Heart Disease Detection Based on Feature Fusion Technique with Augmented Classification Using Deep Learning Technology
Notice bibliographique
Résumé
An accurate prediction of cardiac disease is a crucial task for medical and research organizations. Cardiac patients are usually facing heart attacks sometimes tends to death. Therefore, a prior stage of heart diagnosis is compulsory, so that model of optimal Deep learning technology is prosperous for the healthcare sector. The earlier models related to this research work are outdated, some applications cannot provide efficient outcomes. The available conventional models like the Genetic algorithm (GA), PSO (particle swarm optimization), RFO (Random Forest optimization), X-boosting. KNN and many available technologies are only dispensing abnormality information but they are not providing location, depth, and affected area dimensions. Moreover, earlier models only supported fixed scanning in radiology not supporting cloud-level deployment. The sensitivity and robustness of diagnosis are very low therefore a DCAlexNet CNN deep learning technology is needed. The deep learning-based classification is performed through the DCAlexNet CNN (convolutional Neural networks) technique. The implementing application is loading training samples from Kaggle or ANDI dataset. The uploaded image samples are pre-processed through resolution, intensity, and brightness adjustment in the python NumPy tool. The. CSV file (text file) is processed through clustering as well as dimensionality adjusting technique. The processed images are segmented through RRF (Restrictive Random Field) technology. The segmentation on images provides features that are loaded in the local server after that saved into CNN memory. Now the .csv file and trained features are applied to DCAlexNet CNN deep learning architecture. The training processing can give information about diseases in the heart and dimensionality of the affected area (depth and location). Now the application is waiting for real-time samples which is nothing but testing, in this testing part locally available affected and healthy heart ultrasound images are given to DCAlexNet CNN. The designed application can easily be identified whether the uploaded image has abnormality or not. The test-based and image-oriented feature fusion can help the application detect heart abnormalities in an easy way. To this feature fusion-based DCAlexNet CNN confusion matrix generates performance measures like accuracy 98.67%, sensitivity 97.45%, Recall 99.34%, and F1 Score 99.34%, these numerical comparison results compete with present technology and outperformance application robustness.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».