优化了心脏病预测模型,使用元启发式特征选择,改进了二进制salp swarm算法和堆叠分类器
M Sowmiya1, B Banu Rekha2, E Malar3
1Department of ECE, PSG Institute of Technology and Applied Research, Coimbatore, 641062, India.
Computers in biology and medicine
|April 15, 2025
概括
本研究介绍了一种先进的心脏病预测模型,使用堆叠分类器和优化的元启发算法来准确选择特征. 这种新的方法实现了高精度,有助于早期发现和介入心血管疾病.
科学领域:
- 生物医学工程 生物医学工程
- 医疗保健中的人工智能
- 计算生物学 计算生物学
背景情况:
- 尽管有技术进步,心脏病仍然是全球重要的健康负担.
- 准确的预测模型对于早期检测和及时干预至关重要.
- 现有的方法需要改进,以提高诊断准确度.
研究的目的:
- 开发一个准确的心脏病预测模型.
- 将一个堆叠分类器与一种以自然为灵感的元启发式算法集成在一起.
- 优化功能选择以提高预测性能.
主要方法:
- 改进的二进制Salp Swarm算法 (BSSA) 与狼优化器和基于对立的学习被用于最佳特征选择.
- 使用了双层堆叠分类器 (SC) 架构,基层分类器位于0级,元学习器位于1级.
- 采用了多目标策略来进行特征选择,以提高分类准确度.
主要成果:
- 拟议的模型在实验数据集上实现了95%的准确性,0.92的灵敏度,0.97的特异性,0.96的精度和0.95的F1得分.
- 该模型显示了低虚假阳性和虚假阴性率.
- 在较大的数据集上验证的结果是87.46%的准确性,这表明性能强.
结论:
- 与传统技术相比,开发的心脏病预测模型显示出更高的性能.
- 整合BSSA用于特征选择和SC用于分类,大大提高了预测准确性.
- 这种方法在改善心脏病的临床诊断方面具有相当大的潜力.
