集成优化核极限学习机的冠心病无创性诊断

• 作者: 刘远东 徐守祥 马超
• 来源期刊: 计算机应用研究
• 关键词: 冠心病诊断 核极限学习机 集成学习 特征提取
• 年，卷（期）: 2017,（6）
• 所属期刊栏目: 算法研究探讨
• 页码范围: 1671-1676
• 页数: 6页
• 分类号: TP391.7
• 语种: 中文
• DOI: 10.3969/j.issn.1001-3695.2017.06.016

摘要

冠心病的早期无创性诊断一直是医疗诊断领域的研究热点,为了提高冠心病诊断的准确率和诊断效率,提出了一种新颖的局部Fisher判别分析(LFDA)特征提取方法和集成核极限学习机(KELM)相结合的冠心病诊断模型(LFDA-EKELM).首先使用LFDA方法剔除不相关特征和冗余特征,找出对分类结果贡献度较高的特征子集,产生不同的训练集以训练粒子群优化的KELM分类器PSO-KELM;基于旋转森林(RF)构建集成分类器,实现冠心病的智能诊断.实验结果表明,与基于ELM、SVM和BPNN方法相比,该方法有效提高了冠心病诊断准确率、提升了诊断效率,且分类结果高于已有方法和相似方法,是一种有效冠心病诊断模型.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	刘远东	深圳信息职业技术学院数字媒体学院	20	103	6.0	10.0
2	徐守祥	深圳信息职业技术学院数字媒体学院	19	49	4.0	5.0
3	马超	深圳信息职业技术学院数字媒体学院	10	7	1.0	2.0