基于轮廓的二值特征提取方法利用频繁项集改善冠心病诊断
机器学习
2021-09-24 v1
摘要
近年来，利用机器学习方法进行冠心病（CAD）诊断以减少传统诊断的成本和健康影响引起了越来越多的关注。本文提出了一种带有称为基于轮廓的二值特征提取（PBBFE）的新颖特征提取技术的CAD诊断方法。在该方法中，在对数值特征进行划分后，通过Apriori算法提取频繁项集，并将其用作特征以提高CAD诊断准确率。所提方法包括两个主要阶段。在第一阶段，根据年龄、性别和医疗状况为每个患者分配一个轮廓，然后基于所分配轮廓对所有数值特征进行离散化。随后所有特征经过二值化过程以准备好由Apriori进行特征提取。在该阶段最后一步，通过Apriori从数据集中提取频繁项集并用于构建新数据集。在第二阶段，使用遗传算法和支持向量机来识别用于分类的提取特征的最佳子集。所提方法在Z-Alizadeh Sani数据集上进行了测试，该数据集是CAD领域最丰富的数据库之一。在该数据集上进行的性能比较表明，所提方法以98.35%准确率、100%灵敏度和94.25%特异度优于所有主要替代方法。所提方法还在其他几个数据集上取得了最高准确率。
引用
@article{arxiv.2109.10966,
title = {A Profile-Based Binary Feature Extraction Method Using Frequent Itemsets for Improving Coronary Artery Disease Diagnosis},
author = {Ali Yavari and Amir Rajabzadeh and Fardin Abdali-Mohammadi},
journal= {arXiv preprint arXiv:2109.10966},
year = {2021}
}
备注
11 pages, 2 figures