随着心脏病导致的死亡率不断上升，早期可靠的心血管疾病预测变得至关重要。然而，在处理健康记录数据时，传统方法主要依赖单一预测模型。本研究提出了一种先进方法，该方法利用支持向量机（SVM）在独立并行流中与卷积神经网络（CNN）结合进行特征提取，并通过灰狼优化算法（GWO）增强人工神经网络（ANN）用于预测分类。
首先，输入数据同时传入SVM和CNN，由每种方法提取相关和重要特征。两种提取器同时接收相同的预处理输入；提取后，它们的输出被连接起来。SVM提取基于概率的判别特征，反映类别分离置信度，而CNN提取分层卷积特征，捕捉局部模式和非线性属性交互。
然后，将SVM提取的属性和CNN提取的属性连接起来，获得全面的特征集。这种连接丰富了特征空间的多样化表征特性：SVM贡献提供正则化的决策置信度分数，而CNN贡献提供多尺度模式描述符。这种异质特征整合使ANN能够同时访问判别和描述性特征域，从而学习更稳健的分类边界。
其次，将连接的特征发送到ANN进行预测。GWO算法用于配置ANN参数，如通道大小、丢弃率和学习率。适应度函数最大化分层5折交叉验证准确率。
实验在来自UCI机器学习库的心脏病数据集集合上进行（包括克利夫兰、匈牙利、瑞士和长滩数据集），包含14个用于心脏病预测的变量。所有结果代表嵌套交叉验证的均值±标准差。结果表明，所提出的SVM–CNN+ANN-GWO模型在克利夫兰数据集上达到91.80%±1.2%的高分类准确率，在匈牙利数据集上达到91.53%±1.5%，在瑞士数据集上达到96.08%±0.8%，在VA长滩数据集上达到87.69%±2.1%。配对Wilcoxon检验（p<0.05）确认了统计显著性。该模型在预测准确率方面优于现有基线方法和先前研究中的其他最新方法。它在所有四个数据库上的心脏病预测中都表现出色，因此在不同数据集上具有良好的泛化能力。
【全文结束】