法。经过特征处理后，CDTL-RF预测准确率可达89.30%，较非cdtl方法提高12.60%。Mehmood等人[14]提出了一种称为CardioHelp的方法，该方法将CNN与深度学习算法相结合，包括在早期阶段使用CNN进行HF预测和时间模型建模。与其他最先进的方法相比，该方法性能最佳，准确率为97%。

3.材料和方法

数据预处理、特征选择和分类是心脏病预测模型中最关键的三个部分。我们对数据集进行离群处理和标准化，确保数据预处理后的数据结构良好。采用基于线性svc算法的特征选择过程来选择有价值的特征。将选定的特征子集按3:1的比例划分为训练集和测试集;前者被送入我们构建的深度神经网络。具体来说，我们的深度神经网络使用he_normal初始化器来构造最佳初始权值，以防止梯度发生爆炸或消失，达到更好的效果。此外，还根据测试样本对模型的有效性进行了测量。我们的心脏病预测模型结构如图所示1．

3．1.数据收集

目前有许多与心脏病相关的数据库，如克利夫兰数据库和美国国家心血管疾病监测系统提供的心脏病数据库。本文使用了Kaggle中广泛使用的心脏病数据集[15]，由四个数据库组成：克利夫兰、匈牙利、瑞士和弗吉尼亚长滩。数据集有14个属性，每个属性都设置了一个值。它包含1025份不同年龄段的病历，其中713份为男性，312份为女性。此数据集是[16］.原始数据集包含76个属性，但大多数学者只使用其中14个，因为其他属性对心脏病的影响很小，例如运动心电图读取和运动协议的时间。此数据库中的描述如表所示1．

3.2。数据预处理

我们从Kaggle中公开选择心脏病数据集[15］.为了保证预测模型的稳定性和准确性，在将数据输入深度神经网络之前，必须进行数据分析和预处理。数据预处理主要包括两个部分:异常值去除和数据标准化。

3.2.1。异常删除过程

处理良好的和结构化数据在很大程度上决定了模型的有效性。原始数据集通常包含一种不合理的值，其属性与整体不一致。这些异常值被命名为异常值。我们分析了心脏病数据集，并应用了句子范围（IQR）方法来检测和删除异常值。值得一提的是，健康人的物理指标通常在类似的范围内，特异性生物指标的异常可能是疾病的反映。

因此，心脏病预测模型需要警告一些异常值，而不是一个不一于地删除所有异常。本文应用了IQR方法来处理Chol和Trestbps列的异常值，因为这两列通常是通常分布的，但Boxplot显示它们都具有偏离正常范围的表观异常。IQR是一种用于帮助检测数据异常值的技术。它定义了第三个四分位数和第一个四分位数之间的差异作为IQR [17]，然后可通过以下方程式计算上下边界：

现在，值超出了∼被认为是需要移除的异常值。在过滤掉这些异常值之后，可以将它们从数据集中抛弃。数字2显示离群值处理前后箱图中的更改。

3.2.2。数据标准化处理

数据标准化的目的是消除特征之间的差异，使后续模型能够全心全意地学习权重。接受标准化数据训练的网络通常会产生更好的结果[18］.数据标准化可以在不改变初始数据结构分布的情况下，将原始数据转换为正态分布数据。我们使用StandardScaler方法对数据进行标准化，因为在上一步中所有的离群值都被去除了，我们的数据大致服从正态分布。转换方程为: 哪里你是训练样本的均值还是零如果with_mean=错误的和S.是训练样本的标准差还是一个if有性病=错误的．

标准化计算数据的均值和方差，并用它们转换数据。标准化过程可以将数据转换为适合其背后网络的标准正态分布。

3.3.基于嵌入式方法的特征选择

urlifative功能经常影响模型的训练过程，并且一些噪声功能甚至使模型偏离正确的轨道。特征选择选择可以有效地描述输入数据的变量子集并确保良好的预测结果[19］.为了减少噪声或不相关变量的影响，应用了一些特征选择方法，大致可归纳为滤波方法、包装方法和嵌入方法。但是，filter方法选择的特征子集具有较高的冗余度，而wrapper方法由于对不同特征子集的评价需要重新训练和测试，计算复杂度较高，而embedded方法可以高效地选择性能更好的特征子集。在本文中，我们使用的数据集从原始数据集的76个特征中选择了14个属性。我们使用基于惩罚的嵌入特征选择方法来验证这些选择的特征，并尝试根据这些特征选择最相关的特征。嵌入式特征选择将特征选择过程与模型训练过程相结合。不是将数据分割成训练集和测试集，而是在相同的优化过程中完成。利用机器学习算法进行训练，得到每个特征的权重系数，这些权重系数往往代表了特征对模型的重要性，然后评价模块根据权重系数的值选择贡献最大的特征。嵌入式特征选择方法依靠模型评价来完成特征选择。

我们的嵌入特征选择是基于线性svc算法，它适用于这种二值分类问题。我们使用L1范数正则化[20.]作为惩罚项，因为它具有良好的鲁棒性，并使系数稀疏。L1正则化损失函数也称为套索回归。其表述如下： 哪里表示特征的系数，X为特征矩阵，y是目标矢量矩阵，N.是样品的数量，和表示正则化强度。

正则化可以约束系数，利用L1正则化可以得到稀疏矩阵。矩阵中系数为0的特征可以认为是对模型无关的，即使去掉它也不会影响模型的有效性。因此，我们可以专注于非零值特征，以达到特征选择的目的。通过特征选择，我们可以减少特征的数量，选择最可靠的特征子集。

3．4．基于深度神经网络的心脏病分类

3.4.1。深神经网络

深度神经网络是一种深度学习框架，通常是前馈神经网络。此外，深度神经网络是一种判别模型，可以通过反向传播算法进行训练[21］.

经过不断的研究，该网络已被广泛应用于语音识别、癌症检测等领域，并具有优异的性能。这是因为深度神经网络可以使用统计学习方法从输入数据中提取高级特征。

DNN的基本结构可分为三层，即输入层、隐含层和输出层。与感知器不同，深层神经网络结构至少有一个隐藏层。因此，深度神经网络有时被称为多层感知器(MLP)。此更改增加了模型的深度和复杂性，改进了模型的功能，并可以使用多个激活函数。网络的每一个隐藏层都有相互连接的神经元。深度神经网络的过程是隐藏层提取输入特征后，最终在输出层得到分类结果。我们的DNN网络结构图如图所示3..我们将特征选择模块中选择的12个特征输入到DNN网络中，该网络有7个隐藏层，最终得到2个输出，对应于每个类别的分数。

3.4.2。损耗和激活功能

本文的心脏病预测本质上是一个二值分类问题。我们使用二元交叉熵作为损失函数来衡量模型的预测质量。二值交叉熵在二值分类问题中得到了广泛的应用。用二元交叉熵计算损失，使用下列公式: 哪里y是二进制标号，和P.（y)的概率是属于y标签

二元交叉熵可以度量分类质量，因为减少损失的过程可以使标签等于1的样本获得更大的分类预测概率P.（y).相比之下，标签为0的样本的概率变小。通过减少损失的过程，可以显著提高模型的准确性。

我们的深度神经网络的输入层和隐藏层使用ReLU激活函数，而输出层使用Sigmoid激活函数将输出映射到[0,1]的范围适应二进制交叉熵损失函数。此外，选择Sigmoid而不是ReLU使输出更易于控制。ReLU和Sigmoid函数如下：

Sigmoid得到的输出结果可以看作是属于相应类别的概率。因此，我们将数据标签转换为一次性编码。单热编码使用一个N位状态寄存器对N个状态进行编码。标签用二进制向量表示。在每个代码中，只有一位被标记为1，这代表一个有效的索引，其余的位被标记为0。这种编码方法将标签转换成一种便于网络使用的形式，便于计算二进制交叉熵损失函数。

3.4.3.初始化器的应用

深度神经网络通常需要学习一个极其复杂的非线性模型，不同的初始化器往往会导致不同的收敛速度和效果。如果将每一层的权值都初始化为0或1，则神经网络在反向传播过程中无法学习到重要的特征，参数更新也很困难。另外，初始值过大会导致爆炸梯度，而初始值过小则会导致消失梯度;两者都导致了网络学习能力的下降。要解决上述问题，需要找到合适的权重初始化方法，该方法需要满足以下要求:（1）避免各层神经元激活值饱和（2）避免每个层的激活值变为零

然而，目前流行的随机正态权重初始化方法可能会使网络优化陷入两难境地。一旦没有正确生成随机分布，可能会遇到深层网络的输出值接近0的情况，导致梯度消失。Xavier的基本思想[22]初始化是为了使各层的激活值与梯度的方差在传播过程中保持一致，避免所有输出值趋于0，使各层在反向传播过程中得到有效反馈。然而，Xavier初始化比Tanh有优势，但在ReLU激活功能下无效。他初始化(23]基于Xavier的除以2，可以保持方差不变，并确保每层中有一半的神经元被激活(6.)说明了Xavier方法，方程(7.)表示初始化方法。

我们比较了一些著名的权值初始化方法，其结果在本节中有详细说明4.．由于He初始化器与ReLU激活函数的优点，我们在我们的网络中采用了这种方法。

4.结果与讨论

我们将提出的方法应用于心脏病的预测和评估结果。首先对心脏疾病数据集进行离群值去除和数据标准化预处理，然后应用特征选择模块，将选择的特征子集送入深度神经网络进行训练。我们尝试了多种网络优化算法，以提高模型的效果和稳定性。

我们以3的比例将数据分为训练集和测试集 : 1，并对20%的训练数据进行分区验证。DNN网络在培训集中进行培训和学习。我们计算准确度、召回率、精确度和F1分数指标来评估这些结果。准确度可以描述所有预测中正确预测的数量。回忆指的是正确预测为阳性的真实阳性病例的比例，精确性指的是正确预测为阳性的真实阳性病例的比例[24];F1分数是相结合精度和召回的度量，并且可以被视为两者的谐波平均值。以下等式显示它们的计算： 其中TP为真阳性，FP为假阳性，TN为真阴性，FN为假阴性。

在我们的实验中，我们选择了Adam优化器，它是一种基于随机梯度的优化。亚当优化器只需要一阶梯度和计算效率只有很少的内存。该方法通过估计梯度的一阶和二阶矩来计算不同参数的个体自适应学习率，与其他优化方法相比具有优势[25].在本实验中，学习率为0.0001，迭代次数为150次。为了保证结果的可靠性，本文中提到的所有统计数据均为10次实验的平均结果。结果表明，我们的平均准确率为98.56%，召回率为99.35%，准确率为97.84%，F1分数达到0.983。表2代表详细的结果和图4.给出了一个实验预测结果的混淆矩阵。

此外，我们使用ROC和AUC来评价模型的性能。接收者工作特征曲线(ROC)是根据一系列不同的边界值绘制的曲线，其纵坐标为真阳性率，横坐标为假阳性率[26］.AUC是ROC曲线下的面积，表示随机抽取样本时，正样本的计算得分高于负样本的概率，可以衡量预测模型的利弊。结果表明，我们模型的平均AUC值为0.983，实验的ROC曲线如图所示5.．

在数据预处理中，我们使用IQR方法去除chol和trestbps的离群值，成功地将数据集归一化。在特征选择模块中，我们使用基于线性svc的嵌入式特征选择方法，使用L1范数作为惩罚项，成功地选择了12个对模型有贡献的特征。分数为0的fbs特性在本模块中被删除。见表3.每一个特征的得分。

利用He初始化方法，我们的模型获得了良好的稳定性和准确性。采用He初始化方法、RandomNormal方法和Xavier方法对神经网络的性能进行了比较。结果表明，He初始化具有优越性，与随机法和Xavier法相比，正确率分别提高了9.3%和13.3%，召回率分别提高了9.0%和12.4%，正确率分别提高了9.3%和14.2%，f1分值分别提高了0.083和0.127。这些结果在图中得到了详细说明6.．

此外，我们发现批处理规范化在我们的模型中表现很差。我们在完全连接层之后添加批处理归一化。模型的准确率为97.5%，召回率为98.3%，准确度为96.7%，f1分为0.98，分别下降了1.1%，1.0%，1.1%，0.003。对比结果如图所示7.．我们猜想这是因为He初始化器已经给了网络很好的初始权值，所以网络的每一层都有很好的输入和输出值，避免了渐变的消失和爆炸。

此外，我们还将我们的方法与其他学者提出的一些已发表的方法进行了比较[27]采用PCA特征提取方法和DNN相结合的方法进行分类，分类准确率高，但召回率仅达到97%。具体比较结果如表所示4.．

5.结论

本文提出了一种基于DNN与线性svc嵌入特征选择相结合的心脏病预测算法。通过IQR方法，成功去除数据集中的离群值，并对所有数据进行标准化，获得可靠的输入。在基于线性svc算法和L1范数的特征选择模块中选择最优特征子集。选取12个最相关的特征输入到后续的DNN网络中。为了提高网络的性能，我们比较了He_normal、random_normal和Xavier三种权重初始化方法，得出He初始化方法在该心脏病预测模型中效果最好。同时，我们发现批处理归一化层不适合该方法，在各个指标上得分较低。在这个双分类问题中，我们选择BinaryCrossentropy作为损失函数，Sigmoid作为输出层的激活函数，将输出映射到[0,1]的范围。实验结果表明，实现了一种高精度的心脏病预测模型。本文方法的准确率达到98.56%，召回率为99.35%，准确率为97.84%，f1得分为0.983,AUC得分为0.983，证明了该特征选择方法和深度神经网络在预测心脏病方面是可行和可靠的。未来，我们将继续调整DNN的深度和参数，以增强模型的稳定性，并研究其他深度学习优化技术，以获得更好的性能[30］.

数据可用性

用于支持这项研究结果的心脏病数据集可在https://www.kaggle.com/johnsmith88/heart-disease-dataset.．

的利益冲突

作者声明本研究的发表不存在利益冲突。

作者的贡献

张登庆、陈云义对这项工作贡献相当。

参考文献

1. 世界卫生组织，2021，https://www.who.int/health-topics/cardiovascular-diseases#tab=tab_1．
2. H. C. McGill, C. A. McMahan和S. S. Gidding，《在21世纪预防心脏病》，循环，第117卷，第9期，第1216-1227页，2008年。视图:出版商网站|谷歌学术搜索
3. M.S.Amin、Y.K.Chiam和K.D.Varathan，“识别预测心脏病的重要特征和数据挖掘技术，”远程信息处理和信息，第36卷，第82-93页，2019年。视图:出版商网站|谷歌学术搜索
4. S. Nalluri，R.V.Saraswathi，S.Ramasubbareddy，K.Govinda和E.Swetha，“使用数据挖掘技术的慢性心脏病预测，智能系统的进步和计算”数据工程与通信技术，第903-912页，新加坡斯普林格，2020年。视图:出版商网站|谷歌学术搜索
5. N. Louridi, M. Amar，和B. E. Ouahidi，“使用机器学习识别心血管疾病”，在2019年第七届地中海电信大会（CMT）会议记录，第1-6页，IEEE, Fez，摩洛哥，2019年10月。视图:出版商网站|谷歌学术搜索
6. D.Shah，S.Patel和S.K.Bharti，“使用机器学习技术预测心脏病，”SN计算机科学，第1卷，第6期，第1-6页，2020年。视图:出版商网站|谷歌学术搜索
7. A. Kumar, P. Kumar, A. Srivastava, V. D. A. Kumar, K. Vengatesan，和A. Singhal，“数据挖掘技术对糖尿病患者心脏病预测的比较分析”，刊国际计算和数据科学进展会议论文集，第507-518页，马耳他瓦莱塔斯普林格，2020年4月。视图:出版商网站|谷歌学术搜索
8. I. M. Pires, G. Marques, N. M. Garcia和V. Ponciano，“机器学习用于评估心脏病的存在”，Procedia计算机科学， 2020年。视图:出版商网站|谷歌学术搜索
9. M. kavtha, G. Gnaneswar, R. Dinesh, Y. R. Sai，和R. S. Suraj，“使用混合机器学习模型的心脏病预测”，在2021年第6届创造性计算技术国际会议（ICICT）的诉讼程序，第1329-1333页，IEEE，哥印拜陀，印度，2021年1月。视图:谷歌学术搜索
10. R.Spencer，F.Thabtah，N.Abdelhamid等人，“探索预测心脏病的特征选择和分类方法，”数字健康，卷。6,2020。视图:出版商网站|谷歌学术搜索
11. M. A. Khan，“基于MDCNN分类器的心脏病预测物联网框架”，IEEE访问2020年，美国，第8卷，第34717条。视图:出版商网站|谷歌学术搜索
12. S. Mohan, C. Thirumalai，和G. Srivastava，“使用混合机器学习技术的有效心脏病预测”，IEEE访问，卷。7，第81542,2019款。视图:出版商网站|谷歌学术搜索
13. G.Magesh和P.Swanalatha，“通过基于聚类的DT学习（CDTL）在心脏病预测中的最佳特征选择，”进化的情报，第14卷，第2期，第583-593页，2021年。视图:出版商网站|谷歌学术搜索
14. A. Mehmood, M. Iqbal, Z. Mehmood等人，“使用深度卷积神经网络预测心脏病”，阿拉伯科学与工程杂志，卷。46，没有。4，pp。3409-3422,2021。视图:出版商网站|谷歌学术搜索
15. https://www.kaggle.com/johnsmith88/heart-disease-dataset.．
16. https://archive.ics.uci.edu/ml/datasets/Heart+疾病．
17. H. P. Vinutha, B. Poornima，和B. M. Sagar，“利用入侵数据集的四分位范围技术检测离群值”，智能系统和计算的进展， vol. 701, pp. 511-518, 2018。视图:出版商网站|谷歌学术搜索
18. M.Shanker，M.Y.Hu和M.S.Hung，“数据标准化对神经网络训练的影响，”ω，第24卷，第4期，第385-397页，1996年。视图:出版商网站|谷歌学术搜索
19. G. Chandrashekar和F. Sahin，“特征选择方法的调查”，计算机与电气工程，第40卷，第1期，第16-28页，2014年。视图:出版商网站|谷歌学术搜索
20. “非线性系统辨识的最小绝对收缩和选择算子(LASSO)，”，J. Löfberg, M. J. Brenner，“非线性系统辨识的最小绝对收缩和选择算子(LASSO)”，IFAC诉讼卷第39卷第3期1，页814-819,2006。视图:出版商网站|谷歌学术搜索
21. T. Epelbaum，“深度学习:技术介绍”，2017，https://arxiv.org/abs/1709.01412．视图:谷歌学术搜索
22. X. Glorot和Y. Bengio，“理解训练深度前馈神经网络的困难”，在第十三国际人工智能与统计国际会议的诉讼程序，PMLR，第9卷，249-256页，撒丁岛，意大利，2010年5月。视图:谷歌学术搜索
23. 何凯，张昕，任舜，孙建平，“深入研究整流器:在ImageNet分类上超越人类水平的表现”，载于IEEE计算机视觉国际会议记录（ICCV），第1026-1034页，智利圣地亚哥，2015年12月。视图:出版商网站|谷歌学术搜索
24. D. M. W. Powers，“评估:从精确度、召回率和F-measure到ROC、信息、标记和相关性”，2020，https://arxiv.org/abs/2010.16061．视图:谷歌学术搜索
25. D.P.Kingma和Ba.Jimmy，“亚当：随机优化方法”，2014年，https://arxiv.org/abs/1412.6980．视图:谷歌学术搜索
26. T. Fawcett，《ROC分析导论》，模式识别的字母第27卷第2期8，页861-874,2006。视图:出版商网站|谷歌学术搜索
27. P. Ramprakash, R. Sarumathi, R. mowrya等人，“利用深度神经网络预测心脏病”国际创造性计算技术会议的诉讼程序（icic），pp.666-670，IEEE，Coimbatore，印度，2月20日20日。视图:谷歌学术搜索
28. 高晓燕，“基于集成方法的心脏疾病预测分析”，北京大学学报(自然科学版)，复杂， 2021年，第6663455篇，10页，2021年。视图:出版商网站|谷歌学术搜索
29. M.M.Ali、B.P.Kumar、K.Ahmad、M.B.Francis、M.W.Q.Julian和M.A.Moni，“使用监督机器学习算法预测心脏病：性能分析和比较，”生物和医学中的计算机，第136卷，第104672条，2021年。视图:谷歌学术搜索
30. M.Rahman、M.M.Zahin和L.Islam，“心脏病的有效预测：使用数据挖掘技术预测心脏病”，年2019年智能系统与创新技术国际会议(ICSSIT)论文集，第536-541页，Tirunelveli，印度，2019年11月。视图:出版商网站|谷歌学术搜索

版权

版权所有©2021张登庆等。这是一篇发布在创意公共归因许可证，允许在任何媒介上不受限制地使用、传播和复制，但必须正确引用原作。