ERKENNUNG VON HERZ-KREISLAUF-ERKRANKUNGEN DURCH OPTIMALER MERKMALSAUSWAHL

Herz-Kreislauf-Erkrankungen (KHK) sind nach wie vor eine der häufigsten Todesursachen weltweit, was die Notwendigkeit einer genauen Früherkennung unterstreicht. In dieser Studie wird ein auf maschinellem Lernen basierendes System zur Erkennung von Herz-Kreislauf-Erkrankungen anhand von EKG-Signalen vorgestellt, das sich auf eine verbesserte Merkmalsauswahl konzentriert. Das System integriert Fast Correlation-Based Filter (FCBF), Minimum Redundancy Maximum Relevance (mRMR), Relief und Particle Swarm Optimization (PSO), um die relevantesten und nicht-redundanten Merkmale zu identifizieren. FCBF entfernt redundante Daten, mRMR wählt die wichtigsten relevanten Merkmale aus, Relief ordnet die Merkmale nach ihrer klassenunterscheidenden Kraft ein und PSO optimiert den endgültigen Merkmalssatz. Die Klassifizierung erfolgt mithilfe von Extra Trees und Random Forest-Klassifikatoren, die für ihre hohe Genauigkeit und ihre Widerstandsfähigkeit gegen Überanpassung bekannt sind. Das kombinierte Modell erreichte eine 100-prozentige Genauigkeitsrate bei verschiedenen Datensätzen und übertraf damit die bestehenden Methoden, wobei es eine überlegene Leistung bei der Merkmalsauswahl und Klassifizierung zeigte. Dieses System birgt ein großes Potenzial zur Verbesserung der frühen CVD-Diagnose und zur Verbesserung der klinischen Entscheidungsfindung.

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.