Heart_Disease_Prediction “＃Heart_Disease_Prediction”

跨模态注意力引导卷积网络用于多模态心脏分割

这是VI1 simulink心脏模拟器的调查27。

鲁棒且准确的中心频率估计（RACE）算法，用于在没有已知标记参数的情况下提高SinMod在标记的心脏MR图像上的运动估计性能

复合天线的心脏形方向图 直立天线的无方向特性和磁性天线 的双值性叠加出心脏形单向特性

花键设计matlab程序代码旁瓣 ParaValve是用于几何生成和优化生物人工心脏瓣膜的自动化管道。 ParaValve不包括用于阀门优化的分析工具，但很容易与您选择的一个工具配合使用。该框架最初是与爱荷华州立大学开发的等几何分析（IGA）软件一起开发的。 特征 Grasshopper文件具有大量参数，适用于各种可能的几何形状 由于几何是通过在Windows VM中运行Rhino / Grasshopper生成的，因此有许多标志和检查可验证正确的数据传输 在优化过程中并行评估模型 记录并查询结果，以防止模型评估重复 依存关系 用于生成几何。 该程序还使用来自的求解器。 安装 克隆ParaValve存储库 在Rhino中建立'matlabAnalysis'视图（黑色的白色表面） 编译'brep _...'并将插件导入Rhino以创建smesh文件进行分析 手动修改“ funCurve.m”和“ setup-opt-1 / runAnalysis.sh”以与您的分析工具一起使用 根据您的系统配置，某些脚本中的文件位置可能需要更正 使用CircOpt 在Rhino中执行'geometry

心脏滴血漏洞的检测和利用，python环境2.7以上

心脏病诊断是一项复杂的任务，需要大量的经验和知识。 预测心脏病的传统方法是医生检查或进行许多医疗检查，例如ECG，压力测试和心脏MRI等。如今，医疗保健行业包含大量的医疗保健数据，其中包含隐藏的信息。 这些隐藏的信息对于做出有效的决策很有用。 基于计算机的信息以及先进的数据挖掘技术可用于获得适当的结果。 神经网络是广泛用于预测心脏病诊断的工具。 在这篇研究论文中，使用神经网络开发了心脏病预测系统（HDPS）。 HDPS系统可预测患者患上心脏病的可能性。 为了进行预测，该系统使用了性别，血压，胆固醇等13种医学参数。 在这里，增加了两个参数，即肥胖和吸烟，以提高准确性。 从结果可以看出，神经网络以近100％的准确度预测心脏病。

机器学习+2020年心脏病数据集+来自于kaggle

血清miR-494 表达水平预测心脏术后AKI 患儿的预后价值.pdf