Resumen

El diagnóstico de enfermedades cardíacas es un trabajo difícil, y los investigadores han diseñado varios sistemas de diagnóstico inteligente para mejorar el diagnóstico de enfermedades cardíacas. Sin embargo, la baja precisión en la predicción de enfermedades cardíacas sigue siendo un problema en estos sistemas. Para una mejor precisión en la predicción del riesgo cardíaco, proponemos un método de selección de características que utiliza una ventana flotante con tamaño adaptable para la eliminación de características (FWAFE, por sus siglas en inglés). Después de la eliminación de características, se utilizan dos tipos de marcos de clasificación, es decir, la red neuronal artificial (ANN, por sus siglas en inglés) y la red neuronal profunda (DNN, por sus siglas en inglés). Por lo tanto, en este documento se proponen dos tipos de sistemas de diagnóstico híbridos, es decir, FWAFE-ANN y FWAFE-DNN. Se realizan experimentos para evaluar la efectividad de los métodos propuestos en un conjunto de datos recopilado de la base de datos en línea de enfermedades cardíacas de Cleveland. La fortaleza de los métodos propuestos se evalúa en términos de precisión, sensibilidad, especificidad, coeficiente de correlación de Matthews (MCC, por sus siglas en inglés) y curva de características de operación del receptor (ROC, por sus siglas en inglés). Los resultados experimentales confirman que los modelos propuestos superaron a otros dieciocho métodos propuestos en el pasado, que obtuvieron precisión en el rango del 50.00 al 91.83%. Además, el rendimiento de los modelos propuestos es impresionante en comparación con el de otras técnicas de aprendizaje automático de vanguardia para el diagnóstico de enfermedades cardíacas. Además, los sistemas propuestos pueden ayudar a los médicos a tomar decisiones precisas al diagnosticar enfermedades cardíacas.

• Materias:Red 5G Internet de las cosas Seguridad de la información Tecnologías de comunicación
• Subjects:5G Network Internet of things Information security Communication technologies
• Palabras claves:Cardiopatía; Diagnóstico; Sistemas de diagnóstico inteligentes; Método de selección de características; Red neuronal artificial; Red neuronal profunda
• Keywords:Heart disease; Diagnosis; Intelligent diagnostic systems; Feature selection method; Artificial neural network; Deep neural network