Сравнение алгоритмов машинного обучения при диагностике состояния сердечно-сосудистой системы

Abstract

Рассмотрены современные подходы к диагностике состояния сердечно-сосудистой системы с применением алгоритмов машинного обучения, ключевые особенности и виды используемых данных. Проведено сравнительное исследование эффективности градиентного бустинга (GBM) и полносвязных нейронных сетей (MLP) при диагностике состояния сердечно-сосудистой системы по данным электрокардиографии (ЭКГ) для решения задачи бинарной классификации. В качестве исходных данных использовались признаки, извлеченные из сигналов ЭКГ, включающие интервалы основных зубцов и вейвлет-признаки. Модели оценивались по разным метрикам, в статье будут приведены ROC-AUC и F1-score как самые информативные.

This paper discusses contemporary approaches to the diagnosis of cardiovascular conditions using machine learning algorithms. It outlines the key characteristics and types of data applied, and presents a comparative analysis of the effectiveness of Gradient Boosting Machines (GBM) and Multilayer Perceptron (MLP) in the diagnosis of cardiovascular disorders based on electrocardiography (ECG) data within the framework of a binary classification task. The input data consisted of features extracted from ECG signals, including intervals of major waveform components and wavelet-based features. Model performance was assessed using several metrics, with ROC-AUC and F1-score reported in this study.