پیش بینی بیماری عروق کرونر قلبی مبتنی بر الگوریتم منتخب طبقه بندی کننده گروهی

پیش بینی بیماری عروق کرونر قلبی مبتنی بر الگوریتم منتخب طبقه بندی کننده گروهی

آکادمی داده

۱۳۹۷/۰۵/۰۵


  • 130 بازدید

در این سلسله مقالات به مفاهیم و کاربرد های داده‌کاوی، متن کاوی و علوم مرتبط با علم داده پرداخته می‌شود. با توجه به حجم عظیم مقالات تولید شده در زبان فارسی در حوزه داده کاوی و علم داده، آکادمی داده تصمیم گرفت مقالات فارسی منتشر شده در این حوزه را خلاصه برداری کرده و در اختیار علاقه مندان قرار دهد. این مقالات ابتدا با معرفی موضوع و کارهای انجام شده آغاز می شود و سپس مجموعه داده یا دیتاست تحقیق ارائه می شود و سپس پیاده سازی انجام شده در رپیدماینر، وکا یا پایتون ارائه شده و نتایج تحلیل می شود.

در این رشته نوشته ها ابتدا خلاصه ای از مقاله ارائه شده و سپس نتیجه گیری مقاله عینا آورده می گردد و سپس فایل پی دی اف آن نیز برای دانلود در اختیار محققین و پژوهشگران عزیز قرار می گیرد. 

 

در این مقاله از دیتا ست UCI با ۲۷۰ نمونه و ۱۳ ویژگی استفاده شده است. جهت پیاده سازی از نرم افزار رپیدماینر نسخه ۷٫۰ با جعبه ابزار وکا جهت ساخت و ارزیابی مدل ها استفاده می شود. برای اجرای طرح پیشنهادی نیاز است تا آخرین نسخه نرم افزار رپیدماینر به همراه کیت توسعه ی جاوا نصب و راه اندازی گردد. همچنین از نرم افزار متلب نسخه ی ۲۰۱۵ جهت فرآیندهای پیش پردازش در کنار نرم افزار رپیدماینر استفاده شده است.
از مهمترین کاربرد سیستم های یادگیری ماشین، تشخیص بیماری قلبی است که جان میلیونها انسان را به خطر می اندازد. بیمارانی که از بیماریهای قلبی رنج می برند در عوامل مستقل بسیاری نظیر سن، جنسیت، سرم کلسترل، قند خون و غیره اشتراک دارند که می تواند برای تشخیص بیماری، بسیار موثر باشد. CAD، بدلیل تصلب شریان در عروق کرونر ایجاد می شود و منجر به ایست قلبی و حمله قلبی می شود. برای تشخیص CAD، از آنژیوگرافی استفاده می شود که پروسه زمانبر، پر هزینه و روشی تهاجمی فنی است. از این رو پژوهشگران، در جستجوی روش های جایگزین نظیر الگوریتم های یادگیری ماشین هستند که بتواند از داده های بالینی غیر تهاجمی برای تخشیص بیماری استفاده کند و شدت بیماری را ارزیابی نماید.
در این مقاله ابتدا بوسیله آزمون خی ۲ و وزن دهی به ویژگی ها و انتخاب ویژگی های موثر تر عملیات کاهش ویژگی صورت گرفت. اما گام بعد کاهش بهینه تر ابعاد به روش الگوریتم ژنتیک است. ما با تعیین تابع هدف ماشین بردار پشتیبان برای الگوریتم ژنتیک از نقاط قوت تکاملی و طبقه بند SVM بهره می بریم. بعد از استخراج ویژگی های بهینه، عملیات نرمال سازی و حذف داده های دورافتاده، انجام شده و در انتها طبقه بندی بوسیله انسمبل ها (طبقه بندی کننده های گروهی) صورت می پذیرد. در طی این فرآیند بهینه سازی پارامترهای طبقه بندی کننده ها در طبقه بندی کننده گروهی انجام می شود و در نهایت متریک دقت ارائه می گردد. نتایج بدست آمده نشان می دهد که مدل پیشنهادی با 95/45 درصد، نسبت به دیگر مدل ها بیماری کرونر قلبی را تشخیص می دهد.

 

این مقاله از طریق لینک قابل دسترسی است و محققین علاقه مند می توانند آن را به صورت رایگان دریافت نمایند. 


کپی برداری بدون ذکر منبع، بر اساس قانون جرائم اینترنتی و مادۀ 12 فصل سوم قانون جرائم رایانه ای غیر قانونی بوده و مجازات جزای نقدی و حبس دارد و شرعا نیز حرام است! 
اگر در زمینه داده کاوی در حال تحقیق یا پیاده سازی پروژه تجاری یا پایان نامه هستید برای گرفتن مشاوره یا دادن سفارش انجام با ما تماس بگیرید.  آکادمی داده در تلگرام، واتزآپ و تمامی پیام رسان های ایرانی(سروش، آی گپ، بله و ویسپی) با شماره 09120637751 حضور دارد برای ارتباط از طریق ایمیل آدرس جیمیل: dataacademyir@gmail.com می باشد. 


افتخار آکادمی داده، همسفر بودن با شما در راه یادگیری علم داده است.