基于支持向量机的冠心病辅助诊断研究

doi:10.3778/j.issn.1002-8331.2008.36.064

计算机工程与应用 ›› 2008, Vol. 44 ›› Issue (36): 221-223.DOI: 10.3778/j.issn.1002-8331.2008.36.064

基于支持向量机的冠心病辅助诊断研究

吕晓燕^1,2,罗立民²,李祥生¹,郭建军³

1.山西医科大学计算中心，太原 030001
2.东南大学计算机科学与工程系，南京 210096
3.山西医科大学第一医院，太原 030001

收稿日期:2008-09-26 修回日期:2008-11-08 出版日期:2008-12-21 发布日期:2008-12-21
通讯作者: 吕晓燕

Studies on appilcation of Support Vector Machine in detection of coronary heart disease

LV Xiao－yan^1,2,LUO Li-min²,LI Xiang-sheng¹,GUO Jian－jun³

1.Computing Center，Shanxi Medical University，Taiyuan 030001，China
2.Department of Computer Science and Engineering，Southeast University，Nanjing 210096，China
3.The First Attached Hospital of Shanxi Medical University，Taiyuan 030001，China

Received:2008-09-26 Revised:2008-11-08 Online:2008-12-21 Published:2008-12-21
Contact: LV Xiao－yan

摘要/Abstract

摘要： 支持向量机（SVM）是在统计学习理论基础上发展而来的一种新的通用学习方法，较好地解决了有限样本的学习分类问题。用支持向量机的分类算法，选取不同的核函数，构造了支持向量机的不同分类器，并将其应用于冠心病的预测诊断。仿真结果表明，非线性的支持向量机取得了较高的准确率，支持向量机在早期冠心病的诊断中有很大的应用潜力。

关键词: 支持向量机, 核函数, 模式识别, 冠心病

Abstract: Support Vector Machine（SVM） is an efficient method originated from the statistical learning theory.It is powerful in machine learning to solve problems with finite samples.SVM is employed in detecting coronary heart disease and the results are encouraged compared with conventional methods.The accuracy of non-linear SVM classifier is especially high in all kinds of classifiers，which indicates the potential application of SVM in coronary heart disease detection.

Key words: Support Vector Machine（SVM）, kernel function, pattern recognition, coronary heart disease

吕晓燕^1,2,罗立民²,李祥生¹,郭建军³. 基于支持向量机的冠心病辅助诊断研究[J]. 计算机工程与应用, 2008, 44(36): 221-223.

LV Xiao－yan^1,2,LUO Li-min²,LI Xiang-sheng¹,GUO Jian－jun³. Studies on appilcation of Support Vector Machine in detection of coronary heart disease[J]. Computer Engineering and Applications, 2008, 44(36): 221-223.

[1]	邓利芳，党建武，王阳萍，王松. 结合混合核特征映射的空域图像隐写分析[J]. 计算机工程与应用, 2021, 57(9): 118-125.
[2]	张朕通，单玉刚，袁杰. 联合多尺度和注意力机制的遥感影像检测[J]. 计算机工程与应用, 2021, 57(9): 212-216.
[3]	高一锴，彭力，徐龙壮. 改进AFSA算法优化TWSVM的火焰识别方法[J]. 计算机工程与应用, 2021, 57(8): 204-213.
[4]	侯旋，薛飞，陈涛. 无人机目标检测量子多模式识别优化算法[J]. 计算机工程与应用, 2021, 57(7): 228-236.
[5]	韩卫宇，程龙生. 结合马田系统-SVM的滚动轴承故障模式分类研究[J]. 计算机工程与应用, 2021, 57(6): 239-246.
[6]	雷恒林，古兰拜尔·吐尔洪，买日旦·吾守尔，张东梅. 新奇检测综述[J]. 计算机工程与应用, 2021, 57(5): 47-55.
[7]	温杰彬，杨文忠，马国祥，张志豪，李海磊. 基于Apex帧光流和卷积自编码器的微表情识别[J]. 计算机工程与应用, 2021, 57(4): 127-133.
[8]	徐先峰，蔡路路，张丽. 融合MLP和DBN的光伏发电预测算法[J]. 计算机工程与应用, 2021, 57(3): 266-272.
[9]	李俊侠，张秦，郑桂妹. 超宽带雷达人体姿态识别综述[J]. 计算机工程与应用, 2021, 57(3): 14-23.
[10]	陈富健，谢维信，夏婷. 基于LCT+的自适应抗遮挡目标跟踪算法[J]. 计算机工程与应用, 2021, 57(22): 190-198.
[11]	杨泉. N1+N2结构语法关系判定的SVM算法[J]. 计算机工程与应用, 2021, 57(20): 104-108.
[12]	高晋，赵云芃，Godfred Kim Mensah，李欣芸，刘志芬，陈俊杰，郭浩. 静息态功能脑连接的空间动态分析及分类研究[J]. 计算机工程与应用, 2021, 57(2): 150-155.
[13]	秦博宇，郝晓燕，刘永芳. 基于SVM和CRF双层模型的FrameNet框架消歧[J]. 计算机工程与应用, 2021, 57(18): 255-262.
[14]	郑淋文，周金治，黄静. 深度稀疏自编码器在ECG特征提取中的应用[J]. 计算机工程与应用, 2021, 57(11): 156-161.
[15]	谢艺菲，卢琪，刘鑫，胡亚豪，潘志松，陈浩. 基于图的多层次注意力事实验证算法[J]. 计算机工程与应用, 2021, 57(10): 146-153.

基于支持向量机的冠心病辅助诊断研究

Studies on appilcation of Support Vector Machine in detection of coronary heart disease

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics