心脏病风险失效预测使用一种新的特征选择方法功能细化和神经网络分类

文摘

心脏病的诊断是一个困难的工作,研究人员设计了各种智能诊断系统提高心脏病的诊断。然而,低心脏病预测精度在这些系统仍然是一个问题。为了更好的心脏风险预测的准确性,提出一种特征选择方法,它使用一个浮动窗口自适应大小功能消除(FWAFE)。特性消除后,利用两种分类框架,即。,人工神经网络(ANN)和神经网络(款)。因此,两种类型的混合诊断系统提出了本文。,FWAFE-ANN FWAFE-DNN。实验是进行评估的有效性提出了数据集的方法收集来自克利夫兰的在线数据库心脏病。提出方法的强度评价对准确性、敏感性,特异性,马修斯相关系数(MCC)和接受者操作特征(ROC)曲线。实验结果证实该模型优于18其他提出的方法在过去,获得精度在50.00 - -91.83%的范围。此外,提出模型的表现令人印象深刻的价格相比其他先进的机器学习技术对心脏疾病的诊断。此外,该系统可以帮助医生在诊断心脏疾病作出准确的决策。

1。介绍

心脏是人体的重要器官,负责血液循环。心负责氧气和能量供应到身体的所有器官包括本身。心脏疾病导致体内血液循环异常,可能是致命的人类生活。因此,如果心脏停止其正常功能,整个系统将会死亡。从文学、各种风险因素识别,导致心脏病。心脏疾病的危险因素主要分为两种类型,如可以改变的危险因素,如吸烟和体育锻炼,和不能改变的危险因素,如性别、年龄、和病人的家庭历史1]。心脏通过传统的医疗方法的诊断是很困难的,复杂的,耗时和昂贵的。因此,心脏病的诊断是最差的在发展中国家由于缺乏先进的检测工具和医学专家(2,3]。此外,侵入性医疗程序检查心脏衰竭是形成各种测试由内科医生建议,在研究病人的病史和分析相关的症状(4]。血管造影被认为是黄金标准的医学测试诊断心脏衰竭。心脏病病例确认通过血管造影是诊断心脏疾病的最佳实践。此外,血管造影有副作用以及成本较高的诊断心脏病和非凡的专业技术要求(5,6]。因此,机器学习和数据挖掘技术是设计专家系统所需解决的问题血管造影术。

为了解决上述问题,研究人员设计了不同的非侵入性诊断系统利用基于机器学习的预测模型。这些模型包括逻辑回归、朴素贝叶斯k最近的邻居(资讯)、决策树、支持向量机(SVM),人工神经网络(ANN)和乐团安心脏衰竭的疾病分类1,7- - - - - -18]。罗伯特Detrano利用逻辑回归心脏衰竭的风险预测和达到分类精度为77%。牛顿张组成C4.5各种预测模型,利用朴素贝叶斯、BNND, BNNF算法。提出算法的精度分别为81.11%,81.48%,81.11%,和80.95%,分别进行精确分类的病人和健康受试者。a Khemphila和诉Boonijing提出一个分类技术基于多层感知器(MLP)除了反向传播学习算法和生物医学诊断心脏疾病的测试值通过特征选择算法。通过消除信息增益是用来过滤特性的特性不精确的结果。总数13特性减少到8通过使用特征选择算法。的分类、安作为分类器。训练数据集的准确性为89.56%,而对于数据验证,据报道80.99%的准确性。

最近,保罗等人提出了一种模糊决策支持系统(fds)为了检测心脏疾病(19]。它们遗传算法提出了一种基于fds,有五个关键部件如预处理的数据集,通过多样化的有效的特征选择方法,加权模糊规则建立通过遗传算法,生成的模糊知识用于构建fds和心脏疾病的预测。该系统获得80%的准确性。时等人提出了一个混合模型对冠状动脉疾病(CAD)的诊断(20.]。危害因素的方法由标识符采用基于相关的子集(CFS)选择搜索模型和粒子群优化(PSO)K则。监督学习算法,如多层感知器(MLP),多项逻辑回归(高),模糊无序规则归纳算法(FURIA),然后利用C4.5设计CAD的病例。该方法的准确性为88.4%。该模型提高了分类技术效率从8.3%到11.4%的Cleaveland数据集。沙阿等人提出了一个基于特征提取技术降低特征维度(21]。该方法利用概率主成分分析(车牌提取)。投影尺寸通过车牌提取,提取高协方差和赞美也有助于消除特征维度。平行分析(PA)有助于投影向量的选择。降低特征向量的特征子集是输入径向基函数(RBF)基于支持向量机(svm)。两种类型的分类类别为心脏病人(HP)和正常话题(NS) RBF-based SVM。测试该模型对准确性、特异性和灵敏度UCI数据集,即。克利夫兰。提出了克利夫兰数据集模型的准确性为82.18%,85.82%,和91.30%,分别。

最近,已经测试的性能不同的机器学习方法的预测心脏病。分类精度最高的85%报告是基于逻辑回归22]。阿明等人评估不同的数据挖掘方法和识别的重要特征预测心脏病(23]。预测模型是由不同的功能组合和著名的分类方法,例如,LR,支持向量机,K神经网络。从实验结果,研究了数据挖掘技术的最佳性能分类精度为87.4%的心脏病预测。Ozşen和Guneş提出专家系统开发的人工免疫系统(AIS),取得了87%的准确性24]。专家系统是Ozşen和Guneş提出的基于人工免疫系统(AIS)。据报道87%的准确性开发的专家系统。Polat等人开发了另一个类似的系统,获得了84.5%的准确率25]。达斯等人利用神经网络集成模型,提高分类精度的目的。他的整体模型获得了89.01%的分类精度1]。最近,撒母耳等人提出了一个诊断系统由安和模糊层次分析法。据报道91.10%的预测精度的安和模糊层次分析法诊断系统(4]。

从文献调查清楚,ANN-based在心脏疾病诊断系统表现出更好的性能数据。因此,我们也试图设计一个基于神经网络诊断系统对心脏疾病检测。心脏病的发展各种非侵入性诊断系统检测激励我们设计基于神经网络的专家诊断系统。从实证结果进行了分析,提出模型显示承诺的性能。因此,它可用于诊所诊断心力衰竭时做出准确的决定。

2。材料和方法

在先前的研究中,研究人员使用特性集没有消除或嘈杂的特性无关。在这项研究中,我们提出一种新颖的特性消除方法去除噪声或不相关的特征向量,从而选择最优的特征子集向量之前给他们安或款。该算法利用自适应大小的窗口。初始化窗口大小从一个和被放置在第一个特性的特征向量。窗口的特性或功能点是消除,其余功能构成的子集功能提供给神经网络分类。找到最优配置功能的神经网络的子集,网格搜索算法。值得注意的是,先前的研究利用传统安只有一个隐藏层用于心力衰竭检测问题。然而,在这项研究中,我们发现深层神经网络与不止一个隐藏层和训练新学习算法表现出更好的性能。此外,本研究评估特征选择算法的可行性的输入电平款。提出了诊断系统的工作显然是算法所示1和图1。

2.1。数据集描述

对于这个研究,在线存储库的机器学习和数据挖掘从加州大学欧文(UCI),为心脏疾病的数据集使用数据库,称为克利夫兰心脏病。数据收集的退役军人医疗中心,长滩和克利夫兰诊所基金会博士罗伯特Detrano [26]。303年的数据集是由主题。此外,有缺失值的数据集是6。数据集,297名受试者303例有完整的数据值。因此,对象的数量,有完整的数据值是用于实验。此外,每个主题数据集有76原始功能。在前面的工作中,研究人员主要用于13 76原始功能的每个主题突出特性对于心脏疾病的诊断。因此,13个功能主要用于心力衰竭的诊断被认为是在这项研究中。表1描述了心脏病的最常用的13个特征。

2.2。该方法

该诊断系统有两个主要的组件作为一个黑箱模型杂化。的主要原因两个组件组合成一个块是他们在相互连接工作。系统的第一个组件是一个特征选择模块,而第二个组件是一个预测模型。特征选择方法使用数据挖掘概念来提高机器学习模型的性能(27,28]。特征选择模块使用一个搜索策略,找出最优的特征子集应用到款,作为预测模型。特征选择模块使用一个窗口扫描特征向量。的工作方法可以描述的算法。

最初,窗口的大小设置为1。窗外是放置在最左侧的特征向量和大小n,即,havingn数量的特性。因此,最初,特征向量的特性是消除窗口上放置和剩下的特性构成的特征子集提供款的分类。保存的子集的性能特性。在下一步中,窗口飘向正确的方向前进。再一次,这功能是消除窗口放置和剩下的特征构成特征子集的性能检查款模型。重复相同的过程,直到窗口到达最后一个特性,即。,特性。,第一轮完成浮动窗口。重要的是要注意,特征子集的大小在第一轮。

在下一轮中,更新窗口大小为2。因此,在这一轮,窗口指向两个特性。再次,窗外开始漂浮过程从左边最的特征向量和消除了前两个功能。剩下的应用特征构成特征子集作为输入款模型的分类、比较和结果与最佳性能实现的特征子集。如果性能比之前的最佳性能,最佳的性能和更新最优的特征子集。在下一次迭代中,窗口飘向正确的方向发展,这两个功能是消除的窗口。剩下的特性构成的子集的特性应用到款。重复相同的过程,直到窗口到达右边最的特征向量。这标志着第二轮的结束。在第三轮中,窗口大小是由3和重复相同的过程,进行了前两轮。最后,在圆的,窗口大小 。在这一轮,窗户可以只有一次向右浮动。然后,整个过程结束。最后,功能的子集,给我们最好的结果是声明为最优的特征子集。整个过程的特性选择通过自适应浮动窗口显然是见图2。每次提供的特性的一个子集款,款架构使用网格搜索算法进行了优化。款的性能高度依赖其架构(29日]。不当款结构会导致糟糕的性能虽然有机会,这款应用的最优的特征子集。这样一个表现不佳的主要原因是,如果款架构选择分类是能力不足,就会导致underfitting [30.,31日]。在这种情况下,款将显示数据表现不佳,即。训练数据和测试数据。但是,如果架构有过多款能力,它将overfit训练数据;因此,它将显示更好的性能在训练数据但表现不佳的测试数据。因此,我们需要搜索优化架构,将款显示良好的性能测试和训练数据。理解建筑和款款的能力之间的关系,我们需要理解款的配方。神经网络是制定如下:

神经网络是由计算系统生成的基于数学模型,模拟人类大脑。神经网络模型中的关键元素被称为感知器或一个节点32]。节点的分组称为层。人工神经元处理相同的主要是生物神经元紧随其后。作为一个附加的人工神经元接收一个或多个输入神经元,然后处理信息和转移到下一个感知器的输出。人工神经元连接通过一个链接被称为权重。输入信息在计算加权或正面或负面的输出。一个内部阈值和权重分配的解决方案在考虑一个问题。在每一个节点,计算出的结果是将输入值和相关的重量精确的阈值 。然后输出是通过激活函数或传递函数计算和以下方程:

转让可以是线性的或非线性的。非线性函数的切线,双曲线或径向基形式。乙状结肠函数, ,在以下层作为输出值(方程(2))。乙状结肠函数的形状有关。参数的增加加强乙状结肠的非线性函数值:

神经网络是人工神经元通过连接。如果只有一个隐层构造的神经网络模型,我们命名为安17]。然而,如果所构造的神经网络模型有多个隐藏层,我们命名为款(17]。

3所示。验证方案和评价指标

3.1。验证方案

在早期作品中,专家诊断系统的性能是通过坚持评估验证方案。数据集必须划分为两个部分:一是对培训目的,而另一个用于测试。在过去,研究人员一直在使用各种train-test分割比例的数据分区。此外,达斯等人在1和保罗等人在33)坚持使用验证方案的研究。他们分区数据集比例70% - -30%,在70%的数据集是用于预测模型的训练目的而30%的数据集是用于测试的性能预测模型。因此,我们也使用相同的标准train-test数据分区的目的。

3.2。评价指标

各种评价指标,如特异性、敏感性、准确性,马修斯和相关系数是用于评估该模型的性能和效率。精确分类对象的百分比称为精度。灵敏度是准确分类的病人,而特异性是绝对健康受试者的分类。所有的评价指标制定在方程(3)- (6): 在哪里代表真正的阳性,描述了真正的底片,显示假阳性,代表假阴性。

二进制分类评估使用的特点机器学习和统计数据。的价值是介于−1和1。−1的价值表示总预测和观察之间的冲突,而1显示准确的预测,而0将分类描述为随机预测。此外,在这项研究中,另一个评价指标,即接受者操作特征(ROC)曲线也被利用。ROC曲线是一个著名的指标,用于统计评估的质量预测模型。中华民国曲线提供了曲线下的面积(AUC);因此,一个模型被认为是一个更好的模式如果AUC是很高的。

4所示。实验结果和讨论

在这个会话中,提出了两种类型的诊断系统。此外,做实验是为了测试提出了诊断系统的性能。在第一个实验中,FWAFE-ANN发达和刺激,而在第二个实验中,FWAFE-DNN利用。在第一个实验中,FWAFE算法用于构造特性的一个子集。此外,一个子集的特性应用于安作为一个预测模型。在第二个实验中,FWAFE用于构造特性的一个子集,而款是用于分类。所有的实验都是模拟使用Python编程软件包。

4.1。实验1:特征选择由安FWAFE和分类

在这个实验中,在第一阶段,FWAFE使用,而在第二阶段,使用安。消除噪声的特征选择模块和无关紧要的功能利用搜索策略,而第二个部署模型作为预测模型。该诊断系统达到91.11%的准确性仅使用功能的一个子集。获得最优的特征子集 , ,和 在哪里代表特征子集的大小。仿真结果被发表在表2。表中,最后一个记录显示一个例子使用的所有特性,例如,没有进行特征选择。它可以注意到的最佳精度达到90%后优化的架构安通过网格搜索算法使用的所有特性。因此,它显然是一致的,该模型是主管给我们更好的性能与最少的功能。最佳性能的模型观察到在11个特征峰训练精度。此外,特征选择模块的性能优化安增加1.11%。此外,表示的特性消除功能,空间特征选择过程中。结果从不同的特性和不同子集hyperparameters显示在表中2。

4.2。实验二:由款由FWAFE特征选择和分类

在这个实验中,在第一阶段,FWAFE使用,而在第二个阶段,款是隐含的。消除噪声的特征选择模块和无关紧要的功能利用搜索策略,而第二个模型是利用预测模型。该诊断系统达到93.33%的精度只使用功能的一个子集。获得最优的特征子集 其中包括 ,也就是说,by eliminating feature number 5 and 6. The experimental outcomes are displayed in Table3。验证的有效性提出的特征选择方法,即。,FWAFE, the experiment is performed using the DNN model on full features without using the feature selection module. The DNN architecture was optimized using grid search algorithm. The best accuracy of 90% was obtained using neural network with four layers. The size of层的数量相当于特性,层包含50个神经元,2层包含神经元和输出层只有一个神经元。在表3最后一行代表一个情况下,而所有的功能都被利用。因此,它显然是明显,特征选择模块靴款3.33%的性能。此外,比FWAFE-ANN FWAFE-DNN显示了更好的性能。结果在各种不同的特征子集hyperparameters如表所示3。中华民国利用图表来分析该模型的性能。中华民国图表的方法有最大曲线下面积被认为是最好的。中华民国图表在左上角的点被认为是最好的。图3(一个)图表显示了民国的提议FWAFE-ANN诊断系统,而图3 (b)代表中华民国ANN-based诊断系统的图表。从图,这显然是生动的特征选择模块增加了ANN模型的性能由于更多的曲线下面积。同样,图4(一)代表中华民国图表的FWAFE-DNN诊断系统,而图4 (b)描述了中华民国DNN-based诊断系统的图表。从图,很明显观察到的特征选择模块还增加了性能模型款。

4.3。实验3:其他先进的机器学习模型的结果

在这部分中,比较分析与其他先进的机器学习模型是生物医学数据集对我们提出的模型。比较是随机森林分类器选择(RF)分类器,随机决策树分类器,演系综分类器,支持向量机与径向基函数(RBF)内核,和线性支持向量机(SVM)。表4表示上述模型的结果。每个模型的性能与hyperparameters价值观也描述表4。hyperparameter演算法的分类器代表估计的最大数量的增加是终止。射频标识符,hyperparameter表示在森林中树木的数量。整体模型基于平均随机决策树用于提高预测精度。在支持向量机的情况下,用高斯核函数的宽度和软边缘常数用 。最后,神经元的数量隐层的表款的最后记录来标示 ,也就是说, ,和神经元的数量款的隐藏层,即 。此外,该模型的性能显然是高兴,然后各种最先进的整体模型和支持向量机模型,从表进行描述4。

4.4。与之前报道的比较研究方法

在本节中,该方法的实验结果比较与其他方法在文献中讨论。性能比较是基于预测的准确性。因此,表5汇总方法的预测精度和其他先前提出的方法在文献中。从实验的结果,很明显,该混合方法显示承诺在心脏疾病中的表现,同时该方法的主要限制是它的时间复杂度较高。

从表5可以看到,许多研究提出许多对心衰的自动检测方法。例如,阿里等人开发了一个两级系统在第一阶段使用线性支持向量机的特征选择和线性判别分析模型在第二阶段分类,获得了90%的准确率。在另一项研究中,Verma等人在20.)利用correlation-based特性子集(CFS)特征选择和粒子群优化(PSO)算法k——集群。他们的方法产生88.4%的准确性。Saqlain et al (21)提出了概率主成分分析和获得91.30%的准确性。阿里等人在34)提出了一种新颖的混合方法改善心脏病预测精度。方法利用线性支持向量机的特征选择和另一个支持向量机分类(线性和非线性内核)。他们提出的方法产生92.22%的心脏病检测精度。因此,基于与这些方法相比,很明显,我们的方法是一个一步改善心脏病检测精度。

5。结论

本文的努力已经取得了设计一个两阶段的诊断系统,可以提高预测的准确性预测心脏病风险失败。两种类型的系统开发。两个系统都使用相同的特征选择方法,先系统安用于分类和第二款用于分类。91.11%的分类精度与ANN-based系统实现,而93.33%的准确性得到DNN-based诊断系统。也注意到,该诊断系统显示更好的性能比其他先进的机器学习模型。从实验结果,它可以安全地得出结论,该系统可以帮助医生在诊断心脏疾病做出准确的决定。

数据可用性

在这项研究中使用的数据都可以在UCI机器学习库。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作是支持的基础科学研究通过韩国国家研究基金会(NRF)由教育部拨款联盟- 2017 r1d1a3b04031440和由中国国家自然科学基金会拨款61472066,四川科技项目(2017号。2018 gz0180 2018 gz0085 gzdzx0001, 281 2017 gzdzx0002, 2018 gzdzx0006,和2018 fz0097)。

引用

1. r . Das,特工,a . Sengur”有效通过神经网络诊断心脏病的乐团,“专家系统与应用程序,36卷,不。4、7675 - 7680年,2009页。视图:出版商的网站|谷歌学术搜索
2. h·杨和j·m·加里波第”从诊所叙述受保护的健康信息的自动检测,”生物医学信息学杂志卷,58 S30-S38, 2015页。视图:出版商的网站|谷歌学术搜索
3. k·l·l·a·艾伦·l·w·史蒂文森Grady et al .,“决策在先进的心脏衰竭,”循环,卷125,不。15日,第1952 - 1928页,2012年。视图:出版商的网站|谷歌学术搜索
4. o·w·塞缪尔·g·m·Asogbon a . k . Sangaiah p .方和g·李,“一个完整的决策支持系统基于安和fuzzy_ahp心脏衰竭的风险预测,“专家系统与应用程序卷,68年,第172 - 163页,2017年。视图:出版商的网站|谷歌学术搜索
5. l·阿里,美国美国汗:A . Golilarz et al .,“心脏衰竭的特性驱动的决策支持系统基于统计模型和高斯朴素贝叶斯预测,“计算和数学方法在医学卷,2019篇文章ID 6314328、8页,2019。视图:出版商的网站|谷歌学术搜索
6. l·阿里,美国美国汗·m·瓦尔和m·阿西夫“早期发现心脏衰竭降低时间复杂度的基于机器学习的预测模型,”学报》国际会议电气、通信和计算机工程(ICECCE)斯瓦特,页1 - 5,IEEE,巴基斯坦,2019年7月。视图:出版商的网站|谷歌学术搜索
7. p . k . Anooj”,临床决策支持系统:心脏病的风险水平预测使用加权模糊规则,”沙特国王大学计算机与信息科学杂志》上,24卷,不。1,27-40,2012页。视图:出版商的网站|谷歌学术搜索
8. İ。o . Findik Babaoglu, e . Ulker”比较特征选择模型利用二进制粒子群优化和遗传算法使用支持向量机在确定冠状动脉疾病,”专家系统与应用程序,37卷,不。4、3177 - 3183年,2010页。视图:出版商的网站|谷歌学术搜索
9. b·帕蒂尔和y Kumaraswamy”、智能和心脏病有效使用数据挖掘和人工神经网络,预测系统”欧洲科学研究杂志》上没有,卷。31日。4、642 - 656年,2009页。视图:谷歌学术搜索
10. k . PolatŞahan,心脏病和s Guneş”自动检测使用人工免疫识别系统(空气)和模糊和资源分配机制k基于神经网络(近邻)加权预处理。”专家系统与应用程序,32卷,不。2、625 - 631年,2007页。视图:出版商的网站|谷歌学术搜索
11. 美国美国汗、m . k . Rahim和l .阿里“校正阵列故障使用灰太狼优化器杂化的内点算法,”前沿的信息技术和电子工程,19卷,不。9日,第1202 - 1191页,2018年。视图:出版商的网站|谷歌学术搜索
12. l·阿里和s·布哈里,”一个基于相互了解神经网络优化方法的泛化能力决策支持系统开发心脏衰竭的预测,”IRBM。视图:出版商的网站|谷歌学术搜索
13. 高n . A . Golilarz A . Addeh h . et al .,“一个新的自动的控制图模式识别方法基于事先和哈里斯鹰元启发式优化算法,”IEEE访问7卷,第149405 - 149398页,2019年。视图:出版商的网站|谷歌学术搜索
14. e . o . Olaniyi好Oyedotun, k . Adnan“心脏病诊断使用神经网络仲裁,”智能系统和应用程序的国际期刊,7卷,不。12,72页,2015年。视图:谷歌学术搜索
15. g . Manogaran r . Varatharajan, m . Priyan”混合推荐系统基于多个内核的心脏病诊断与自适应神经模糊推理系统学习,”多媒体工具和应用程序,卷77,不。4、4379 - 4399年,2018页。视图:出版商的网站|谷歌学术搜索
16. l·阿里·s .汗,m .艾尔沙德s .阿里和m·瓦尔”多模型框架来评估类型的语音样本有互补信息帕金森病,”学报》国际会议电气、通信和计算机工程(ICECCE)斯瓦特,页1 - 5,IEEE,巴基斯坦,2019年7月。视图:出版商的网站|谷歌学术搜索
17. l·阿里·a·拉赫曼汗,m .周a . jave和j·a·汗”自动诊断系统心脏病预测基于统计模型和最优配置深层神经网络,”IEEE访问7卷,第34945 - 34938页,2019年。视图:出版商的网站|谷歌学术搜索
18. f·s·艾哈迈德,l·阿里·b·A·约瑟夫,伊A . r . Ul高穆斯塔法和s·A·c·布哈里“统计上严格的深层神经网络(款)的方法来预测死亡率创伤病人住进了重症监护室,”手术创伤和急性护理杂志》上,2020年。视图:出版商的网站|谷歌学术搜索
19. a . k .保罗,p . c .诱饵,m . r . i拉宾和m . Akhand“基于遗传算法的模糊决策支持系统的诊断心脏病,”学报2016第五届国际会议上信息,电子和愿景(ICIEV)IEEE,页145 - 150年,达卡,孟加拉国,2016年5月。视图:出版商的网站|谷歌学术搜索
20. l . Verma美国斯利瓦斯塔瓦,p . Negi”混合数据挖掘模型来预测冠状动脉疾病情况下使用非侵入性的临床数据,”医疗系统杂志,40卷,不。7,178年,页2016。视图:出版商的网站|谷歌学术搜索
21. s . m . s .沙美国Batool,汗,m .美国阿什拉夫·h·阿巴斯和美国a·侯赛因”通过并行概率主成分分析特征提取心脏疾病诊断,”自然史答:统计力学及其应用卷,482年,第807 - 796页,2017年。视图:出版商的网站|谷歌学术搜索
22. a . k .已经“绩效评估不同的机器学习技术预测心脏病,”神经计算和应用卷,29号10日,685 - 693年,2018页。视图:出版商的网站|谷歌学术搜索
23. m . s .阿明,y . k . Chiam和k·d·Varathan”识别重要的特性和数据挖掘技术在预测心脏病,”远程信息处理和信息36卷,第93 - 82页,2019年。视图:出版商的网站|谷歌学术搜索
24. Ozşen和s . Guneş”属性权重通过遗传算法对属性权重的人工免疫系统(awais)和心脏疾病和肝脏疾病中的应用问题,“专家系统与应用程序,36卷,不。1,第392 - 386页,2009。视图:出版商的网站|谷歌学术搜索
25. k Polat s Sahan h . Kodaz,枪,“一个新的分类方法诊断心脏病:监督人工免疫系统(播出)”土耳其学报》研讨会上人工智能和神经网络(TAINN)2005年6月,伊兹密尔,土耳其,。视图:谷歌学术搜索
26. d . Dua和c·格拉夫UCI机器学习库,2017年。
27. l·阿里·c·朱:a . Golilarz a . jave m .周和y . Liu,“可靠的帕金森病的检测分析手写图纸:建设一个公正的级联学习系统基于特征选择和自适应增强模式,”IEEE访问7卷,第116489 - 116480页,2019年。视图:出版商的网站|谷歌学术搜索
28. l·阿里·c·朱、m .周和y . Liu“早期诊断帕金森病从多个声音录音同时样本和特征选择,”专家系统与应用程序卷。137年,22 - 2019页。视图:出版商的网站|谷歌学术搜索
29. l·阿里·c·朱、张z和y . Liu”自动检测的基于多种类型的帕金森病持续发声使用线性判别分析和遗传优化神经网络,”IEEE平移工程在健康和医学杂志》上7卷,1 - 10,2019页。视图:出版商的网站|谷歌学术搜索
30. t . Meraj a·哈桑s Zahoor et al .,“肺结节检测使用语义分割和分类的最优特性,”神经计算和应用。视图:出版商的网站|谷歌学术搜索
31. l·阿里,即Wajahat: a . Golilarz f . Keshtkar和s·a·c·布哈里”LDA-GA-SVM:提高肝癌预测通过降维和遗传优化的支持向量机,”神经计算和应用,2020年,页1 - 10。视图:出版商的网站|谷歌学术搜索
32. f·s·艾哈迈德·l·阿里,Raza-Ul-Mustafa et al .,“混合机器学习框架来预测死亡率麻痹性肠梗阻病人使用电子健康记录(病历),“环境智能和人性化计算杂志》上,2020年。视图:出版商的网站|谷歌学术搜索
33. a . k .保罗,p . c .诱饵,m . r . i拉宾和k . Murase”自适应加权模糊规则系统的风险等级评估心脏病,”应用智能,48卷,不。7,1739 - 1756年,2017页。视图:谷歌学术搜索
34. l·阿里·a . Niamat j·a·汗et al .,”一个优化堆基于支持向量机的心脏衰竭的有效预测专家系统,”IEEE访问7卷,第54014 - 54007页,2019年。视图:谷歌学术搜索
35. 数据集用于分类:比较的结果(2007)http://www.is.umk.pl/projects/datasets.html。
36. a . Khemphila和诉Boonjing心脏病使用神经网络分类和特征选择,”学报2011年21国际会议系统工程IEEE,页406 - 409年,拉斯维加斯,NV,美国,2011年10月。视图:出版商的网站|谷歌学术搜索
37. n .张“机器学习医学的技术分析。信息技术和电子工程学院“Queenland大学布里斯班,澳大利亚,2001年,博士学位论文,Sc。论文。视图:谷歌学术搜索
38. b .Šter和a . Dobnikar”在医学诊断神经网络:与其他方法比较,”国际会议工程学报》的应用神经网络,页427 - 430,伦敦,英国,1996年6月。视图:谷歌学术搜索
39. s . Ozsen美国枪支,美国卡拉和f . Latifoglu”使用的内核函数在人工免疫系统的非线性分类问题,“IEEE在生物医学信息技术,13卷,不。4、621 - 628年,2009页。视图:出版商的网站|谷歌学术搜索
40. h . Kahramanli和n . Allahverdi”混合动力系统的设计对于糖尿病和心脏疾病,”专家系统与应用程序,35卷,不。1 - 2、82 - 89年,2008页。视图:出版商的网站|谷歌学术搜索
41. 扬科夫斯基n和v . Kadirkamanathan rbf-like网络分类的统计控制,”人工神经网络的国际会议施普林格,页385 - 390年,1997年10月瑞士洛桑。视图:谷歌学术搜索
42. a . s . Kumar“心脏病诊断、自适应神经模糊推理系统”学报》国际会议信息系统,计算机工程与应用(ICISCEA 2011),页91 - 99,新加坡,2011年。视图:谷歌学术搜索
43. a . s . Kurnar”,使用模糊诊断心脏病的解决机制”,《人工智能,5卷,不。1,47-55,2012页。视图:出版商的网站|谷歌学术搜索

版权

版权©2020 Ashir jave等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。