Resumen

La hepatitis es una enfermedad mortal. El tratamiento y el diagnstico de la hepatitis son caros y requieren un alto nivel de conocimientos humanos, lo que supone un reto para el sistema sanitario de los pases subdesarrollados y en vas de desarrollo. Por lo tanto, es inevitable desarrollar mtodos automatizados para predecir con precisin la enfermedad de la hepatitis. En este artculo, desarrollamos un sistema de diagnstico que hibrida un modelo de mquina de vectores de soporte (SVM) lineal con un modelo de refuerzo adaptativo (AdaBoost). Explotamos la escasez en SVM lineal que es causada por la regularizacin. La SVM regularizada y dispersa es capaz de eliminar caractersticas redundantes o irrelevantes del espacio de caractersticas. Despus de filtrar las caractersticas a travs de la SVM lineal dispersa, la salida de la SVM se aplica al modelo conjunto AdaBoost que se utiliza para la clasificacin. Se realizan dos tipos de experimentos numricos con las caractersticas clnicas de la enfermedad de la hepatitis recogidas del repositorio de aprendizaje automtico de la UCI. En el primer experimento, slo se utiliza el modelo AdaBoost convencional, mientras que en el segundo experimento, se aplica un vector de caractersticas a la SVM lineal dispersa antes de su aplicacin al modelo AdaBoost. Los resultados de la simulacin demuestran que la potencia de un modelo AdaBoost convencional aumenta un 6,39% con el mtodo propuesto, y tambin se reduce su complejidad temporal. Adems, el mtodo propuesto muestra un mejor rendimiento que muchos mtodos desarrollados anteriormente para la prediccin de la enfermedad de la hepatitis.

• Materias:Red 5G Internet de las cosas Seguridad de la información Tecnologías de comunicación
• Subjects:5G Network Internet of things Information security Communication technologies
• Palabras claves:Hepatitis; Diagnóstico; Métodos automatizados; Modelo SVM; Modelo AdaBoost; Espacio de características
• Keywords:Hepatitis disease; Diagnosis; Automated methods; SVM model; AdaBoost model; Feature space