集成优化核极限学习机的冠心病无创性诊断.pdfVIP

集成优化核极限学习机的冠心病无创性诊断 作者 马超, 刘远东, 徐守祥 机构 深圳信息职业技术学院 数字媒体学院 发表期刊 《计算机应用研究》 预排期卷 2017 年第34 卷第6 期 访问地址 /article/02-2017-06-065.html 发布日期 2016-09-20 11:03:17 引用格式 马超, 刘远东, 徐守祥. 集成优化核极限学习机的冠心病无创性诊断[J/OL]. [2016-09-20]. http:// /article/02 -2017-06-065.html. 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，并基于旋转森林(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，提出方… 关键词 冠心病诊断, 核极限学习机, 集成学习, 特征提取 中图分类号 TP183 基金项目 国家自然科学基金青年基金资助项目）; 广东省自然科学基金资助项目 （2016A030310072）; 深圳市科技计划项目（GJHZ20150316112246318） 优先出版 计 算 机 应 用 研 究 第34 卷 集成优化核极限学习机的冠心病无创性诊断* 马 超，刘远东，徐守祥 (深圳信息职业技术学院 数字媒体学院，广东 深圳 518172) 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 ，并基于旋转森林(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，提出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。 关键词：冠心病诊断；核极限学习机；集成学习；特征提取 中图分类号：TP183 Optimized kernel extreme learning machine based on ensemble method for diagnosis of heart diseases Ma Chao, Xu Shouxiang, Liu Yuandong (College of Digital Media, Shenzhen Institute of Information Technology, Shenzhen Guangdongo 518172, China) Abstract: The early diagnosis of heart diseases is one the most important medical resear