DÉTECTION DES MALADIES CARDIOVASCULAIRES À L'AIDE D'UNE SÉLECTION OPTIMALE DES CARACTÉRISTIQUES

Les maladies cardiovasculaires (MCV) restent l'une des principales causes de décès dans le monde, ce qui souligne la nécessité d'une détection précoce précise. Cette étude présente un cadre basé sur l'apprentissage automatique pour la détection des maladies cardiovasculaires à partir des signaux ECG, en mettant l'accent sur une meilleure sélection des caractéristiques. Le système intègre le filtre à corrélation rapide (FCBF), la redondance minimale et la pertinence maximale (mRMR), le relief et l'optimisation par essaims de particules (PSO) pour identifier les caractéristiques les plus pertinentes et non redondantes. Le FCBF supprime les données redondantes, le mRMR sélectionne les principales caractéristiques pertinentes, le Relief classe les caractéristiques en fonction de leur pouvoir de distinction des classes et le PSO optimise l'ensemble final de caractéristiques. La classification est effectuée à l'aide d'Extra Trees et de Random Forest, connus pour leur grande précision et leur résistance à l'ajustement excessif. Le modèle combiné a atteint un taux de précision de 100 % sur divers ensembles de données, surpassant les méthodes existantes et démontrant des performances supérieures en matière de sélection et de classification des caractéristiques. Ce cadre présente un fort potentiel pour améliorer le diagnostic précoce des maladies cardiovasculaires et la prise de décision clinique.

Autorentext

La dottoressa Mary Swarna Latha Gade ha conseguito il dottorato di ricerca presso la Koneru Lakshmaiah Education Foundation, Vijayawada nell'anno 2023. Ha conseguito il titolo di MTech presso il JNTU di Hyderabad e di B. Tech presso il JNTU di Kakinada. Ha 15 anni di esperienza nell'insegnamento e nella ricerca. Le sue aree di interesse sono la tolleranza ai guasti, l'elaborazione delle immagini, l'apprendimento automatico e l'informatica quantistica.

Klappentext

Les maladies cardiovasculaires (MCV) restent l'une des principales causes de décès dans le monde, ce qui souligne la nécessité d'une détection précoce précise. Cette étude présente un cadre basé sur l'apprentissage automatique pour la détection des maladies cardiovasculaires à partir des signaux ECG, en mettant l'accent sur une meilleure sélection des caractéristiques. Le système intègre le filtre à corrélation rapide (FCBF), la redondance minimale et la pertinence maximale (mRMR), le relief et l'optimisation par essaims de particules (PSO) pour identifier les caractéristiques les plus pertinentes et non redondantes. Le FCBF supprime les données redondantes, le mRMR sélectionne les principales caractéristiques pertinentes, le Relief classe les caractéristiques en fonction de leur pouvoir de distinction des classes et le PSO optimise l'ensemble final de caractéristiques. La classification est effectuée à l'aide d'Extra Trees et de Random Forest, connus pour leur grande précision et leur résistance à l'ajustement excessif. Le modèle combiné a atteint un taux de précision de 100 % sur divers ensembles de données, surpassant les méthodes existantes et démontrant des performances supérieures en matière de sélection et de classification des caractéristiques. Ce cadre présente un fort potentiel pour améliorer le diagnostic précoce des maladies cardiovasculaires et la prise de décision clinique.