机构名称：
¥ 2.0
摘要：充血性心力衰竭（CHF）是全球人口中死亡率和发病率的主要来源之一。全球超过2600万个人受心脏病的影响，其患病率每年增加2％。随着医疗保健技术的进步，如果我们在早期阶段预测CHF，则可以减少全球领先的死亡率因素之一。 因此，这项研究的主要目的是使用机器学习应用来增强CHF的诊断，并通过采用最低特征来预测发生CHF的可能性，以降低诊断成本。 我们使用深层神经网络（DNN）分类器进行CHF分类，并将DNN的性能与各种机器学习分类器进行比较。 在这项研究中，我们使用了一个非常具有挑战性的数据集，称为心血管健康研究（CHS）数据集，以及通过整合C4.5和K-Nearest邻居（KNN）的独特预处理技术。 虽然C4.5技术用于查找重要功能并从数据集中删除异常数据，但使用KNN算法用于缺失数据。 为分类，我们比较了六个最先进的机器学习（ML）算法（KNN，Logistic回归（LR），Naive Bayes（NB），Random Forest（RF），支持向量机（SVM）和决策树（DT））。 为了评估性能，我们使用七个统计测量值（即准确性，特异性，灵敏度，F1得分，精度，Matthew的相关系数和假阳性率）。 提出的模型获得了97.03％的F1得分，95.30％的精度，96.49％的灵敏度和97.58％的精度。随着医疗保健技术的进步，如果我们在早期阶段预测CHF，则可以减少全球领先的死亡率因素之一。因此，这项研究的主要目的是使用机器学习应用来增强CHF的诊断，并通过采用最低特征来预测发生CHF的可能性，以降低诊断成本。我们使用深层神经网络（DNN）分类器进行CHF分类，并将DNN的性能与各种机器学习分类器进行比较。在这项研究中，我们使用了一个非常具有挑战性的数据集，称为心血管健康研究（CHS）数据集，以及通过整合C4.5和K-Nearest邻居（KNN）的独特预处理技术。虽然C4.5技术用于查找重要功能并从数据集中删除异常数据，但使用KNN算法用于缺失数据。为分类，我们比较了六个最先进的机器学习（ML）算法（KNN，Logistic回归（LR），Naive Bayes（NB），Random Forest（RF），支持向量机（SVM）和决策树（DT））。为了评估性能，我们使用七个统计测量值（即准确性，特异性，灵敏度，F1得分，精度，Matthew的相关系数和假阳性率）。提出的模型获得了97.03％的F1得分，95.30％的精度，96.49％的灵敏度和97.58％的精度。总的来说，我们的结果反映了我们提出的综合方法，从CHF预测方面，它优于其他机器学习算法，从而减少了医疗测试的数量来减少患者费用。
一种用于充血性心力衰竭预测的集成机器学习方法
主要关键词
相关文件推荐
