Name: DETECCIÓN DE ENFERMEDADES CARDIOVASCULARES MEDIANTE SELECCIÓN ÓPTIMA DE CARACTERÍSTICAS
Price: 180796.00 COP
Availability: InStock
Author: Mary Swarna Latha Gade;Laxmi Narayanamma K.
ISBN: 9786208472351

portada DETECCIÓN DE ENFERMEDADES CARDIOVASCULARES MEDIANTE SELECCIÓN ÓPTIMA DE CARACTERÍSTICAS

DETECCIÓN DE ENFERMEDADES CARDIOVASCULARES MEDIANTE SELECCIÓN ÓPTIMA DE CARACTERÍSTICAS

Formato

Libro Físico

Editorial

Ediciones Nuestro Conocimiento

Autor

Mary Swarna Latha Gade;Laxmi Narayanamma K.

Año

2025

Idioma

Español

N° páginas

Encuadernación

Tapa Blanda

Dimensiones

22.00 x 15.00 cm

ISBN13

9786208472351

DETECCIÓN DE ENFERMEDADES CARDIOVASCULARES MEDIANTE SELECCIÓN ÓPTIMA DE CARACTERÍSTICAS

Mary Swarna Latha Gade;Laxmi Narayanamma K. (Autor) · Ediciones Nuestro Conocimiento · Tapa Blanda

Libro Nuevo Importado

Envío: 15 a 20 días háb.

$ 328.721$ 180.796

-45%

Costos de importación incluídos en el precio ✅

Libro Nuevo

Quedan 40 unidades

$ 180.796

¡Envío Gratis! Llega entre el 31 Ago y el 08 Sep a Bogota, Cundinamarca. Seleccionar ubicación

Agregar a lista de deseos

Reseña del libro "DETECCIÓN DE ENFERMEDADES CARDIOVASCULARES MEDIANTE SELECCIÓN ÓPTIMA DE CARACTERÍSTICAS"

Las enfermedades cardiovasculares (ECV) siguen siendo una de las principales causas de muerte en todo el mundo, lo que subraya la necesidad de una detección precoz precisa. Este estudio presenta un marco basado en el aprendizaje automático para la detección de ECV mediante señales de ECG, centrándose en la selección mejorada de características. El sistema integra el Filtro Rápido Basado en Correlación (FCBF), la Mínima Redundancia y Máxima Relevancia (mRMR), el Relieve y la Optimización por Enjambre de Partículas (PSO) para identificar las características más relevantes y no redundantes. FCBF elimina los datos redundantes, mRMR selecciona las características clave relevantes, Relief clasifica las características en función de su poder de distinción de clases y PSO optimiza el conjunto final de características. La clasificación se realiza mediante los clasificadores Extra Trees y Random Forest, conocidos por su gran precisión y su resistencia al sobreajuste. El modelo combinado alcanzó una tasa de precisión del 100% en diversos conjuntos de datos, superando a los métodos existentes y demostrando un rendimiento superior en la selección y clasificación de características. Este marco tiene un gran potencial para mejorar el diagnóstico precoz de la ECV y la toma de decisiones clínicas.