Detecção de Doenças Cardiovasculares Utilizando Selecção Óptima Características

As doenças cardiovasculares (DCV) continuam a ser uma das principais causas de morte a nível mundial, o que realça a necessidade de uma deteção precoce precisa. Este estudo apresenta uma estrutura baseada na aprendizagem automática para a deteção de DCV utilizando sinais de ECG, centrando-se na seleção de caraterísticas melhoradas. O sistema integra o Filtro Rápido Baseado na Correlação (FCBF), a Relevância Máxima de Redundância Mínima (mRMR), o Relevo e a Otimização por Enxame de Partículas (PSO) para identificar as caraterísticas mais relevantes e não redundantes. O FCBF remove os dados redundantes, o mRMR seleciona as principais caraterísticas relevantes, o Relief classifica as caraterísticas com base no seu poder de distinção de classes e o PSO optimiza o conjunto final de caraterísticas. A classificação é efectuada utilizando classificadores Extra Trees e Random Forest, conhecidos pela sua elevada precisão e resistência ao sobreajuste. O modelo combinado atingiu uma taxa de precisão de 100% em diversos conjuntos de dados, superando os métodos existentes e demonstrando um desempenho superior na seleção e classificação de caraterísticas. Esta estrutura tem um forte potencial para melhorar o diagnóstico precoce de DCV e melhorar a tomada de decisões clínicas.