تشخیص بیماری قلبی عروق کرونر با سیستم هوشمند ترکیبی براساس الگوریتم نهنگ، شبیه ساز تبرید و ماشین بردار پشتیبان
تشخیص بیماری قلبی عروق کرونر با سیستم هوشمند ترکیبی براساس الگوریتم نهنگ، شبیه ساز تبرید و ماشین بردار پشتیبان
عنوان فارسی :
تشخیص بیماری قلبی عروق کرونر با سیستم هوشمند ترکیبی براساس الگوریتم نهنگ، شبیه ساز تبرید و ماشین بردار پشتیبان
عنوان انگلیسی :
Diagnosis of Coronary Heart Disease by Using Hybrid Intelligent Systems Based on the Whale Optimization Algorithm, Simulated Annealing and Support Vector Machine
چکیده:
در سالهای اخیر، الگوریتمهای یادگیری ماشین به طور گستردهای در تشخیص و درمان به موقع بیماریها نقش بسزایی را ایفا میکنند. علاوه بر این، تشیخص بیماری در مراحل آغازین آن، در بهبود بیماری و در کاهش هزینههای درمانی بیمار بسیار موثر است. بیماری قلبی یکی از دلایل اصلی مرگ در جهان شناخته شدهاست. مطالعات زیادی برای تشخیص بیماری و طراحی سیستم هوشمند و کارا انجام شدهاست. در این مقاله، الگوریتم ترکیبی نهنگ و شبیه ساز تبرید برای شناسایی عوامل موثر در تشخیص بیماری ارائه شده است و الگوریتم ماشین بردار پشتیبان برای طبقهبندی موثر بیماری لحاظ شده است. رویکرد پیشنهادی با مجموعه داده بیماری قلبی کلیولند در پایگاه داده UCI ارزیابی شده است. الگوریتم پیشنهادی با صحت 87.78 درصد با تعداد ویژگی کمتر توانسته بیماری را تشخیص دهد. نتایج حاصل برتری روش پیشنهادی را نشان میدهد و همچنین رویکرد پیشنهادی میتواند پزشکان را در تشخیص درست و در مراحل اولیه بیماری یاری رساند.
چکیده انگلیسی:
In recent years, machine learning algorithms are widely used for diagnosis and timely treatment of diseases. Moreover, diagnosis of disease on early stages is very effective in improving the disease and in reducing the cost of treatment for the patient. Heart disease is one of the main causes of death in the world. Several studies have been conducted to diagnose of disease and to design an intelligent and efficient system. In this paper, a hybrid algorithm of Whale Optimization Algorithm and simulated annealing are presented to identify the effective factors in the diagnosis of the disease. The support vector machine algorithm is considered for effective classification of the disease. The proposed approach is evaluated using the Cleveland Heart Disease Data Collection in the UCI database. The proposed algorithm has obtained with an accuracy of 87.78% which is able to diagnose of disease with fewer attributes. The results exhibition the superiority of the proposed method which the proposed approach can help physicians to diagnose and to improve disease in the early stages
خبرنامه
برای ثبت نام در خبرنامه و دریافت خبرنامه ایمیل خود را وارد نمایید.
