I
n
d
on
e
s
ian
Jou
r
n
al
o
f
E
lec
t
r
ica
l
E
n
gin
e
e
r
in
g
a
n
d
Com
p
u
t
e
r
S
c
ience
Vo
l
.
40
,
N
o
.
3
,
De
c
em
b
e
r
2025
,
pp.
1
630
~
1
637
I
S
S
N:
2502
-
4752,
DO
I
:
10
.
11591/i
j
e
e
c
s
.
v
40
.i
3
.
pp
1
630
-
1
637
1630
Jou
r
n
al
h
o
m
e
page
:
ht
tp:
//
ij
e
e
c
s
.
iaes
c
or
e
.
c
om
C
ar
d
io
m
e
t
a
-
st
ac
k
:
a
m
e
t
a
-
c
la
ssi
f
ie
r
e
n
se
m
b
le
f
or
e
n
h
an
c
e
d
c
ar
d
io
v
as
c
u
la
r
d
is
e
ase
p
r
ogn
osi
s
S
we
t
h
a
S
.
1
,
S
n
e
h
a
Z
ol
gi
k
a
r
1
,
M
an
j
u
l
a
S
.
H
.
1
,
Ve
n
u
gop
al
K.
R
.
2
1
D
e
pa
r
tm
e
nt
of
C
o
mpu
te
r
S
c
ie
n
c
e
a
nd
E
ngi
n
e
e
r
in
g, U
ni
ve
r
s
it
y
of
V
is
ve
s
v
a
r
a
y
a
of
E
ngi
ne
e
r
in
g (
U
V
C
E
)
,
B
a
nga
lo
r
e
,
I
ndi
a
2
F
o
r
m
e
r
V
i
c
e
C
ha
nc
e
ll
o
r
,
B
a
nga
l
o
r
e
, I
ndi
a
Ar
t
ic
l
e
I
n
f
o
AB
S
T
RA
CT
A
r
ti
c
le
h
is
tor
y
:
R
e
c
e
i
ve
d
M
a
y
13
,
2024
R
e
vi
s
e
d
A
ug
6
,
2025
A
c
c
e
pt
e
d
N
o
v
16
,
2025
Card
i
o
v
as
cu
l
ar
d
i
s
e
as
e
s
(C
V
D
s
)
r
em
a
i
n
a
s
i
g
n
i
fi
c
a
n
t
g
l
o
b
al
h
e
al
t
h
c
o
n
ce
rn
,
n
ece
s
s
i
t
at
i
n
g
e
ff
ec
t
i
v
e
p
rev
en
t
i
v
e
me
as
u
r
e
s
an
d
e
arl
y
d
i
a
g
n
o
s
i
s
t
o
r
ed
u
ce
mo
rt
al
i
t
y
rat
e
s
.
L
ev
e
rag
i
n
g
m
a
ch
i
n
e
l
e
ar
n
i
n
g
m
o
d
e
l
s
t
o
i
d
en
t
i
f
y
ri
s
k
fac
t
o
rs
h
o
l
d
s
g
r
e
at
p
ro
mi
s
e,
e
s
p
ec
i
a
l
l
y
i
n
c
ard
i
o
l
o
g
y
.
T
h
i
s
s
t
u
d
y
i
n
t
ro
d
u
ce
s
a
ro
b
u
s
t
me
t
h
o
d
o
l
o
g
y
fo
r
p
ro
g
n
o
s
i
n
g
c
ard
i
a
c
i
l
l
n
e
s
s
e
s
b
as
e
d
o
n
p
at
i
e
n
t
-
s
p
ec
i
f
i
c
fac
t
o
rs
.
B
y
i
n
t
e
g
rat
i
n
g
f
i
v
e
p
u
b
l
i
cl
y
av
a
i
l
ab
l
e
d
at
a
s
e
t
s
fro
m
t
h
e
U
C
I
Re
p
o
s
i
t
o
r
y
an
d
em
p
l
o
y
i
n
g
F
e
at
u
r
e
Im
p
o
rt
an
ce
t
ech
n
i
q
u
e
s
f
o
r
o
p
t
i
m
al
r
i
s
k
fac
t
o
r
s
el
ec
t
i
o
n
,
t
h
e
p
ro
p
o
s
e
d
ap
p
ro
a
c
h
en
h
a
n
ce
s
p
re
d
i
c
t
i
o
n
accu
ra
cy
.
Fu
rt
h
e
r
mo
r
e
,
t
h
e
i
n
c
l
u
s
i
o
n
o
f
t
h
e
d
e
n
s
i
t
y
-
b
as
ed
s
p
at
i
al
c
l
u
s
t
e
ri
n
g
o
f
ap
p
l
i
c
at
i
o
n
s
w
i
t
h
n
o
i
s
e
(
D
BSC
A
N
)
a
l
g
o
ri
t
h
m
as
s
i
s
t
s
i
n
n
o
i
s
e
d
e
t
ec
t
i
o
n
an
d
rem
o
v
al
,
t
h
e
r
e
b
y
i
m
p
ro
v
i
n
g
mo
d
el
p
r
ec
i
s
i
o
n
.
T
h
e
p
ro
p
o
s
e
d
Car
d
i
o
M
e
t
a
-
St
ac
k
mo
d
el
,
co
u
p
l
ed
w
i
t
h
a
s
t
ac
k
i
n
g
cl
as
s
i
fi
e
r
e
n
s
em
b
l
e
,
ach
i
ev
e
d
an
acc
u
ra
cy
o
f
9
4
.
9
1
%
,
s
u
rp
as
s
i
n
g
t
h
at
o
f
t
rad
i
t
i
o
n
al
al
g
o
r
i
t
h
m
s
s
u
ch
as
X
G
Bo
o
s
t
9
0
.
4
5
%
,
d
em
o
n
s
t
rat
i
n
g
i
t
s
e
ffi
c
a
cy
i
n
h
e
art
d
i
s
e
as
e
p
red
i
c
t
i
o
n
.
K
e
y
w
o
r
d
s
:
C
VD
DB
S
C
A
N
F
e
a
t
ur
e
i
m
po
r
t
a
n
c
e
R
i
s
k
f
a
c
t
o
r
s
S
t
a
c
ki
n
g
m
e
t
a
-
c
l
a
s
s
if
i
e
r
Th
i
s
i
s
a
n
o
p
en
a
c
ces
s
a
r
t
i
c
l
e
u
n
d
e
r
t
h
e
CC
B
Y
-
SA
l
i
cen
s
e.
C
or
r
e
s
pon
din
g
A
u
th
or
:
S
we
t
h
a
S
.
De
pa
r
t
m
e
n
t
o
f
C
o
m
put
e
r
S
c
i
e
n
c
e
a
n
d
E
n
g
i
ne
e
r
i
n
g
,
Uni
v
e
r
s
i
t
y
o
f
V
i
s
v
e
s
v
a
r
a
y
a
o
f
E
n
g
i
ne
e
r
i
n
g
(
UV
C
E
)
B
a
n
ga
l
o
r
e
-
560001,
K
a
r
n
a
t
a
ka
,
I
n
d
i
a
E
m
a
i
l
:
s
w
e
t
h
a
.
s
@
u
v
c
e
.
a
c
.
i
n
1.
I
NT
RODU
C
T
I
ON
C
a
r
d
i
o
v
a
s
c
u
l
a
r
d
i
s
e
a
s
e
s
(
C
VD
s
)
pr
e
s
e
n
t
a
s
i
g
nif
i
c
a
n
t
g
l
o
b
a
l
he
a
l
t
h
c
h
a
l
l
e
nge
,
r
a
n
k
i
ng
a
s
t
h
e
pr
i
m
a
r
y
c
a
us
e
o
f
b
o
t
h
m
o
r
t
a
l
i
t
y
a
n
d
m
o
r
bi
d
i
t
y
wo
r
l
d
w
i
d
e
[
1]
.
T
h
e
s
e
e
n
c
o
m
pa
s
s
a
s
pe
c
t
r
um
o
f
c
o
n
d
i
t
i
o
n
s
a
f
f
e
c
t
i
n
g
t
h
e
h
e
a
r
t
a
n
d
bl
o
o
d
v
e
s
s
e
l
s
,
o
f
t
e
n
r
e
s
u
l
t
i
n
g
i
n
pr
o
f
o
un
d
c
o
n
s
e
que
n
c
e
s
w
i
t
hi
n
h
e
a
l
t
hc
a
r
e
s
y
s
t
e
m
s
[
2]
.
T
h
e
y
r
e
pr
e
s
e
n
t
a
c
r
uc
i
a
l
g
l
o
b
a
l
h
e
a
l
t
h
c
o
n
c
e
r
n
,
a
c
c
o
un
ti
ng
f
o
r
a
n
ot
a
bl
e
s
h
a
r
e
o
f
f
a
t
a
l
i
t
i
e
s
a
n
d
d
i
s
a
bil
i
t
i
e
s
a
c
r
o
s
s
v
a
r
i
o
us
r
e
g
i
o
n
s
.
I
n
b
o
t
h
t
h
e
Uni
t
e
d
S
t
a
t
e
s
a
n
d
E
u
r
o
pe
a
n
c
o
un
t
r
i
e
s
,
t
h
e
s
e
d
i
s
e
a
s
e
s
c
o
n
tr
i
b
ut
e
s
i
g
ni
f
ica
n
t
l
y
t
o
m
o
r
t
a
l
i
t
y
r
a
t
e
s
[
3
]
.
S
t
a
t
i
s
t
i
c
a
l
d
a
t
a
r
e
v
e
a
l
s
t
h
a
t
C
VD
s
a
r
e
a
c
c
o
un
t
a
bl
e
f
o
r
a
ppr
o
xi
m
a
t
e
l
y
o
ne
i
n
e
ve
r
y
t
h
r
e
e
de
a
t
h
s
i
n
t
h
e
U
ni
t
e
d
S
t
a
t
e
s
,
un
de
r
s
c
o
r
i
n
g
t
h
e
i
r
s
u
b
s
t
a
n
t
i
a
l
im
pa
c
t
o
n
publ
i
c
h
e
a
l
t
h
.
S
i
m
il
a
r
ly
,
i
n
E
ur
o
pe
a
n
n
a
t
i
o
n
s
,
C
VD
s
f
r
e
q
ue
n
t
l
y
l
e
a
d
t
o
hi
g
h
m
o
r
t
a
l
i
t
y
r
a
t
e
s
,
pl
a
c
i
ng
a
s
i
g
nif
i
c
a
n
t
b
ur
de
n
o
n
h
e
a
l
t
h
c
a
r
e
s
y
s
t
e
m
s
a
nd
s
o
c
i
e
t
y
i
n
ge
ne
r
a
l
[
4]
.
W
hil
e
e
a
r
li
e
r
s
t
ud
i
e
s
h
a
ve
e
x
p
l
o
r
e
d
t
h
e
m
o
r
t
a
l
i
t
y
a
n
d
m
o
r
bi
d
i
t
y
r
a
t
e
s
a
s
s
o
c
i
a
t
e
d
wi
t
h
C
VD
s
,
t
h
e
y
h
a
v
e
n
o
t
e
x
p
l
i
c
i
t
ly
a
ddr
e
s
s
e
d
t
h
e
i
nf
l
ue
n
c
e
o
f
r
i
s
k
f
a
c
t
o
r
m
a
n
a
ge
m
e
n
t
o
n
h
e
a
l
t
h
c
a
r
e
s
y
s
t
e
m
s
.
G
i
v
e
n
t
h
e
i
r
i
n
t
r
i
c
a
t
e
i
n
t
e
r
pl
a
y
o
f
r
i
s
k
f
a
c
t
o
r
s
,
un
de
r
l
yi
ng
m
e
c
h
a
ni
s
m
s
,
a
n
d
d
i
ve
r
s
e
o
u
t
c
o
m
e
s
,
un
de
r
s
t
a
n
d
i
n
g
C
VD
s
h
o
l
ds
pa
r
a
m
o
un
t
i
m
po
r
t
a
n
c
e
f
o
r
h
e
a
l
t
h
c
a
r
e
s
y
s
t
e
m
s
a
n
d
s
o
c
i
e
t
i
e
s
a
t
l
a
r
ge
[
5]
.
Num
e
r
o
us
r
i
s
k
f
a
c
t
or
s
a
r
e
a
s
s
o
c
i
a
t
e
d
w
i
t
h
c
a
r
d
i
o
v
a
s
c
u
l
a
r
d
i
s
e
a
s
e
s
,
pr
i
mar
i
ly
c
a
t
e
go
r
i
z
e
d
i
n
t
o
m
o
d
i
f
i
a
bl
e
a
n
d
n
o
n
-
m
o
d
i
f
iabl
e
r
i
s
k
f
a
c
t
o
r
s
.
M
o
di
f
i
a
bl
e
f
a
c
t
o
r
s
i
nc
l
ud
e
b
e
h
a
vi
o
r
a
l
a
s
pe
c
t
s
s
uc
h
a
s
m
i
nim
u
m
p
hy
s
i
c
a
l
a
c
t
i
vi
t
y
,
c
o
n
s
u
m
pt
i
o
n
o
f
m
o
r
e
s
o
di
u
m
,
e
x
c
e
s
s
i
ve
a
l
c
o
h
o
l
a
n
d
to
b
a
c
c
o
c
o
n
s
u
m
pt
i
o
n
,
m
e
t
a
b
o
l
i
c
c
o
n
d
i
t
i
o
n
s
l
i
ke
r
a
i
s
e
d
bl
o
o
d
pr
e
s
s
ur
e
a
n
d
hi
g
h
f
a
s
t
i
n
g
p
l
a
s
m
a
g
l
uc
o
s
e
l
e
v
e
l
s
,
i
nc
r
e
a
s
e
d
wa
i
s
t
-
to
-
hi
p
-
r
a
t
i
o
i
e
;
b
o
d
y
-
m
a
s
s
i
n
d
e
x
(
B
M
I
)
,
hi
gh
l
e
v
e
l
s
o
f
l
o
w
-
de
n
s
i
t
y
l
i
po
pr
ot
e
i
n
(
L
DL
)
,
a
n
d
d
i
a
be
t
e
s
a
nd
e
nvi
r
o
nm
e
n
t
a
l
f
a
c
t
or
s
l
i
ke
a
t
m
o
s
p
h
e
r
i
c
a
i
r
po
l
l
u
t
i
o
n
[
6]
.
Evaluation Warning : The document was created with Spire.PDF for Python.
I
n
do
n
e
s
i
a
n
J
E
l
e
c
E
n
g
&
C
o
m
p
S
c
i
I
S
S
N:
2502
-
4752
C
ar
dio
me
ta
-
s
tack
:
a
me
ta
-
c
las
s
if
ier
e
ns
e
mble
f
or
e
nhanc
e
d
c
ar
diovas
c
ula
r
…
(
S
w
e
tha
S.
)
1631
T
h
e
s
e
f
a
c
t
or
s
c
a
n
b
e
a
l
t
e
r
e
d
o
r
m
a
n
a
ge
d
to
de
c
r
e
a
s
e
t
h
e
t
e
n
de
n
c
y
o
f
de
v
e
l
o
p
i
ng
d
i
s
e
a
s
e
s
.
No
n
-
m
o
d
i
f
i
a
b
l
e
r
i
s
k
f
a
c
t
o
r
s
e
n
c
o
m
pa
s
s
f
a
mi
ly
m
e
d
i
c
a
l
hi
s
t
o
r
y
,
ge
n
de
r
,
a
n
d
a
ge
,
w
hi
c
h
c
a
nn
o
t
b
e
c
h
a
n
ge
d
b
ut
c
a
n
be
m
a
n
a
ge
d
t
h
r
o
ugh
pr
e
v
e
n
t
i
v
e
m
e
a
s
ur
e
s
.
I
n
m
o
de
r
n
t
i
m
e
s
,
m
a
c
hi
ne
l
e
a
r
ni
ng
(
M
L
)
pr
a
c
t
i
c
e
s
h
a
v
e
r
e
v
o
l
ut
i
o
ni
z
e
d
h
e
a
l
t
h
c
a
r
e
by
pr
o
vi
d
i
ng
po
we
r
f
u
l
t
oo
l
s
f
o
r
da
t
a
a
n
a
ly
s
i
s
,
pr
e
d
i
c
t
i
o
n
a
n
d
c
l
a
s
s
if
i
c
a
t
i
o
n
[
7]
.
W
i
t
hi
n
c
a
r
d
i
o
l
o
g
y
,
M
L
h
a
s
e
m
e
r
ge
d
a
s
a
c
r
i
t
i
c
a
l
t
oo
l
f
o
r
di
a
g
n
o
s
i
n
g,
pr
e
d
i
c
t
i
n
g,
a
n
d
m
a
na
g
i
ng
c
a
r
d
i
o
v
a
s
c
u
l
a
r
di
s
e
a
s
e
s
.
T
h
e
s
t
udy
[
8]
i
nv
o
l
v
e
s
t
h
e
us
e
o
f
t
wo
ML
a
ppr
o
a
c
h
e
s
,
m
u
l
t
i
-
l
a
y
e
r
pe
r
c
e
pt
r
o
n
(
M
L
P
)
a
n
d
K
-
n
e
a
r
e
s
t
n
e
i
g
hb
o
r
(
K
NN
)
to
i
de
n
t
i
f
y
C
VD
.
E
x
pe
r
i
m
e
n
t
a
l
o
ut
c
o
m
e
s
s
h
o
w
t
h
a
t
t
h
e
M
L
P
m
o
de
l
o
u
t
pe
r
f
o
r
m
s
,
a
c
hi
e
vi
ng
a
n
82.
47%
de
t
e
c
t
i
o
n
a
c
c
u
r
a
c
y
a
n
d
a
n
a
r
e
a
un
d
e
r
t
h
e
c
ur
v
e
(
A
UC
)
v
a
l
ue
o
f
86.
41%
s
ur
pa
s
s
i
ng
t
h
e
pe
r
f
o
r
m
a
n
c
e
o
f
t
h
e
K
NN
m
o
de
l
.
I
n
a
r
e
c
e
n
t
s
t
udy
,
No
r
oo
z
i
e
t
al
.
[
9]
e
x
a
m
i
ne
d
t
h
e
i
m
pa
c
t
of
m
u
l
t
i
p
l
e
f
e
a
t
ur
e
-
s
e
l
e
c
t
i
o
n
s
t
r
a
t
e
gi
e
s
o
n
c
a
r
di
o
va
s
c
u
l
a
r
-
d
i
s
e
a
s
e
pr
e
d
i
c
t
i
o
n
a
n
d
de
m
o
n
s
t
r
a
t
e
d
t
h
a
t
hy
b
r
i
d
i
z
e
d
wr
a
ppe
r
–
f
il
t
e
r
c
o
m
bi
na
t
i
o
n
s
s
i
g
nif
i
c
a
n
t
l
y
i
m
pr
o
v
e
d
m
o
de
l
a
c
c
ur
a
c
y
c
o
m
pa
r
e
d
w
i
t
h
s
i
ng
l
e
-
m
e
t
h
o
d
s
e
l
e
c
t
i
o
n
.
S
i
mi
l
a
r
ly
,
X
i
o
n
g
e
t
al.
[
10]
pr
o
p
o
s
e
d
a
r
e
c
ur
s
i
ve
f
e
a
t
ur
e
-
e
l
i
mi
na
t
i
o
n
a
n
d
e
n
s
e
m
b
l
e
-
l
e
a
r
ni
ng
hy
br
i
d
f
o
r
o
p
t
i
mi
z
i
ng
a
tt
r
i
b
ut
e
r
e
l
e
v
a
n
c
e
,
r
e
duc
i
n
g
r
e
dun
da
n
c
y
,
a
n
d
e
nh
a
nc
i
ng
c
l
a
s
s
i
f
i
e
r
pe
r
f
o
r
m
a
n
c
e
.
F
e
r
na
n
de
s
a
n
d
M
i
r
a
n
da
[
11]
i
nve
s
t
i
ga
t
e
d
f
e
a
t
ur
e
-
i
m
po
r
t
a
n
c
e
r
a
n
k
i
ng
f
o
r
e
a
r
l
y
c
a
r
d
i
o
v
a
s
c
u
l
a
r
-
r
i
s
k
a
s
s
e
s
s
m
e
n
t
a
n
d
hi
g
hli
g
h
t
e
d
t
h
a
t
r
e
f
i
ne
d
f
e
a
t
ur
e
e
n
g
i
n
e
e
r
i
ng
s
t
r
e
n
gt
h
e
ns
d
i
a
g
n
o
s
t
i
c
i
n
t
e
r
pr
e
t
a
bi
li
t
y
.
T
h
e
s
e
wo
r
ks
c
o
l
l
e
c
t
i
ve
l
y
e
m
p
h
a
s
i
z
e
t
h
e
i
m
po
r
t
a
n
c
e
o
f
a
tt
r
i
b
ut
e
-
s
e
l
e
c
ti
o
n
a
n
d
f
e
a
t
ur
e
-
o
p
t
i
mi
z
a
t
i
o
n
t
e
c
hni
que
s
i
n
d
e
v
e
l
o
p
i
ng
e
f
f
ic
i
e
n
t
a
n
d
r
e
l
i
a
bl
e
h
e
a
r
t
-
di
s
e
a
s
e
pr
e
d
i
c
t
i
o
n
m
o
de
l
s
.
I
n
pa
r
a
l
l
e
l
,
S
h
uk
l
a
e
t
al.
[
12]
i
n
t
r
o
duc
e
d
a
hy
b
r
i
d
f
e
a
t
ur
e
-
s
e
l
e
c
t
i
o
n
a
n
d
m
e
t
a
-
e
ns
e
m
b
l
e
f
r
a
m
e
wo
r
k
c
o
m
bi
n
i
ng
c
l
a
s
s
i
c
a
l
a
l
go
r
i
t
hm
s
f
o
r
c
a
r
d
i
o
v
a
s
c
u
l
a
r
-
r
i
s
k
a
s
s
e
s
s
m
e
n
t
.
T
h
e
i
r
a
ppr
o
a
c
h
de
m
o
n
s
t
r
a
ted
t
h
a
t
o
p
t
i
mi
z
e
d
f
e
a
t
ur
e
s
ub
s
e
t
s
e
nha
n
c
e
i
n
t
e
r
pr
e
t
a
bi
li
t
y
a
n
d
r
e
duc
e
c
o
m
put
a
t
i
o
n
a
l
c
o
s
t
wi
t
h
o
ut
r
e
l
yi
ng
o
n
c
o
m
p
l
e
x
n
e
ur
a
l
a
r
c
hi
t
e
c
t
ur
e
s
.
L
i
ke
w
i
s
e
,
C
a
r
n
e
v
a
l
e
e
t
al.
[
13]
p
r
e
s
e
n
t
e
d
a
f
e
a
t
ur
e
-
o
p
t
i
mi
z
e
d
r
a
n
do
m
-
f
o
r
e
s
t
-
b
a
s
e
d
m
o
de
l
w
i
t
h
pa
r
a
m
e
t
e
r
t
uni
n
g
f
o
r
m
u
l
t
im
o
da
l
he
a
r
t
-
di
s
e
a
s
e
p
r
e
d
i
c
t
i
o
n
,
a
c
hi
e
vi
ng
r
o
b
us
t
pe
r
f
o
r
m
a
nc
e
whil
e
m
a
i
n
t
a
i
n
i
ng
m
o
de
l
s
im
p
l
i
c
i
t
y
a
n
d
t
r
a
ns
pa
r
e
n
c
y
.
T
h
e
s
e
s
t
ud
i
e
s
un
d
e
r
l
i
ne
t
h
a
t
c
a
r
e
f
u
l
ly
s
e
l
e
c
t
e
d
f
e
a
t
ur
e
s
a
n
d
o
p
t
i
mi
z
e
d
t
r
a
di
t
i
o
n
a
l
c
l
a
s
s
i
f
i
e
r
s
c
a
n
pr
o
vi
de
s
t
r
on
g,
e
x
p
l
a
i
na
bl
e
,
a
n
d
c
o
m
put
a
t
i
o
n
a
ll
y
e
f
f
i
c
i
e
n
t
a
l
t
e
r
n
a
t
i
v
e
s
f
o
r
c
a
r
d
i
o
v
a
s
c
u
l
a
r
pr
o
gn
o
s
i
s
.
I
n
a
s
t
udy
,
by
Ab
du
ll
a
hi
e
t
al.
[
14]
t
h
e
f
o
c
us
wa
s
o
n
u
t
i
li
z
i
ng
a
d
v
a
n
c
e
d
f
e
a
t
ur
e
s
e
l
e
c
t
i
o
n
m
e
t
h
o
ds
f
o
r
pr
e
di
c
t
i
n
g
c
a
r
d
i
o
v
a
s
c
u
l
a
r
d
i
s
e
a
s
e
.
T
h
e
r
e
s
e
a
r
c
h
c
o
m
pa
r
e
d
t
h
e
e
f
f
e
c
t
i
v
e
n
e
s
s
o
f
wr
a
ppe
r
m
e
t
h
o
d
a
n
d
f
il
t
e
r
m
e
t
h
o
d
wi
t
h
t
h
e
wr
a
ppe
r
m
e
t
h
o
d
s
h
o
w
i
n
g
pe
r
f
o
r
m
a
n
c
e
,
i
n
e
nh
a
n
c
i
ng
m
o
de
l
a
c
c
ur
a
c
y
.
T
h
e
a
c
c
ur
a
c
y
o
f
a
m
o
de
l
de
pe
n
ds
o
n
h
o
w
we
l
l
t
h
e
da
t
a
s
e
t
i
s
pr
e
pr
o
c
e
s
s
e
d,
i
n
c
o
r
por
a
t
i
n
g
v
a
r
i
o
u
s
f
e
a
t
ur
e
s
e
l
e
c
t
i
o
n
t
e
c
hni
que
s
a
n
d
s
e
l
e
c
t
i
n
g
t
h
e
b
e
s
t
m
o
de
l
.
U
n
de
r
s
t
a
n
d
i
ng
C
V
Ds
i
s
c
r
uc
i
a
l
f
o
r
he
a
l
t
h
c
a
r
e
s
y
s
t
e
m
s
a
n
d
s
o
c
i
e
t
i
e
s
due
t
o
t
h
e
i
r
i
n
t
r
i
c
a
t
e
i
n
t
e
r
p
l
a
y
o
f
r
i
s
k
f
a
c
t
o
r
s
,
un
de
r
l
yi
ng
m
e
c
ha
ni
s
m
s
,
a
nd
d
i
v
e
r
s
e
o
u
t
c
o
m
e
s
.
E
xi
s
t
i
n
g
m
e
t
h
o
ds
o
f
C
VD
pr
o
gn
o
s
i
s
o
f
t
e
n
s
t
r
uggl
e
w
i
t
h
f
e
a
t
ur
e
s
e
l
e
c
t
i
o
n
a
n
d
m
o
de
l
c
h
o
i
c
e
,
l
e
a
d
i
ng
t
o
s
ub
o
pt
i
m
a
l
pr
e
d
i
c
t
i
v
e
pe
r
f
o
r
m
a
n
c
e
.
T
hi
s
s
t
ud
y
a
ddr
e
s
s
e
s
t
hi
s
ga
p
by
i
n
t
r
o
duc
i
n
g
c
a
r
d
i
o
-
m
e
t
a
s
t
a
c
k
,
a
m
e
t
a
c
l
a
s
s
i
f
i
e
r
e
ns
e
m
b
l
e
a
ppr
o
a
c
h
t
h
a
t
l
e
v
e
r
a
ge
s
s
t
a
c
ki
n
g,
f
e
a
t
ur
e
i
m
po
r
t
a
n
c
e
,
a
n
d
o
u
t
l
i
e
r
de
t
e
c
t
i
o
n
f
o
r
e
nh
a
nc
e
d
f
e
a
t
ur
e
s
e
l
e
c
t
i
o
n
.
Our
m
e
t
h
o
d
de
m
o
n
s
t
r
a
t
e
s
i
m
pr
o
v
e
d
pe
r
f
o
r
m
a
n
c
e
i
n
C
VD
pr
o
gn
o
s
i
s
by
:
a
)
S
e
l
e
c
t
i
n
g
t
h
e
m
o
s
t
r
e
l
e
v
a
n
t
f
e
a
t
ur
e
s
f
r
o
m
a
c
o
m
p
r
e
h
e
n
s
i
ve
da
t
a
s
e
t
;
b
)
C
o
m
bi
n
i
ng
t
h
e
s
tr
e
n
gt
h
s
o
f
m
u
l
t
i
p
l
e
c
l
a
s
s
if
i
e
r
s
t
h
r
o
ugh
s
t
a
c
k
i
n
g
a
n
d
m
e
t
a
-
c
l
a
s
s
i
f
i
e
r
s
e
l
e
c
t
i
o
n
;
c
)
I
de
n
t
i
f
yi
ng
n
o
v
e
l
p
a
tt
e
r
n
s
a
n
d
r
e
l
a
t
i
o
ns
hi
p
s
i
n
t
h
e
da
t
a
s
e
t
,
de
m
o
n
s
t
r
a
t
i
n
g
t
h
e
e
f
f
e
c
t
i
v
e
ne
s
s
o
f
c
a
r
di
o
-
m
e
t
a
s
t
a
c
k
i
n
C
VD
pr
o
gn
o
s
i
s
.
T
h
e
r
e
m
a
i
n
i
ng
s
e
c
t
i
o
n
o
f
pa
pe
r
i
s
o
r
ga
ni
z
e
d
a
s
f
o
ll
o
ws
.
S
e
c
t
i
o
n
2
c
o
v
e
r
s
de
t
a
i
l
e
d
o
v
e
r
vi
e
w
o
f
o
ur
pr
o
p
o
s
e
d
c
a
r
di
o
-
m
e
t
a
s
t
a
c
k
m
o
de
l
,
i
n
c
l
ud
i
ng
a
pr
o
bl
e
m
s
t
a
t
e
m
e
n
t
,
da
t
a
s
e
t
de
s
c
r
i
pt
i
o
n
,
a
n
d
m
e
t
ho
d
o
l
o
g
y
.
S
e
c
t
i
o
n
3
de
l
v
e
s
i
n
t
o
t
h
e
r
e
s
u
l
t
s
o
f
o
ur
s
t
udy
,
f
e
a
t
ur
i
n
g
a
n
a
n
a
ly
s
i
s
o
f
M
L
m
o
de
l
s
t
a
c
k
i
n
g
l
e
v
e
l
s
,
t
h
e
i
r
c
o
r
r
e
s
po
n
d
i
n
g
a
c
c
ur
a
c
i
e
s
,
a
n
d
a
c
o
m
pr
e
h
e
ns
i
ve
e
v
a
l
ua
t
i
o
n
o
f
o
ur
a
ppr
o
a
c
h
.
S
e
c
t
i
o
n
4
s
u
mm
a
r
i
z
e
s
t
h
e
ke
y
f
i
nd
i
n
g
s
,
hi
g
hli
g
h
t
i
n
g
t
h
e
s
i
g
ni
f
i
c
a
n
c
e
o
f
o
u
r
c
o
n
tr
i
b
ut
i
o
ns
,
di
s
c
us
s
i
ng
t
h
e
p
ot
e
n
t
i
a
l
im
p
li
c
a
t
i
o
n
s
a
nd
f
ut
ur
e
d
i
r
e
c
t
i
o
n
s
o
f
o
ur
r
e
s
e
a
r
c
h
.
2.
P
ROP
OS
E
D
M
ODE
L
2.
1.
P
r
ob
lem
s
t
at
e
m
e
n
t
De
s
p
i
t
e
s
i
g
nif
i
c
a
n
t
a
dv
a
nc
e
m
e
n
t
s
i
n
m
e
d
i
c
a
l
s
c
i
e
n
c
e
,
c
a
r
d
i
o
v
a
s
c
u
l
a
r
d
i
s
e
a
s
e
s
r
e
m
a
i
n
a
pr
o
m
i
ne
n
t
g
l
o
b
a
l
t
h
r
e
a
t
to
l
i
f
e
.
I
de
n
t
i
f
yi
ng
hi
g
h
-
r
i
s
k
i
n
d
i
v
i
d
ua
l
s
i
n
a
t
i
m
e
ly
m
a
nn
e
r
a
n
d
a
c
c
ur
a
t
e
l
y
pr
o
gn
o
s
i
ng
c
a
r
di
a
c
il
l
ne
s
s
e
s
a
r
e
c
r
uc
i
a
l
t
a
s
ks
.
Ho
we
v
e
r
,
pr
e
v
a
l
e
n
t
r
i
s
k
a
s
s
e
s
s
m
e
n
t
t
e
c
hni
que
s
o
f
t
e
n
l
a
c
k
t
h
e
n
e
c
e
s
s
a
r
y
gr
a
n
u
l
a
r
i
t
y
to
de
t
e
c
t
s
ub
t
l
e
y
e
t
i
m
pa
c
t
f
u
l
r
i
s
k
f
a
c
t
o
r
s
,
l
e
a
d
i
n
g
to
m
i
s
s
e
d
o
ppo
r
tuni
t
i
e
s
f
o
r
e
a
r
l
y
i
n
t
e
r
v
e
n
t
i
o
n
.
2.
2.
Dat
as
e
t
d
e
s
c
r
ip
t
ion
T
h
e
da
t
a
s
e
t
us
e
d
i
s
a
f
us
i
o
n
o
f
5
s
e
pa
r
a
t
e
da
t
a
s
e
t
s
:
C
l
e
ve
l
a
n
d,
Hun
ga
r
y
,
S
w
i
t
z
e
r
l
a
n
d,
VA
L
o
n
g
B
e
a
c
h
,
a
n
d
S
t
a
t
l
o
g
[
15
]
.
T
hi
s
m
e
r
ge
d
da
t
a
s
e
t
c
on
s
i
s
t
s
o
f
1190
pa
t
i
e
n
t
r
e
c
o
r
ds
,
e
n
c
o
m
pa
s
s
i
ng
1
1
a
tt
r
i
b
ut
e
s
a
n
d
1
t
a
r
ge
t
a
tt
r
i
b
ut
e
.
W
i
t
hi
n
t
hi
s
da
t
a
s
e
t
,
a
c
l
a
s
s
v
a
l
u
e
o
f
0
de
n
ot
e
s
t
h
e
a
b
s
e
n
c
e
o
f
he
a
r
t
di
s
e
a
s
e
,
whi
l
e
a
c
l
a
s
s
v
a
l
u
e
o
f
1
s
i
g
ni
f
i
e
s
i
t
s
pr
e
s
e
n
c
e
.
T
o
a
ddr
e
s
s
m
i
s
s
i
ng
v
a
l
ue
s
i
n
t
h
e
da
t
a
s
e
t
s
,
we
i
m
p
l
e
m
e
n
t
e
d
th
e
m
e
a
n
r
e
p
l
a
c
e
m
e
n
t
t
e
c
h
ni
que
.
F
o
l
l
o
w
i
ng
t
hi
s
,
we
u
t
i
li
z
e
d
t
h
e
s
k
l
e
a
r
n
t
r
a
i
n
-
t
e
s
t
s
p
l
i
t
l
i
b
r
a
r
y
t
o
di
vi
de
t
h
e
da
tas
e
t
i
n
t
o
t
r
a
i
ni
ng
a
n
d
t
e
s
t
s
e
t
s
,
e
n
s
ur
i
n
g
a
n
80:20
s
p
l
i
t
r
a
t
i
o
.
T
a
bl
e
1
g
i
v
e
s
c
o
m
p
l
e
t
e
de
s
c
r
i
pt
i
o
n
o
f
a
n
a
ly
s
i
s
o
f
da
t
a
s
e
t.
Evaluation Warning : The document was created with Spire.PDF for Python.
I
S
S
N
:
2502
-
4752
I
n
do
n
e
s
i
a
n
J
E
l
e
c
E
n
g
&
C
o
m
p
S
c
i
,
Vo
l
.
40
,
N
o
.
3
,
De
c
em
b
e
r
20
25
:
1
630
-
1
637
1632
T
a
bl
e
1.
E
x
p
l
o
r
a
to
r
y
a
n
a
ly
s
i
s
o
f
da
t
a
s
e
t
P
a
r
a
me
t
e
r
D
e
ta
il
s
T
ot
a
l
c
o
unt
of
da
ta
be
f
or
e
t
r
a
in
_t
e
s
t
s
pl
it
ti
ng
(
R
o
w
s
:
1190, C
o
lu
mns
:
11)
S
e
l
e
c
te
d
f
e
a
tu
r
e
s
A
ge
, S
e
x
, C
he
s
t
pa
in
t
y
pe
,
r
e
s
ti
ng bp, c
h
o
l
e
s
te
r
o
l,
f
a
s
ti
ng bl
oo
d
s
uga
r
, ma
x
he
a
r
t
r
a
t
e
,
e
x
e
r
c
is
e
a
ngi
na
,
o
ld
pe
a
k a
nd r
e
s
ti
ng s
lo
p
e
E
xc
lu
d
e
d
f
e
a
tu
r
e
R
e
s
ti
ng E
C
G
A
ppl
y
in
g t
h
e
d
e
ns
it
y
-
ba
s
e
d s
pa
ti
a
l
c
lu
s
te
r
in
g
of
a
ppl
i
c
a
ti
o
ns
w
it
h nois
e
(
D
B
S
C
A
N
)
I
de
nt
i
f
ie
d a
nd
r
e
m
ove
d 6
o
ut
l
ie
r
s
us
in
g
D
B
S
C
A
N
o
n A
g
e
a
nd
ma
x
h
e
a
r
t
r
a
t
e
,
F
B
S
,
a
nd R
e
s
ti
ng
B
P
F
in
a
l
pr
o
c
e
s
s
e
d da
ta
s
e
t
T
h
e
F
in
a
li
z
e
d s
iz
e
(
1184 r
e
c
or
ds
,
10
f
e
a
tu
r
e
s
)
2.
3.
Car
d
io
-
m
e
t
a
-
s
t
ac
k
a
r
c
h
it
e
c
t
u
r
e
-
p
r
op
os
e
d
ar
c
h
it
e
c
t
u
r
e
F
i
gur
e
1
i
ll
us
t
r
a
t
e
s
t
h
e
pr
o
p
o
s
e
d
s
t
a
c
k
i
n
g
a
ppr
o
a
c
h
,
de
pi
c
t
i
n
g
t
h
e
s
ugge
s
t
e
d
a
r
c
hi
t
e
c
t
ur
e
.
T
h
e
s
t
udy
’
s
im
p
l
e
m
e
n
t
a
t
i
o
n
pr
o
c
e
s
s
i
nc
l
ude
s
v
a
r
i
o
us
ke
y
s
t
e
ps
a
im
e
d
a
t
e
f
f
i
c
i
e
n
t
l
y
pr
e
d
i
c
t
i
n
g
a
n
i
nd
i
v
i
dua
l
’
s
pr
o
pe
n
s
i
t
y
f
o
r
c
a
r
d
i
o
v
a
s
c
u
l
a
r
e
v
e
n
t
s
b
a
s
e
d
o
n
r
e
l
e
v
a
n
t
r
i
s
k
f
a
c
t
or
s
.
Da
t
a
i
m
po
r
t
a
t
i
o
n
a
n
d
h
a
n
d
li
ng
m
i
s
s
i
ng
v
a
l
ue
s
t
h
r
o
ugh
m
e
a
n
r
e
p
l
a
c
e
m
e
n
t
t
e
c
hni
qu
e
.
F
o
l
lo
wi
n
g
da
t
a
pr
e
pr
o
c
e
s
s
i
ng,
t
h
e
f
e
a
t
ur
e
s
e
l
e
c
t
i
o
n
p
r
o
c
e
s
s
i
s
i
n
i
t
i
a
t
e
d
to
e
n
h
a
n
c
e
m
o
de
l
a
c
c
ur
a
c
y
a
n
d
r
e
duc
e
c
o
m
put
a
t
i
o
n
a
l
c
o
m
p
l
e
xi
t
y
.
F
e
a
t
ur
e
s
e
l
e
c
t
i
o
n
i
s
a
c
c
o
m
p
li
s
h
e
d
by
e
m
p
l
o
yi
ng
t
h
e
‘
F
e
a
t
ur
e
I
m
po
r
t
a
n
c
e
’
t
e
c
hni
qu
e
,
whi
c
h
i
d
e
n
t
i
f
i
e
s
ke
y
f
e
a
t
ur
e
s
ba
s
e
d
o
n
t
h
e
i
r
a
t
t
r
i
b
ut
e
’
s
p
-
s
c
o
r
e
a
s
s
h
o
wn
i
n
F
i
gur
e
2.
E
a
c
h
a
tt
r
i
b
ut
e
i
s
a
s
s
i
g
n
e
d
f
e
a
t
ur
e
i
m
po
r
t
a
n
c
e
s
c
o
r
e
s
,
w
i
t
h
hi
g
he
r
s
c
o
r
e
s
i
nd
i
c
a
t
i
n
g
gr
e
a
t
e
r
r
e
l
e
v
a
n
c
e
t
o
t
h
e
f
i
na
l
pr
e
d
i
c
t
i
o
n
.
Ou
t
l
i
e
r
de
t
e
c
t
i
o
n
a
n
d
e
li
mi
na
t
i
o
n
a
r
e
c
a
r
r
i
e
d
o
ut
u
s
i
n
g
t
h
e
DB
S
C
A
N
-
ba
s
e
d
a
l
go
r
i
t
hm
o
n
t
h
e
s
e
l
e
c
t
e
d
f
e
a
t
ur
e
s
.
C
l
a
s
s
i
f
i
c
a
t
i
o
n
o
f
t
h
e
da
t
a
s
e
t
a
n
d
pr
e
di
c
t
i
o
n
a
r
e
pe
r
f
o
r
m
e
d
us
i
n
g
t
h
e
XG
B
o
o
s
t
-
b
a
s
e
d
b
o
o
s
t
i
n
g
a
l
go
r
i
t
hm
[
16
]
.
C
o
m
pa
r
a
t
i
v
e
a
n
a
ly
s
i
s
b
e
t
we
e
n
t
h
e
i
n
d
i
v
i
dua
l
XG
B
o
o
s
t
c
l
a
s
s
if
i
e
r
a
n
d
t
h
e
s
t
a
c
k
i
n
g
t
e
c
hni
que
i
s
pe
r
f
o
r
m
e
d,
s
e
l
e
c
t
i
n
g
t
h
e
c
l
a
s
s
if
i
e
r
w
i
t
h
t
h
e
hi
g
h
e
r
a
c
c
ur
a
c
y
s
c
o
r
e
.
F
i
gur
e
1.
P
r
o
p
o
s
e
d
a
r
c
hi
t
e
c
t
ur
e
F
i
gur
e
2.
F
e
a
t
ur
e
i
m
po
r
t
a
n
c
e
s
c
o
r
e
s
Evaluation Warning : The document was created with Spire.PDF for Python.
I
n
do
n
e
s
i
a
n
J
E
l
e
c
E
n
g
&
C
o
m
p
S
c
i
I
S
S
N:
2502
-
4752
C
ar
dio
me
ta
-
s
tack
:
a
me
ta
-
c
las
s
if
ier
e
ns
e
mble
f
or
e
nhanc
e
d
c
ar
diovas
c
ula
r
…
(
S
w
e
tha
S.
)
1633
2.
4
.
F
ive
l
e
ve
l
s
t
ac
k
in
g
S
t
a
c
ki
n
g,
a
n
e
n
s
e
m
bl
e
l
e
a
r
ni
ng
m
e
t
h
o
d,
c
o
n
s
t
r
uc
ts
a
n
o
v
e
l
m
o
de
l
by
m
e
r
g
i
ng
t
h
e
pr
e
di
c
t
i
o
n
s
f
r
o
m
v
a
r
i
o
us
n
o
de
s
.
T
hi
s
r
e
s
u
l
t
a
n
t
m
o
de
l
i
s
t
h
e
n
e
m
p
l
o
y
e
d
t
o
m
a
k
e
pr
e
d
i
c
t
i
o
n
s
o
n
t
h
e
t
e
s
t
da
t
a
s
e
t.
I
n
t
h
e
pr
o
p
o
s
e
d
s
t
udy
,
a
s
t
a
c
k
i
n
g
a
ppr
o
a
c
h
i
s
e
m
p
l
o
y
e
d
e
m
p
l
o
yi
n
g
5
c
l
a
s
s
i
f
i
e
r
s
a
s
s
h
o
wn
i
n
F
i
gur
e
3
.
T
hi
s
t
e
c
hni
q
ue
a
i
d
s
i
n
a
l
l
e
vi
a
t
i
n
g
bi
a
s
e
s
a
n
d
s
h
o
r
t
c
o
m
i
ng
s
i
nhe
r
e
n
t
i
n
i
n
d
i
v
i
dua
l
m
o
de
l
s
by
c
o
ns
o
l
o
l
i
d
a
t
i
n
g
t
h
e
i
r
s
t
r
e
n
gt
h
s
,
t
h
e
r
e
b
y
a
ug
m
e
n
t
i
n
g
pr
e
d
i
c
t
i
v
e
a
c
c
ur
a
c
y
.
T
h
e
pr
o
p
o
s
e
d
s
t
a
c
ki
n
g
pr
o
c
e
dur
e
c
a
r
di
o
-
m
e
t
a
-
s
t
a
c
k
,
i
s
de
t
a
i
l
e
d
i
n
Al
go
r
i
t
hm
1.
F
i
gur
e
3.
L
e
v
e
l
5
s
t
a
c
k
m
o
de
l
Al
go
r
i
t
hm
1
.
C
a
r
d
i
o
-
m
e
t
a
-
s
t
a
c
k
Input: Train
(Dataset Training)
Input: Validation (Dataset Validation)
Input: Test (Dataset Testing)
Output: predictions (Predictions on Test set)
Models: S = {RF, DT, NB, ET, NN}
meta_features = []
# Training base models
For each model_type in S:
Train base mode
l model_type on Train
# Generating predictions on validation set
preds_val = Predictions of model_type on Validation
Append preds_val to meta_features
# Training meta
-
model
Train meta
-
model RF on meta_features and Validation
# Generating pre
dictions on test set
meta_features_test = []
For each model_type in S:
preds_test = Predictions of model_type on Test
Append preds_test to meta_features_test
predictions = Predictions of meta
-
model on meta_features_test
3.
RE
S
UL
T
S
AN
D
DI
S
CU
S
S
I
ON
3.
1.
E
x
p
e
r
im
e
n
t
a
l
s
e
t
u
p
T
h
e
ke
y
o
bj
e
c
t
i
v
e
o
f
t
hi
s
r
e
s
e
a
r
c
h
i
s
t
o
e
f
f
i
c
ien
t
l
y
f
o
r
e
c
a
s
t
a
n
i
nd
i
v
i
dua
l
’
s
s
u
s
c
e
pt
i
bil
i
t
y
t
o
c
a
r
d
i
o
v
a
s
c
u
l
a
r
e
v
e
n
t
s
b
a
s
e
d
o
n
r
e
l
e
v
a
n
t
r
i
s
k
f
a
c
to
r
s
.
Al
l
e
x
pe
r
im
e
n
t
s
we
r
e
pe
r
f
o
r
m
e
d
us
i
ng
P
y
t
h
o
n
3.
8
(
An
a
c
o
n
da
3)
a
n
d
Ope
nC
V
-
P
y
t
h
o
n
.
3
.
2.
L
e
ve
l
s
of
M
L
m
od
e
l
s
t
ac
k
in
g
an
d
t
h
e
ir
ac
c
u
r
ac
ie
s
T
h
e
s
t
a
c
k
i
n
g
t
e
c
hni
que
wa
s
e
m
p
l
o
y
e
d
w
i
t
h
v
a
r
i
o
us
l
e
v
e
l
s
a
n
d
c
o
m
bi
na
t
i
o
ns
o
f
d
if
f
e
r
e
n
t
m
o
de
l
s
a
t
e
a
c
h
l
e
v
e
l
.
R
a
n
do
m
f
o
r
e
s
t
(
R
F
)
wa
s
c
h
o
s
e
n
a
s
t
h
e
f
i
na
l
e
s
t
i
m
a
t
o
r
a
c
r
o
s
s
a
l
l
t
h
e
l
e
v
e
l
s
.
T
h
e
hi
g
h
e
s
t
a
c
c
ur
a
c
y
Evaluation Warning : The document was created with Spire.PDF for Python.
I
S
S
N
:
2502
-
4752
I
n
do
n
e
s
i
a
n
J
E
l
e
c
E
n
g
&
C
o
m
p
S
c
i
,
Vo
l
.
40
,
N
o
.
3
,
De
c
em
b
e
r
20
25
:
1
630
-
1
637
1634
o
f
9
4.
91
%
wa
s
a
t
t
a
i
n
e
d
a
t
l
e
v
e
l
5.
T
h
e
c
o
m
bi
na
t
i
o
n
s
o
f
c
l
a
s
s
if
i
e
r
s
a
r
e
a
s
s
h
o
wn
i
n
T
a
bl
e
2.
De
s
p
i
t
e
e
x
p
l
o
r
i
ng
upto
l
e
v
e
l
7,
i
t
i
s
o
b
s
e
r
v
e
d
t
h
a
t
l
e
v
e
l
5
pr
o
vi
d
e
d
t
h
e
o
p
t
i
m
a
l
ba
l
a
n
c
e
b
e
t
we
e
n
m
o
de
l
c
o
m
p
l
e
xi
t
y
a
n
d
pr
e
d
i
c
t
i
v
e
pe
r
f
o
r
m
a
nc
e
.
T
a
bl
e
3
pr
e
s
e
n
t
s
a
c
o
m
pa
r
a
t
i
v
e
a
na
ly
s
i
s
o
f
t
h
e
pr
o
p
o
s
e
d
m
e
t
h
o
d
wi
t
h
e
xi
s
t
i
n
g
t
e
c
h
ni
que
s
.
T
a
bl
e
4
s
u
m
m
a
r
i
z
e
s
t
h
e
pe
r
f
o
r
m
a
n
c
e
m
e
t
r
i
c
s
,
s
h
o
w
i
n
g
t
h
a
t
t
h
e
s
t
a
c
k
i
n
g
m
o
de
l
o
ut
pe
r
f
o
r
m
s
t
h
e
XG
B
o
o
s
t
c
l
a
s
s
i
f
i
e
r
.
F
i
gur
e
3
a
n
d
F
i
gur
e
4
pr
e
s
e
n
t
s
t
h
e
c
o
nf
u
s
i
o
n
m
a
t
r
i
x
o
b
t
a
i
n
e
d
by
c
o
m
pa
r
i
ng
5
l
e
v
e
l
s
t
a
c
k
i
n
g
a
n
d
XG
b
o
o
s
t
a
l
go
r
i
t
hm
.
F
i
gur
e
5
de
p
i
c
t
s
t
h
e
a
c
c
ur
a
c
y
o
f
b
o
t
h
t
e
c
hni
qu
e
s
.
W
e
f
o
u
n
d
t
h
a
t
i
nc
r
e
a
s
i
ng
t
h
e
s
t
a
c
k
i
n
g
l
e
v
e
l
up
t
o
5
c
or
r
e
l
a
t
e
s
w
i
t
h
i
m
pr
o
v
e
d
a
c
c
ur
a
c
y
,
r
e
a
c
hi
ng
9
4.
91
%
a
t
l
e
v
e
l
5.
T
h
e
pr
o
p
o
s
e
d
m
e
t
h
o
d
t
e
n
ds
to
h
a
ve
a
hi
g
he
r
pr
o
p
o
r
t
i
o
n
o
f
a
c
c
ur
a
t
e
p
r
e
di
c
t
i
o
n
s
a
s
t
h
e
s
t
a
c
k
i
n
g
l
e
ve
l
i
nc
r
e
a
s
e
s
,
w
i
t
h
l
e
v
e
l
5
pr
o
vi
d
i
ng
t
h
e
o
p
t
i
m
a
l
b
a
l
a
n
c
e
be
t
we
e
n
m
o
de
l
c
o
m
p
l
e
xi
t
y
a
n
d
p
r
e
d
i
c
t
i
v
e
pe
r
f
o
r
m
a
n
c
e
.
T
a
bl
e
2
.
P
e
r
f
o
r
m
a
nc
e
o
f
M
L
m
o
de
l
s
t
a
c
k
i
n
g
a
t
v
a
r
i
o
us
l
e
v
e
l
s
L
e
ve
ls
of
M
L
m
o
d
e
l
s
ta
c
ki
ng
M
L
m
o
d
e
ls
-
>
F
in
a
l
e
s
ti
ma
t
or
R
F
A
c
c
u
r
a
c
y
(
%
)
L
e
ve
l
1
LR
78.48
L
e
ve
l
2
L
R
+
D
T
85.23
L
e
ve
l
3
L
R
+
D
T
+
N
B
86.92
L
e
ve
l
4
L
R
+
D
T
+
N
B
+
S
V
M
89.87
L
e
ve
l
5
L
R
+
D
T
+
N
B
+
E
T
+
M
L
P
94.91
L
e
ve
l
6
L
R
+
D
T
+
N
B
+
E
T
+
M
L
P
+
S
V
M
93.25
L
e
ve
l
7
L
R
+
D
T
+
N
B
+
E
T
+
M
L
P
+
S
V
M
+
K
N
N
92.83
T
a
bl
e
3.
C
o
m
pa
r
i
s
i
o
n
o
f
p
r
o
p
o
s
e
d
m
e
t
h
o
d
w
i
t
h
d
i
f
f
e
r
e
n
t
t
e
c
h
ni
que
s
A
ut
ho
r
a
nd
y
e
a
r
T
e
c
hni
qu
e
A
c
c
.
(
%
)
B
a
s
hi
r
et
al
.
[
17]
2021
E
ns
e
mbl
e
vo
ti
ng s
c
h
e
m
e
83
R
a
ni
et
al
.
[
18]
2021
6 H
y
br
id
c
la
s
s
i
f
ie
r
s
86.6
K
a
v
it
ha
et
al
.
[
19]
2022
R
F
+
D
T
+
H
y
b
r
id
88.7
S
a
r
a
n
y
a
a
nd P
r
a
v
in
[
20
]
202
3
R
F
+
F
S
F
C
A
o
mi
tt
in
g 5
f
e
a
tu
r
e
s
W
it
ho
ut
o
mi
t
ti
ng
f
e
a
tu
r
e
s
81.1
86.1
A
lz
uba
id
i
e
t
al
.
[
21]
2022
B
a
ggi
ng
e
ns
e
mbl
e
89.3
B
udh
o
li
y
a
et
al
.
[
22]
2022
H
y
p
e
r
tu
ni
ng X
G
b
oo
s
t+
B
a
y
e
s
ia
n
o
pt
im
i
z
a
ti
o
n
91.8
R
a
je
ndr
a
n
a
nd K
a
r
th
i
[
23]
2022
E
ns
e
mbl
e
(
L
R
+
N
B
)
92.7
O
z
c
a
n
a
nd P
e
k
e
r
[
24
]
2023
C
A
R
T
c
la
s
s
if
i
c
a
ti
o
n
87.2
U
ddi
n
e
t
al
.
[
25]
2022
B
oo
s
ti
ng
e
ns
e
mbl
e
91.1
P
r
o
p
o
s
e
d
F
e
a
tu
r
e
i
mp
o
r
ta
nc
e
+
5 l
e
ve
l
s
ta
c
ki
ng
t
e
c
hni
qu
e
94.91
T
a
bl
e
4.
P
e
r
f
o
r
m
a
nc
e
m
e
t
r
i
c
s
o
f
s
t
a
c
k
i
n
g
vs
XG
B
oo
s
t
M
e
tr
i
c
(
%
)
S
ta
c
ki
ng
(
%
)
X
G
B
oo
s
t
(
%
)
A
c
c
u
r
a
c
y
94.91
90.45
P
r
e
c
is
i
o
n
94.18
89.75
R
e
c
a
ll
95.53
92.50
F1
-
s
c
o
r
e
94.97
91.13
F
i
gur
e
4.
C
o
nf
u
s
i
o
n
m
a
t
r
i
x
o
f
pr
o
p
o
s
e
d
s
t
a
c
ki
n
g
vs
XG
B
o
o
s
t
Evaluation Warning : The document was created with Spire.PDF for Python.
I
n
do
n
e
s
i
a
n
J
E
l
e
c
E
n
g
&
C
o
m
p
S
c
i
I
S
S
N:
2502
-
4752
C
ar
dio
me
ta
-
s
tack
:
a
me
ta
-
c
las
s
if
ier
e
ns
e
mble
f
or
e
nhanc
e
d
c
ar
diovas
c
ula
r
…
(
S
w
e
tha
S.
)
1635
F
i
gur
e
5
.
C
o
m
pa
r
i
s
i
o
n
o
f
XG
B
OO
S
T
a
n
d
s
t
a
c
k
i
n
g
m
o
de
l
s
’
a
c
c
ur
a
c
y
r
e
s
u
l
t
s
4.
CONC
L
USI
ON
I
n
c
o
n
c
l
us
i
o
n
,
o
ur
s
t
udy
s
uc
c
e
s
s
f
u
l
ly
d
e
m
o
n
s
t
r
a
t
e
d
t
h
e
e
f
f
e
c
t
i
v
e
n
e
s
s
o
f
t
h
e
RF
b
a
s
e
d
c
a
r
d
i
o
m
e
t
a
-
c
l
a
s
s
if
i
e
r
a
ppr
o
a
c
h
i
n
e
a
r
l
y
-
s
t
a
ge
pr
e
d
i
c
t
i
o
n
o
f
he
a
r
t
di
s
e
a
s
e
,
w
i
t
h
t
h
e
u
l
t
i
m
a
t
e
go
a
l
o
f
r
e
duc
i
n
g
m
o
r
t
a
l
i
t
y
r
a
t
e
s
a
s
s
o
c
i
a
t
e
d
w
i
t
h
t
hi
s
pr
e
v
a
l
e
n
t
c
a
us
e
o
f
de
a
t
h
.
B
y
l
e
v
e
r
a
g
i
ng
t
h
e
f
e
a
t
ur
e
i
m
po
r
t
a
n
c
e
a
ppr
oa
c
h
a
n
d
DB
S
C
A
N
m
e
t
h
o
d,
we
i
de
n
t
i
f
i
e
d
s
i
g
nif
i
c
a
n
t
r
i
s
k
f
a
c
t
o
r
s
a
n
d
e
l
im
i
na
t
e
d
o
u
t
l
i
e
r
s
,
e
n
s
ur
i
ng
a
r
o
b
us
t
da
t
a
s
e
t.
Our
e
n
s
e
m
b
l
e
o
f
c
l
a
s
s
i
f
i
e
r
s
,
t
r
a
i
n
e
d
o
n
f
i
ve
pu
bli
c
ly
a
v
a
il
a
bl
e
da
t
a
s
e
t
s
(
S
wi
t
z
e
r
l
a
n
d,
C
l
e
v
e
l
a
n
d,
S
t
a
t
l
o
g,
Hun
ga
r
i
a
n
,
a
n
d
L
o
n
g
B
e
a
c
h
)
f
r
o
m
Ka
gg
l
e
,
a
c
hiev
e
d
s
upe
r
i
o
r
pe
r
f
o
r
m
a
n
c
e
o
v
e
r
t
h
e
XG
B
c
l
a
s
s
if
i
e
r
,
w
i
t
h
a
c
c
ur
a
c
i
e
s
o
f
9
0.
45
%
a
n
d
9
4.
91
%
,
r
e
s
pe
c
t
i
v
e
ly
.
Our
s
t
udy
s
ugge
s
t
s
t
h
a
t
us
i
n
g
RF
a
s
t
h
e
f
i
na
l
e
s
t
i
m
a
t
o
r
a
c
r
o
s
s
a
l
l
l
e
ve
l
s
i
s
a
s
s
o
c
i
a
t
e
d
wi
t
h
i
m
pr
o
v
e
d
pe
r
f
o
r
m
a
n
c
e
,
unli
ke
ot
h
e
r
t
e
c
h
ni
que
s
t
h
a
t
m
a
y
s
u
f
f
e
r
f
r
o
m
poo
r
pe
r
f
o
r
m
a
n
c
e
w
i
t
h
i
n
c
r
e
a
s
e
d
c
o
m
p
l
e
xi
t
y
.
T
h
e
pr
o
p
o
s
e
d
m
e
t
h
o
d
m
a
y
be
n
e
f
i
t
f
r
o
m
f
ur
t
h
e
r
e
x
p
l
o
r
a
t
i
o
n
o
f
s
t
a
c
k
i
n
g
l
e
ve
l
s
a
n
d
c
l
a
s
s
i
f
i
e
r
c
o
m
bi
na
t
i
o
n
s
w
i
t
h
o
ut
a
dv
e
r
s
e
l
y
im
pa
c
t
i
n
g
a
c
c
ur
a
c
y
.
T
h
e
i
m
p
li
c
a
t
i
o
ns
o
f
o
ur
f
i
nd
i
n
g
s
a
r
e
pr
o
f
o
un
d,
o
f
f
e
r
i
ng
a
pr
o
m
i
s
i
ng
s
o
l
ut
i
o
n
f
o
r
e
a
r
l
y
i
n
t
e
r
v
e
n
t
i
o
n
a
n
d
po
t
e
n
t
i
a
ll
y
a
v
e
r
t
i
n
g
f
a
t
a
l
i
t
i
e
s
r
e
s
u
l
t
i
n
g
f
r
o
m
de
l
a
y
e
d
h
e
a
r
t
d
i
s
e
a
s
e
de
t
e
c
t
i
o
n
.
Our
a
ppr
o
a
c
h
c
a
n
f
a
c
il
i
t
a
t
e
pe
r
s
o
n
a
l
i
z
e
d
r
i
s
k
a
s
s
e
s
s
m
e
n
t
,
e
n
a
bli
ng
h
e
a
l
t
h
c
a
r
e
pr
o
f
e
s
s
i
o
n
a
l
s
to
i
de
n
t
i
f
y
hi
g
h
-
r
i
s
k
pa
t
i
e
n
t
s
a
n
d
pr
o
vi
de
t
i
m
e
ly
i
n
t
e
r
ve
n
t
i
o
ns
.
F
ut
ur
e
r
e
s
e
a
r
c
h
i
s
to
e
x
p
l
o
r
e
t
h
i
s
a
ppr
o
a
c
h
to
l
a
r
ge
r
,
m
o
r
e
di
ve
r
s
e
po
pul
a
t
i
o
n
s
a
n
d
i
nv
e
s
t
i
g
a
t
e
t
h
e
i
n
c
o
r
po
r
a
t
i
o
n
o
f
a
dd
i
t
i
o
n
a
l
r
i
s
k
f
a
c
t
o
r
s
.
F
UN
DI
NG
I
N
F
ORM
AT
I
ON
T
h
e
a
ut
h
o
r
s
s
t
a
t
e
n
o
f
un
d
i
ng
i
s
i
nv
o
l
v
e
d.
AU
T
HO
R
CONT
RI
B
UT
I
ONS
S
T
AT
E
M
E
NT
T
hi
s
j
o
ur
n
a
l
u
s
e
s
t
h
e
C
o
n
t
r
i
b
ut
or
R
o
l
e
s
T
a
x
o
n
o
m
y
(
C
R
e
d
i
T
)
to
r
e
c
o
gni
z
e
i
n
d
i
v
i
dua
l
a
ut
h
o
r
c
o
n
t
r
i
b
ut
i
o
ns
,
r
e
duc
e
a
ut
h
or
s
hi
p
d
i
s
put
e
s
,
a
n
d
f
a
c
il
i
t
a
t
e
c
o
l
l
a
b
o
r
a
t
i
o
n
.
Nam
e
of
Aut
h
or
C
M
So
Va
Fo
I
R
D
O
E
Vi
Su
P
Fu
S
we
t
h
a
S
.
S
n
e
h
a
Z
o
l
g
i
ka
r
M
a
nj
u
l
a
S
.
H
.
Ve
n
ugo
pa
l
K
.
R
.
C
:
C
o
n
c
e
pt
ua
li
z
a
ti
o
n
M
:
M
e
th
o
d
o
l
o
g
y
So
:
So
f
twa
r
e
Va
:
Va
li
da
ti
o
n
Fo
:
Fo
r
ma
l
a
na
l
y
s
is
I
:
I
nve
s
ti
ga
ti
o
n
R
:
R
e
s
o
u
r
c
e
s
D
:
D
a
ta
C
ur
a
ti
o
n
O
:
W
r
it
in
g
-
O
r
ig
in
a
l
D
r
a
f
t
E
:
W
r
it
in
g
-
R
e
v
i
e
w
&
E
di
ti
ng
Vi
:
Vi
s
ua
li
z
a
ti
o
n
Su
:
Su
pe
r
v
is
io
n
P
:
P
r
o
j
e
c
t
a
dmi
ni
s
tr
a
ti
o
n
Fu
:
Fu
ndi
ng a
c
qui
s
it
i
o
n
CONF
L
I
CT
OF
I
NT
E
RE
S
T
S
T
AT
E
M
E
NT
A
ut
h
o
r
s
s
t
a
t
e
n
o
c
o
nf
li
c
t
o
f
i
n
t
e
r
e
s
t
.
Evaluation Warning : The document was created with Spire.PDF for Python.
I
S
S
N
:
2502
-
4752
I
n
do
n
e
s
i
a
n
J
E
l
e
c
E
n
g
&
C
o
m
p
S
c
i
,
Vo
l
.
40
,
N
o
.
3
,
De
c
em
b
e
r
20
25
:
1
630
-
1
637
1636
DA
T
A
AV
AI
L
AB
I
L
I
T
Y
T
h
e
da
t
a
t
h
a
t
s
upp
o
r
t
t
h
e
f
i
nd
i
ngs
o
f
t
hi
s
s
t
udy
a
r
e
o
pe
nl
y
a
va
i
l
a
bl
e
i
n
UC
I
M
a
c
hi
ne
l
e
a
r
ni
ng
R
e
po
s
i
t
or
y
(
He
a
r
t
Di
s
e
a
s
e
Da
t
a
s
e
t
)
.
RE
F
E
R
E
NC
E
S
[
1]
O
.
G
a
id
a
i,
Y
.
C
a
o
,
a
nd
S
.
L
o
gi
n
ov
,
“
G
l
o
ba
l
c
a
r
di
ov
a
s
c
ul
a
r
di
s
e
a
s
e
s
de
a
th
r
a
t
e
pr
e
di
c
ti
o
n,”
C
ur
r
e
nt
P
r
obl
e
m
s
in
C
ar
di
ol
ogy
,
vo
l.
48, n
o
. 5, p. 101622, M
a
y
2023, d
oi
:
10.1016/j
.
c
pc
a
r
d
i
o
l.
2
023.101622.
[
2]
S
.
G
h
o
r
a
s
hi
e
t
al
.
“
L
e
ve
r
a
gi
ng
r
e
gr
e
s
s
io
n
a
na
l
y
s
is
t
o
pr
e
di
c
t
ove
r
la
ppi
ng
s
y
mp
t
o
ms
of
c
a
r
di
ov
a
s
c
ul
a
r
di
s
e
a
s
e
s
,”
I
E
E
E
A
c
c
e
s
s
,
vo
l.
11, pp. 60254
–
60266, 2023, d
o
i:
10.1109/AC
C
E
S
S
.2023.3
286311.
[
3]
K
.
K
.
T
e
o
a
nd
T
.
R
a
f
iq
,
“
C
a
r
di
ov
a
s
c
ul
a
r
r
is
k
f
a
c
t
o
r
s
a
nd
pr
e
ve
nt
io
n:
a
pe
r
s
p
e
c
t
i
v
e
f
r
om
de
ve
l
o
pi
ng
c
o
unt
r
ie
s
,”
C
an
adi
an
J
ou
r
nal
of
C
a
r
di
ol
ogy
, v
o
l.
37, n
o
. 5, pp. 733
–
743, M
a
y
2021, d
o
i:
10.1
016/
j.
c
j
c
a
.2021.02.009.
[
4]
C
.
W
.
T
s
a
o
e
t
al
.
“
H
e
a
r
t
di
s
e
a
s
e
a
nd
s
tr
o
k
e
s
ta
ti
s
ti
c
s
—
2023
u
pda
te
:
a
r
e
p
o
r
t
f
r
om
th
e
a
m
e
r
i
c
a
n
h
e
a
r
t
a
s
s
oc
ia
ti
o
n,”
C
ir
c
ul
at
io
n
,
vo
l.
147, n
o
. 8, F
e
b. 2
023, d
o
i:
10.1161/C
I
R
.000000000000112
3.
[
5]
C
o
ns
or
ti
um
G
C
R
,
“
G
l
o
ba
l
e
f
f
e
c
t
of
m
o
di
f
ia
bl
e
r
is
k
f
a
c
t
or
s
on
c
a
r
di
ov
a
s
c
ul
a
r
di
s
e
a
s
e
a
nd
mo
r
ta
li
t
y
,”
N
e
w
E
ngl
and
J
our
nal
o
f
M
e
di
c
in
e
.
, vo
l.
389, n
o
. 14, pp. 1273
–
85, 2023.
[
6]
M
.
S
w
a
th
y
a
nd
K
.
S
a
r
ul
a
dha
,
“
A
c
o
mpa
r
a
ti
ve
s
tu
d
y
of
c
la
s
s
if
ic
a
ti
o
n
a
nd
pr
e
di
c
ti
o
n
of
c
a
r
di
o
-
v
a
s
c
u
la
r
di
s
e
a
s
e
s
(
C
V
D
)
us
in
g
ma
c
hi
ne
le
a
r
ni
ng
a
nd
de
e
p
l
e
a
r
ni
ng
te
c
hni
qu
e
s
,”
I
C
T
E
x
pr
e
s
s
,
v
o
l.
8,
n
o
.
1,
pp.
109
–
116,
M
a
r
.
2022,
do
i:
10.1016/j
.i
c
t
e
.2021.08.021.
[
7]
A
.
K
ha
n,
M
.
Q
ur
e
s
hi
,
M
.
D
a
ni
y
a
l,
a
nd
K
.
T
a
w
ia
h,
“
A
n
ove
l
s
tu
d
y
o
n
ma
c
hi
n
e
l
e
a
r
ni
ng
a
lg
or
it
hm
-
ba
s
e
d
c
a
r
di
ov
a
s
c
ul
a
r
di
s
e
a
s
e
pr
e
di
c
ti
o
n,”
H
e
al
th
&
Soc
ia
l
C
ar
e
i
n t
he
C
om
m
uni
ty
, v
o
l.
2023
, pp. 1
–
10, F
e
b. 2023, d
o
i:
10.1155/2023/
1406060.
[
8]
M
.
P
a
l,
S
.
P
a
r
ij
a
,
G
.
P
a
nda
,
K
.
D
ha
ma
,
a
nd
R
.
K
.
M
o
ha
pa
tr
a
,
“
R
is
k
pr
e
di
c
ti
o
n
of
c
a
r
di
ov
a
s
c
ul
a
r
di
s
e
a
s
e
us
in
g
ma
c
hi
n
e
l
e
a
r
n
in
g
c
la
s
s
if
i
e
r
s
,”
O
pe
n M
e
di
c
in
e
, vo
l.
17, n
o
. 1, pp. 1100
–
1113, J
un.
2022, do
i:
10.1515/m
e
d
-
2022
-
0508.
[
9]
Z
.
N
or
oo
z
i,
A
.
O
r
ooj
i,
a
nd
L
.
E
r
f
a
nni
a
,
“
A
na
l
y
z
in
g
th
e
im
pa
c
t
of
f
e
a
tu
r
e
s
e
l
e
c
t
i
o
n
me
th
o
ds
o
n
ma
c
hi
ne
le
a
r
ni
ng
a
lg
or
it
hms
f
or
he
a
r
t
di
s
e
a
s
e
p
r
e
di
c
ti
o
n,”
Sc
ie
nt
if
ic
R
e
por
ts
, v
o
l.
13, n
o
. 1, p. 2
2588, De
c
. 2023, d
oi
:
10.1038/s
41598
-
023
-
49962
-
w.
[
10]
X
.
X
io
ng,
S
.
Z
ho
ng,
a
nd
Y
.
L
u,
“
S
e
pa
r
a
bl
e
a
nd
r
e
ve
r
s
ib
l
e
da
ta
hi
di
ng
s
c
he
me
f
o
r
m
e
di
c
a
l
im
a
ge
s
us
in
g
mo
di
f
ie
d
L
o
g
is
ti
c
a
nd
in
te
r
p
o
la
ti
o
n,”
B
io
m
e
di
c
al
Si
gnal
P
r
oc
e
s
s
in
g and C
ont
r
ol
, v
o
l.
87, p. 105521, J
a
n. 2024, do
i:
10.1016/j
.bs
pc
.2023.105521.
[
11]
R
.
S
.
F
e
r
na
nde
s
a
nd
J
.
G
.
V
.
M
ir
a
nda
,
“
A
n
a
ge
nt
-
ba
s
e
d
mo
d
e
l
f
o
r
s
tu
d
y
in
g
th
e
te
mpe
r
a
tu
r
e
c
ha
ng
e
s
o
n
e
n
v
ir
o
nm
e
nt
s
e
x
p
o
s
e
d
to
ma
gne
ti
c
f
lu
id
h
y
p
e
r
th
e
r
mi
a
,”
C
om
put
e
r
s
in
B
io
lo
gy
and
M
e
di
c
in
e
,
v
o
l.
170,
p.
108053,
M
a
r
.
2024,
do
i:
10.1016/j
.c
o
mpbi
o
m
e
d.2024.108053.
[
12]
P
.
K
.
S
hukl
a
,
N
.
N
.
S
in
gh,
a
nd
M
.
R
.
K
uma
r
,
“
H
y
br
id
f
e
a
tu
r
e
s
e
l
e
c
ti
o
n
a
nd
me
ta
-
e
ns
e
mb
l
e
f
r
a
m
e
w
o
r
k
f
o
r
c
a
r
di
ov
a
s
c
u
la
r
r
is
k
a
s
s
e
s
s
me
nt
us
in
g
c
la
s
s
ic
a
l
ma
c
hi
ne
l
e
a
r
ni
ng
a
lg
o
r
it
hms
,”
I
E
E
E
A
c
c
e
s
s
,
vo
l.
12,
pp.
290
–
302,
do
i:
10.1109/AC
C
E
S
S
.2024.3508902.
[
13]
L
.
C
a
r
ne
v
a
l
e
e
t
al
.
“
T
o
w
a
r
ds
a
pr
e
c
is
i
o
n
me
di
c
in
e
S
ol
ut
i
o
n
f
o
r
o
pt
im
a
l
p
e
di
a
tr
i
c
la
pa
r
o
s
c
o
p
y
:
a
n
e
x
pl
o
r
a
t
o
r
y
da
ta
a
na
l
y
s
is
f
o
r
f
e
a
tu
r
e
s
S
e
le
c
ti
o
ns
,”
B
io
m
e
di
c
al
Si
gnal
P
r
oc
e
s
s
in
g and C
ont
r
o
l
, vo
l.
88, p. 105321, F
e
b. 2024, d
o
i:
10.1016
/j
.bs
pc
.2023.1053
21.
[
14]
A
.
A
bdul
la
hi
,
M
.
A
li
B
a
r
r
e
,
a
nd
A
.
H
.
E
lm
i,
“
A
ma
c
hi
n
e
l
e
a
r
ni
ng
a
ppr
o
a
c
h
t
o
c
a
r
d
i
ov
a
s
c
ul
a
r
di
s
e
a
s
e
pr
e
di
c
ti
o
n
w
it
h
a
dv
a
n
c
e
d
f
e
a
tu
r
e
s
e
l
e
c
ti
o
n,”
I
ndone
s
ia
n J
our
nal
of
E
le
c
tr
ic
al
E
ngi
ne
e
r
in
g and C
om
put
e
r
Sc
ie
n
c
e
, v
o
l.
33, n
o
. 2, p. 1030, 2024
.
[
15]
A
.
J
a
no
s
i,
W
.
S
te
in
br
unn,
M
.
P
f
is
t
e
r
e
r
,
a
nd
R
.
D
e
tr
a
n
o
,
“
H
e
a
r
t
D
is
e
a
s
e
D
a
ta
s
e
t,
”
H
e
ar
t
D
is
e
as
e
,
1
989.
ht
tp
s
:/
/a
r
c
hi
ve
.i
c
s
.uc
i.
e
du/
ml
/d
a
ta
s
e
ts
/
H
e
a
r
t+
D
is
e
a
s
e
. .
[
16]
U
.
N
a
ga
v
e
ll
i,
D
.
S
a
ma
nt
a
,
a
nd
P
.
C
ha
kr
a
bo
r
t
y
,
“
M
a
c
hi
ne
l
e
a
r
ni
ng
te
c
hn
o
l
o
g
y
-
ba
s
e
d
he
a
r
t
di
s
e
a
s
e
d
e
te
c
ti
o
n
m
o
d
e
ls
,”
J
our
n
al
o
f
H
e
al
th
c
ar
e
E
ngi
ne
e
r
in
g
, v
o
l.
2022, pp. 1
–
9, F
e
b. 2022, d
o
i:
10.
1155/2022/
7351061.
[
17]
S
.
B
a
s
hi
r
,
A
.
A
.
A
lm
a
z
r
o
i,
S
.
A
s
h
f
a
q,
A
.
A
.
A
lm
a
z
r
o
i,
a
nd
F
.
H
.
K
ha
n,
“
A
kn
o
w
l
e
dge
-
ba
s
e
d
c
li
ni
c
a
l
d
e
c
is
i
o
n
s
upp
o
r
t
s
y
s
t
e
m
ut
il
iz
in
g
a
n
i
nt
e
ll
ig
e
nt
e
ns
e
mbl
e
vo
ti
ng
s
c
h
e
m
e
f
or
im
pr
ove
d
c
a
r
di
ov
a
s
c
ul
a
r
di
s
e
a
s
e
p
r
e
di
c
ti
o
n,”
I
E
E
E
A
c
c
e
s
s
,
v
o
l.
9,
pp. 130805
–
130822, 2021, do
i:
10.1109/AC
C
E
S
S
.2021.31106
04.
[
18]
P
.
R
a
ni
,
R
.
K
uma
r
,
N
.
M
.
O
.
S
.
A
hme
d,
a
nd
A
.
J
a
in
,
“
A
de
c
is
io
n
s
upp
o
r
t
s
y
s
t
e
m
f
or
he
a
r
t
di
s
e
a
s
e
pr
e
d
ic
t
i
o
n
ba
s
e
d
upo
n
ma
c
hi
ne
l
e
a
r
ni
ng,”
J
our
nal
of
R
e
li
abl
e
I
n
te
ll
ig
e
nt
E
nv
ir
onm
e
nt
s
,
v
o
l.
7,
n
o
.
3,
pp.
263
–
275,
S
e
p.
20
21,
do
i:
10.1007/s
40860
-
021
-
00133
-
6.
[
19]
M
.
K
a
v
it
ha
,
G
.
G
na
n
e
s
w
a
r
,
R
.
D
in
e
s
h,
Y
.
R
.
S
a
i,
a
nd
R
.
S
.
S
ur
a
j,
“
H
e
a
r
t
di
s
e
a
s
e
p
r
e
di
c
ti
o
n
us
in
g
h
y
b
r
id
ma
c
hi
n
e
l
e
a
r
n
in
g
mo
d
e
l,
”
in
2021
6t
h
I
nt
e
r
nat
io
nal
C
onf
e
r
e
nc
e
on
I
nv
e
nt
iv
e
C
om
put
at
io
n
T
e
c
hnol
ogi
e
s
(
I
C
I
C
T
)
,
J
a
n.
2021,
pp.
1329
–
13
33,
do
i:
10.1109/
I
C
I
C
T
50816.2021.9358597.
[
20]
G
.
S
a
r
a
n
y
a
a
nd
A
.
P
r
a
v
in
,
“
A
nov
e
l
f
e
a
tu
r
e
s
e
l
e
c
ti
o
n
a
ppr
oa
c
h
w
it
h
in
te
gr
a
t
e
d
f
e
a
tu
r
e
s
e
ns
it
i
v
it
y
a
nd
f
e
a
tu
r
e
c
or
r
e
la
ti
o
n
f
o
r
im
pr
ov
e
d
p
r
e
di
c
ti
o
n
of
he
a
r
t
di
s
e
a
s
e
,”
J
our
nal
of
A
m
bi
e
nt
I
nt
e
ll
ig
e
nc
e
and
H
um
ani
z
e
d
C
om
put
in
g
,
vo
l.
14,
n
o.
9,
pp. 12005
–
12019, 2023, do
i:
10.1007/s
12652
-
022
-
03750
-
y.
[
21]
M
.
A
lz
uba
i
di
,
M
.
A
l
-
A
mi
di
e
,
O
.
A
l
-
A
s
a
di
,
a
nd
J
.
S
.
́
ıa
,
“
A
n
e
ns
e
mbl
e
-
ba
s
e
d
a
ppr
o
a
c
h
f
o
r
h
e
a
r
t
di
s
e
a
s
e
pr
e
di
c
ti
o
n
us
in
g
ba
ggi
ng
a
nd de
c
is
i
o
n t
r
e
e
s
,”
A
ppl
ie
d C
om
put
in
g and I
nf
or
m
at
ic
s
, v
o
l.
1
8, no
. 3, pp. 321
–
332, 2022.
[
22]
K
.
B
udh
ol
i
y
a
,
S
.
K
.
S
h
r
i
v
a
s
ta
v
a
,
a
nd
V
.
S
ha
r
ma
,
“
A
n
o
pt
im
i
z
e
d
X
G
B
oo
s
t
ba
s
e
d
di
a
gno
s
ti
c
s
y
s
te
m
f
o
r
e
f
f
e
c
ti
ve
pr
e
di
c
ti
on
of
he
a
r
t
d
is
e
a
s
e
,”
J
our
nal
of
K
in
g
Saud
U
ni
v
e
r
s
it
y
-
C
om
put
e
r
and
I
nf
or
m
at
io
n
Sc
ie
nc
e
s
,
v
o
l.
34,
n
o
.
7,
pp.
4514
–
4523,
J
ul
.
2
022,
do
i:
10.1016/j
.
jk
s
uc
i.
2020.10.013.
[
23]
R
.
R
a
je
ndr
a
n
a
nd
A
.
K
a
r
th
i,
“
H
e
a
r
t
di
s
e
a
s
e
pr
e
di
c
ti
o
n
us
in
g
e
nt
r
o
p
y
ba
s
e
d
f
e
a
tu
r
e
e
ng
in
e
e
r
in
g
a
nd
e
ns
e
mbl
in
g
of
ma
c
hi
ne
le
a
r
ni
ng
c
la
s
s
if
i
e
r
s
,
”
E
x
pe
r
t
Sy
s
te
m
s
w
it
h A
ppl
ic
at
io
ns
, vo
l.
20
7, p. 117882, Nov
. 2022, d
o
i:
10.1016/j
.
e
s
w
a
.2022.117882.
[
24]
M
.
O
z
c
a
n
a
nd
S
.
P
e
ke
r
,
“
A
c
la
s
s
if
ic
a
ti
o
n
a
nd
r
e
gr
e
s
s
io
n
tr
e
e
a
lg
o
r
it
hm
f
or
h
e
a
r
t
di
s
e
a
s
e
m
o
de
li
ng
a
nd
p
r
e
di
c
ti
o
n,
”
H
e
al
th
c
ar
e
A
nal
y
ti
c
s
, v
o
l.
3, p. 100130, N
ov
. 2023, d
o
i:
10.101
6/
j.
he
a
lt
h.2022.100130.
[
25]
S
.
U
ddi
n,
M
.
K
ha
n,
a
nd
A
.
H
o
s
s
a
in
,
“
B
oo
s
ti
ng
-
ba
s
e
d
pr
e
di
c
ti
ve
m
o
d
e
li
ng
f
o
r
c
a
r
di
ov
a
s
c
u
la
r
di
s
e
a
s
e
di
a
gnos
is
,
”
B
M
C
M
e
di
c
al
I
nf
or
m
at
ic
s
and De
c
is
io
n M
ak
in
g
, v
o
l.
22, n
o
. 1
01, pp. 1
–
12, 2022.
Evaluation Warning : The document was created with Spire.PDF for Python.
I
n
do
n
e
s
i
a
n
J
E
l
e
c
E
n
g
&
C
o
m
p
S
c
i
I
S
S
N:
2502
-
4752
C
ar
dio
me
ta
-
s
tack
:
a
me
ta
-
c
las
s
if
ier
e
ns
e
mble
f
or
e
nhanc
e
d
c
ar
diovas
c
ula
r
…
(
S
w
e
tha
S.
)
1637
B
I
OG
RA
P
HI
E
S
OF
AU
T
HO
RS
Sw
eth
a
S
.
i
s
a
r
e
s
e
ar
ch
s
c
h
o
l
ar
fr
o
m
t
h
e
D
e
p
art
men
t
o
f
C
o
m
p
u
t
e
r
S
c
i
en
ce
a
n
d
E
n
g
i
n
ee
r
i
n
g
,
U
n
i
v
e
rs
i
t
y
o
f
V
i
s
v
e
s
v
ara
y
a
C
o
l
l
eg
e
o
f
E
n
g
i
n
ee
r
i
n
g
,
B
e
n
g
al
u
ru
,
In
d
i
a.
Sh
e
c
o
m
p
l
e
t
e
d
h
e
r
m
as
t
e
r
’
s
i
n
E
n
g
i
n
ee
r
i
n
g
i
n
C
o
m
p
u
t
e
r
S
c
i
e
n
ce
a
n
d
E
n
g
i
n
ee
r
i
n
g
at
t
h
e
U
n
i
v
e
rs
i
t
y
o
f
V
i
s
v
e
s
v
ara
y
a
C
o
l
l
e
g
e
o
f
E
n
g
i
n
ee
r
i
n
g
,
B
e
n
g
al
u
ru
,
In
d
i
a.
Co
m
p
l
e
t
e
d
h
e
r
b
ach
e
l
o
r
’
s
i
n
t
h
e
s
am
e
b
ran
c
h
fro
m
G
o
v
e
r
n
me
n
t
Sri
K
r
i
s
h
n
a
Raj
en
d
ra
Si
l
v
e
r
J
u
b
i
l
ee
T
e
ch
n
o
l
o
g
i
c
al
I
n
s
t
i
t
u
t
e,
Be
n
g
al
u
ru
,
I
n
d
i
a.
C
u
rr
e
n
t
l
y
,
s
h
e
i
s
a
fu
l
l
-
t
i
me
r
e
s
e
ar
ch
s
c
h
o
l
ar
p
u
rs
u
i
n
g
t
h
e
s
p
eci
al
i
zat
i
o
n
“
O
p
t
i
m
i
z
ed
Ma
c
h
i
n
e
L
e
ar
n
i
n
g
an
d
D
ee
p
L
e
arn
i
n
g
T
e
ch
n
i
q
u
e
s
f
o
r
Pr
ed
i
c
t
i
o
n
o
f
H
e
art
D
i
s
e
as
e
”
.
H
e
r
s
u
b
j
ec
t
i
n
t
e
r
e
s
t
s
i
n
c
l
u
d
e
A
I
,
m
a
ch
i
n
e
l
e
a
rn
i
n
g
,
a
n
d
d
ee
p
l
e
ar
n
i
n
g
ap
p
l
i
c
at
i
o
n
s
.
Sh
e
c
an
b
e
co
n
t
a
c
t
ed
at
em
ai
l
:
s
w
e
t
h
a.
s
@
u
v
ce.
a
c
.
i
n
.
Sn
e
h
a
Zo
l
g
i
k
a
r
h
as
a
b
ach
e
l
o
r
o
f
E
n
g
i
n
ee
r
i
n
g
fro
m
V
i
s
v
e
s
v
ara
y
a
T
ec
h
n
o
l
o
g
i
c
a
l
U
n
i
v
e
rs
i
t
y
a
n
d
a
Mas
t
e
r
o
f
T
ec
h
n
o
l
o
g
y
i
n
C
o
mp
u
t
e
r
N
e
t
w
o
rk
i
n
g
fro
m
U
n
i
v
e
rs
i
t
y
V
i
s
v
e
s
v
ara
y
a
Co
l
l
eg
e
o
f
E
n
g
i
n
ee
ri
n
g
.
H
e
r
are
as
o
f
i
n
t
e
r
e
s
t
i
n
r
e
s
e
ar
ch
ar
e
p
ro
m
p
t
e
n
g
i
n
ee
ri
n
g
,
AI
,
an
d
m
a
ch
i
n
e
l
e
ar
n
i
n
g
.
Sh
e
c
an
b
e
c
o
n
t
ac
t
e
d
at
em
a
i
l
:
zo
l
g
i
k
ar2
5
@
g
m
a
i
l
.
co
m
.
D
r.
M
a
n
j
ul
a
S
.
H
.
,
cu
rr
e
n
t
l
y
a
p
ro
f
e
s
s
o
r
i
n
t
h
e
D
e
p
art
m
en
t
o
f
C
o
m
p
u
t
e
r
S
c
i
en
c
e
an
d
E
n
g
i
n
ee
r
i
n
g
at
t
h
e
U
n
i
v
e
rs
i
t
y
V
i
s
v
e
s
v
ara
y
a
Co
l
l
eg
e
o
f
E
n
g
i
n
ee
r
i
n
g
,
Ban
g
al
o
r
e
U
n
i
v
e
rs
i
t
y
,
B
e
n
g
al
u
ru
,
h
as
e
s
t
ab
l
i
s
h
e
d
h
e
rs
e
l
f
as
a
p
ro
mi
n
e
n
t
fi
g
u
r
e
i
n
t
h
e
fi
e
l
d
.
H
o
l
d
i
n
g
a
B.
E
.
,
M.
T
ech
.
,
an
d
P
h
.
D
.
i
n
Co
m
p
u
t
e
r
S
ci
e
n
ce
an
d
E
n
g
i
n
ee
r
i
n
g
,
s
h
e
h
as
h
o
n
e
d
h
e
r
e
x
p
e
r
t
i
s
e
in
c
o
m
p
u
t
e
r
n
e
t
w
o
rk
s
,
w
i
r
e
l
e
s
s
s
e
n
s
o
r
n
e
t
w
o
rk
s
,
d
at
a
mi
n
i
n
g
,
c
l
o
u
d
co
m
p
u
t
i
n
g
,
AI
,
m
a
ch
i
n
e
l
e
ar
n
i
n
g
,
a
n
d
f
e
d
e
rat
e
d
l
e
ar
n
i
n
g
.
W
i
t
h
an
i
m
p
r
e
s
s
i
v
e
t
rack
r
eco
rd
,
s
h
e
h
as
a
u
t
h
o
r
ed
6
9
j
o
u
rn
al
s
,
p
r
e
s
en
t
ed
7
2
co
n
f
e
r
en
ce
p
ap
e
rs
,
h
o
l
d
s
5
p
at
e
n
t
s
,
an
d
h
as
co
n
t
ri
b
u
t
e
d
t
o
4
b
o
o
k
c
h
ap
t
e
rs
w
h
i
l
e
p
u
b
l
i
s
h
i
n
g
4
b
o
o
k
s
,
s
h
o
w
cas
i
n
g
h
e
r
p
ro
l
i
fi
c
a
n
d
d
i
v
e
rs
e
c
o
n
t
ri
b
u
t
i
o
n
s
t
o
t
h
e
ac
ad
emi
c
an
d
t
ec
h
n
o
l
o
g
i
c
a
l
c
o
mmu
n
i
t
y
.
A
d
d
i
t
i
o
n
al
l
y
,
D
r.
Man
j
u
l
a
i
s
c
u
rr
en
t
l
y
a
r
e
s
p
ec
t
ed
mem
b
e
r
o
f
t
h
e
E
x
ec
u
t
i
v
e
C
o
u
n
ci
l
an
d
h
as
s
e
rv
ed
as
a
f
o
rme
r
m
em
b
e
r
o
f
t
h
e
A
c
a
d
em
i
c
S
e
n
at
e
at
V
T
U
Bel
ag
a
v
i
.
Sh
e
c
an
b
e
co
n
t
ac
t
e
d
at
em
a
i
l
:
s
h
m
a
n
j
u
l
a@
g
m
ai
l
.
co
m
.
Dr
.
V
enu
g
o
pa
l
K
.
R
.
i
s
t
h
e
fo
r
me
r
v
i
ce
c
h
a
n
ce
l
l
o
r
o
f
Ban
g
a
l
o
r
e
U
n
i
v
e
rs
i
t
y
.
H
e
w
as
t
h
e
Pr
i
n
ci
p
al
o
f
U
n
i
v
e
rs
i
t
y
o
f
V
i
s
v
e
s
v
ara
y
a
Co
l
l
eg
e
o
f
E
n
g
i
n
ee
ri
n
g
(U
V
CE
)
f
o
r
1
5
y
e
ars
,
Ch
ai
r
m
an
,
D
e
p
art
m
en
t
o
f
E
l
ec
t
ro
n
i
c
s
an
d
Co
mmu
n
i
c
a
t
i
o
n
s
,
C
o
m
p
u
t
e
r
S
ci
e
n
ce
E
n
g
i
n
ee
r
i
n
g
an
d
I
n
f
o
r
m
at
i
o
n
Sci
e
n
ce
E
n
g
i
n
ee
ri
n
g
i
n
U
V
CE
.
H
e
h
as
a
d
i
s
t
i
n
g
u
i
s
h
ed
a
n
d
b
ri
l
l
i
an
t
a
c
a
d
em
i
c
c
ar
ee
r
w
i
t
h
E
l
ev
e
n
d
e
g
r
ee
s
i
n
c
l
u
d
i
n
g
t
w
o
P
h
.
D
.
,
o
n
e
i
n
E
co
n
o
m
i
c
s
fr
o
m
Ban
g
al
o
r
e
U
n
i
v
e
rs
i
t
y
an
d
an
o
t
h
e
r
Ph
.
D
.
i
n
C
o
m
p
u
t
e
r
S
ci
e
n
ce
a
n
d
E
n
g
i
n
ee
ri
n
g
fro
m
II
T
Mad
ras
.
H
e
h
as
au
t
h
o
r
e
d
an
d
e
d
i
t
ed
8
0
b
o
o
k
s
o
n
Co
m
p
u
t
e
r
S
c
i
en
ce
an
d
E
c
o
n
o
mi
c
s
,
w
h
i
c
h
i
n
c
l
u
d
e
P
e
t
ro
d
o
l
l
ar
a
n
d
t
h
e
W
o
rl
d
E
c
o
n
o
my
,
C
A
p
t
i
t
u
d
e,
Mas
t
e
ri
n
g
C,
M
i
c
ro
p
ro
ce
s
s
o
r
Pro
g
ra
mm
i
n
g
,
Mas
t
e
ri
n
g
C+
+
,
an
d
D
i
g
i
t
al
C
i
rcu
i
t
s
an
d
S
y
s
t
em
s
.
O
u
t
o
f
t
h
e
1
0
1
p
a
t
e
n
t
s
h
e
h
as
fi
l
e
d
,
3
4
h
av
e
b
ee
n
g
ran
t
e
d
.
D
u
ri
n
g
h
i
s
fo
u
r
d
ec
a
d
e
s
o
f
s
e
r
-
v
i
ce
at
U
V
C
E
h
as
o
v
e
r
1
0
0
0
re
s
e
ar
c
h
p
ap
e
rs
t
o
h
i
s
c
red
i
t
a
n
d
h
as
a
w
ard
e
d
Ph
.
D
.
t
o
3
0
s
t
u
d
en
t
s
.
H
i
s
r
e
s
e
ar
ch
i
n
t
e
r
e
s
t
s
i
n
c
l
u
d
e
co
m
p
u
t
e
r
n
e
t
w
o
r
k
s
,
w
i
rel
e
s
s
s
e
n
s
o
r
n
e
t
w
o
r
k
s
,
p
aral
l
el
a
n
d
d
i
s
t
ri
b
u
t
e
d
s
y
s
t
em
s
,
d
i
g
i
t
al
s
i
g
n
al
p
ro
ce
s
s
i
n
g
,
an
d
d
at
a
mi
n
i
n
g
.
H
e
i
s
a
F
e
l
l
o
w
o
f
IE
E
E
an
d
an
A
CM
D
i
s
t
i
n
g
u
i
s
h
ed
E
d
u
c
at
o
r
.
H
e
c
a
n
b
e
co
n
t
a
c
t
ed
at
em
a
i
l
:
v
en
u
g
o
p
al
k
r@
g
m
ai
l
.
co
m
.
Evaluation Warning : The document was created with Spire.PDF for Python.