心血管疾病使用决策树和随机森林分类器 决策树算法可用于预测心血管疾病并使用随机森林分类器和探索性数据分析来提高准确性

MATLAB陡度代码 PhysioNet心血管信号工具箱 如果您使用的是此软件，请引用： Vest A, Da Poian G, Li Q, Liu C, Nemati S, Shah A, Clifford GD, "An Open Source Benchmarked Toolbox for Cardiovascular Waveform and Interval Analysis", Physiological measurement 39, no. 10 (2018): 105004. DOI:10.5281/zenodo.1243111; 2018. 介绍 PhysioNet心血管信号工具箱是一个心血管动力学分析工具包，旨在满足临床和科学界对经过验证的，标准化的，有据可查的开源工具包的需求，以评估生理信号与疾病之间的关系。 该软件包不仅包括标准的HRV工具，可从ECG或脉动波形（如血压或光电容积描记波形）生成时域和频域指标，而且还包括更新的指标，例如加速和减速能力以及脉冲传播时间。 该软件包旨在容纳各种输入数据，从原始的未处理波形和未注释的波形，到完全注释的转速表数据。 通常

心血管疾病是全球死亡的主要原因之一，在世界范围内日益引起社会关注。 随着技术的出现，机器学习和可穿戴技术的融合为医学领域带来了巨大的好处，它提供了高度准确，可靠和强大的无缝解决方案。 通过早期发现并降低医疗成本，这使患者社区受益。 以及为医学博爱提供有效，可扩展，准确和可靠的预测系统。 本文对用于各种心血管疾病的预测/分类的机器学习算法进行了广泛的调查。 我们将介绍各种模式的见解，例如心音，电子健康记录，生理信号和CT图像，以成功检测出心脏病，并且还将介绍流行的机器学习系统，模糊系统，混合系统的亮点。 从这篇评论中可以注意到，SVM已被广泛使用，随后是神经网络和集成技术。 通过集成技术，其次是SVM和CNN，可以达到95％以上的最高准确度。

心脏疾病预测 来自Kaggle的心血管疾病数据集-用于培训。

利用机器学习进行心血管疾病预测 使用10倍交叉验证，在UCI数据集上集成了5种机器学习分类算法的应用。 分析并比较了基于准确性，灵敏度，特异性，ROC曲线和AUC的每种算法。 可视化混淆矩阵，ROC曲线，用于比较所有算法。