论文研究集成优化核极限学习机的冠心病无创性诊断.pdf

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