×
张爱萍;王光新;张伟;张靖宇

基于多分类集成模型的心血管疾病分类。 （英语） Zbl 1532.92031号

Netw公司。埃特罗格。媒体 18，第4期，1630-1656（2023）。
摘要：心血管疾病（CVD）现已成为世界上死亡率最高的疾病，而冠心病（CAD）是CVD最常见的形式。本文有效利用患者的病情信息，识别CVD的危险因素，并根据这些危险因素预测疾病，以便根据这些因素指导患者的治疗和生活，有效降低发病概率，确保患者能够及时进行治疗。本文提出了一种基于多智能体Adaboost分类器的CVD诊断新方法。该方法包括四个步骤：预处理、特征提取、特征选择和分类。在该方法中，通过主成分分析（PCA）进行特征提取。然后用遗传算法（GA）选择提取的特征子集。该方法还使用新的（mathrm{MA}）分类器来诊断患者的CVD。该方法使用包含303名心血管外科患者信息的数据集。在实验期间，对冠心病的预测进行了四阶段多分类研究。结果表明，本文提出的预测模型可以利用不同组的危险因素有效地识别CVD，当使用45个特征进行诊断时，诊断准确率最高。结果还表明，（mathrm{MA}）算法的诊断准确率为98.67%，比比较方法至少高1%。

MSC公司：

92立方厘米32 病理学、病理生理学
62页第10页 统计学在生物学和医学中的应用；元分析
62H25个 因子分析和主成分；对应分析

关键词：

心血管疾病;多分类器Adaboost;\（mathrm{MA}算法;主成分分析;遗传算法
PDF格式BibTeX公司 XML格式引用
\textit{A.-P.Zhang}等人，Netw。埃特罗格。媒体18，第4期，1630--1656（2023；Zbl 1532.92031）
全文： 内政部

参考文献：

[1] O、 全球心血管疾病死亡率预测，Curr Probl Cardiol，48，101622（2023）·doi:10.1016/j.cpcechodil.2023.101622
[2] Q、 模拟血管生成的双曲抛物面趋化系统对非线性扩散波的收敛性，J.Differ。Equ.、。，314, 251-286 (2022) ·Zbl 1483.35035号
[3] E、 心脏病和中风统计——2017年更新：美国心脏协会报告，循环，135，e146-e603（2017）·doi:10.1161/CIR.0000000000485
[4] 五十、 靶向硬化蛋白环3的治疗性适配体，用于促进骨形成不全小鼠的骨形成而不增加心血管风险，Theranostics，125645（2022）·doi:10.7150/电话：63177
[5] C、 使用机器学习技术有效预测心脏病，算法，16，88（2023）·doi:10.3390/a16020088
[6] Y、 硬化素的靶向环3保留其心血管保护作用并促进骨形成，Nat.Commun。，13, 4241 (2022) ·doi:10.1038/s41467-022-31997-8
[7] G、 机器学习在血液学诊断中的应用，科学。代表，8，1-12（2018）·doi:10.1038/s41598-017-18564-8
[8] S、 心脏病诊断中的成本敏感风险分层，第二十四届IAAI会议，26，2335-2340（2012）·doi:10.1609/aaai.v26i2.18980
[9] M、 利用机器学习分析和改进缺血性心脏病的诊断，Artif Intell Med，16，25-50（1999）·doi:10.1016/S0933-3657（98）00063-3
[10] J、 弗雷明翰冠心病风险的多元分析，慢性病杂志，20511-524（1967）·doi:10.1016/S0933-3657（98）00063-3
[11] K、 《心力衰竭的流行病学：Framingham研究》，J.Am.Coll。心脏病学。，22，A6-A13（1993）·doi:10.1016/0735-1097（93）90455-A
[12] R、 初级保健中使用的一般心血管风险概况：《弗雷明翰心脏研究，循环》，117743-753（2008）·doi:10.1161/CIRCULATIONAHA.107.699579
[13] S、 弗雷明翰心脏病研究和心血管疾病流行病学：历史视角，《柳叶刀》，383999-1008（2004）·doi:10.1016/S0140-6736（13）61752-3
[14] J、 Framingham CHD风险评估工具与中国多省队列研究对中国人群的预测价值，Jama，2912591-2599（2004）·doi:10.1001/jama.291.21.2591
[15] H、 G Assmann，U Keil，Framingham风险函数高估了德国男性和女性的冠心病风险——来自MONICA Augsburg和PROCAM队列的结果，《欧洲心脏杂志》，24937-945（2003）·doi:10.1016/S0195-668X（03）00081-2
[16] J、 Framingham和PROCAM冠心病风险函数是否适用于不同的欧洲人群？PRIME研究，欧洲心脏杂志，241903-1911（2003）·doi:10.1016/j.ehj.2003.09.002
[17] 世界卫生组织，预防心血管疾病。心血管风险评估和管理袖珍指南。非洲：世界卫生组织/Ish非洲地区心血管风险预测图表。世界卫生组织，2007年。
[18] S F.翁；J.代表；J.Kai；J.M Garibaldi；N.Qureshi；机器学习能否利用常规临床数据改善心血管风险预测；公共科学图书馆一号；12 (2017); e0174494，机器学习能否利用常规临床数据改善心血管风险预测，PloS one，12，e0174494（2017）·doi:10.1371/journal.pone.0174944
[19] M、 利用新的心率变异性特征自动检测心房颤动发作，第38届IEEE医学和生物工程学会（EMBC）国际年会，3461-3464（2016）·doi:10.1109/EMBC.2016.7591473
[20] A门；P.Castiglioni；V.巴里；T.Bassani；A.Marchi；A.Cividjan；等，用于评估心血管控制短期复杂性的K近邻条件熵方法，《生理测量》，34，17（2012）·doi:10.1088/0967-3334/34/1/17
[21] K、 使用带有模糊资源分配机制和基于K-nn（最近邻）加权预处理的人工免疫识别系统（AIRS）自动检测心脏病，专家系统。申请。，32, 628-631 (2007) ·doi:10.1016/j.eswa.2006.01.027
[22] S、 使用应用于心率信号的可调Q小波变换自动诊断冠状动脉疾病，Knowl-Based Syst，82，1-10（2015）·doi:10.1016/j.knosys.2015.02.011
[23] S、 基于遗传神经网络的数据挖掘在使用风险因素预测心脏病中的应用，IEEE信息会议&#38；通信技术，1227-1231（2003）·doi:10.1109/CICT.2013.6558288
[24] R、 冠状动脉疾病诊断的数据挖掘方法，计算方法程序Biomed，111，52-61（2013）·doi:10.1016/j.cmpb.2013.03.004
[25] S Hijazi；A.页码；B.坎塔奇；T.Soyata；机器学习在心脏健康监测和决策支持中的应用；计算机；49 (2016); 38-48，心脏健康监测和决策支持中的机器学习，计算机，49，38-48（2016）·doi:10.1109/MC.2016.339
[26] U、 深度卷积神经网络在利用ECG信号自动检测心肌梗死中的应用，Inf.Sci。，415, 190-198 (2017) ·doi:10.1016/j.ins.2017.06.027
[27] P、 贝叶斯网络建模：心血管风险流行病学系统分析的案例研究，生物识别计算方法程序，126128-142（2016）·doi:10.1016/j.cpb.2015.12.010
[28] D、 使用LDA、PCA、ICA和离散小波变换对受冠状动脉疾病影响的患者进行自动诊断，基于知识的系统，37，274-282（2013）·doi:10.1016/j.knosys.2012.08.011
[29] A、 使用优化的SVM对冠状动脉疾病（CAD）患者进行自动诊断，Comput Methods Programs Biomed，138117-126（2017）·doi:10.1016/j.cmpb.2016.10.11
[30] V.Dominic，D.Gupta，S.Khare，《心血管疾病机器学习技术的有效性能分析》，申请。医学信息。, 36 (2015), 23-32. 可从以下位置获得：https://ami.info.umfcluj.ro/index.php/ami/article/view/521
[31] 五十、 使用非侵入性临床数据预测冠心病病例的混合数据挖掘模型，医学系统杂志，40，178（2016）·doi:10.1007/s10916-016-0536-z
[32] S、 医疗诊断特征选择：心血管疾病评估，专家系统。申请。，40, 4146-4153 (2013) ·doi:10.1016/j.eswa.2013.01.032
[33] T、 使用KNN和SVM分类器的动脉脉搏波形自动识别方法，Med-Biol Eng Compute，54，104-1059（2016）·doi:10.1007/s11517-015-1393-5
[34] A、 基于随机森林特征消除算法的增强癌症识别系统，医学系统杂志，36，2577-2585（2012）·doi:10.1007/s10916-011-9730-1
[35] 十、 基于随机森林的特征选择及其在症状和疾病相关性分析中的应用，IEEE医学信息技术国际研讨会；教育，1120-124（2009）·doi:10.1109/ITIME.2009.5236450
[36] S、 使用特征子集、包装选择和提取方法的基于支持向量机的心脏病诊断，J.Electr。计算。工程师，84，106628（2020）·doi:10.1016/j.compleceng.2020.106628
[37] K.Burse、V.P.S.Kirar、A.Burse和R.Burse，基于神经网络的心脏病预测的各种预处理方法，通信和计算科学的智能创新，新加坡：Springer，2019，55-65。
[38] A、 使用naives Bayesian设计和实施心脏病预测，第三届电子和信息学趋势国际会议（ICOEI），292-297（2019）
[39] K.Raza，利用集成学习和多数投票规则提高心脏病预测准确性，U-Healthcare监控系统剑桥：学术出版社，2019179-196。
[40] D、 用于诊断和预测冠状动脉疾病的异质分类器集成，减少特征子集，生物医学中的计算机方法和程序，198105770（2021）
[41] P、 通过将多模态特征与机器学习方法相结合来预测心血管疾病，生物识别信号过程控制，66102774（2021）·doi:10.1016/j.bspc.2021.102474
[42] R、 使用计算智能方法检测冠状动脉疾病，基于知识的系统，109187-197（2016）·doi:10.1016/j.knosys.2016.07.004
[43] Z、 使用混合神经网络-遗传算法进行心脏病检测的计算机辅助决策，生物识别计算方法程序，141，19-26（2017）·doi:10.1016/j.cmpb.2017.01.004
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。