探索和对集群智能算法的有效性进行比较,以早期识别心血管疾病

科学领域:

• 计算智能是一种计算智能.
• 心血管疾病预测预测
• 机器学习 机器学习

背景情况:

• 心血管疾病是全球主要的死亡原因,需要强大的早期预测方法.
• 传统的预测模型往往缺乏准确的早期诊断所需的强度.
• 人口老龄化和生活方式的改变加剧了心血管疾病的负担.

研究的目的:

• 集群智能功能选择与机器学习进行整合,以改善心血管疾病诊断.
• 系统地评估各种小群智能算法,以获得最佳的特征子集识别.
• 通过使用选定的特征子集来确定表现最好的机器学习模型.

主要方法:

• 采用群群智能算法 (鱼优化,子搜索,花粉,哈里斯,粒子群,遗传算法) 进行特征选择.
• 基于不同种群大小的运行时间和目标函数值评估算法性能.
• 综合选择特征分组成十个分类模型,通过准确性,精度,回忆,F1分数和AUC来评估性能.

主要成果:

• 库库搜索算法具有25个人口的大小确定了9个关键特征,导致随机森林,XGBoost,AdaBoost和KNN在组合数据集上的最佳性能 (加权得分为1).
• 鱼优化算法以50个种群大小识别了10个特征,从而在Framingham数据集中为KNN提供了最佳性能 (加权得分为0.92).
• 群体情报有效地选了信息特征,大大提高了分类准确度.

结论:

• 群体智能算法在识别心血管疾病预测的关键特征方面非常有效.
• 这些算法与机器学习的整合为早期心血管疾病诊断提供了强大的支持.
• 优化的模型配置显著提高了诊断准确性,有助于公共卫生倡议.