اکتشاف و پردازش هوشمند دانش

اکتشاف و پردازش هوشمند دانش

بهبود تشخیص بیماریهای قلبی_عروقی با استفاده از سیستم تصمیم یار هوشمند با رویکرد رایانش مه

نوع مقاله : مقاله پژوهشی

نویسندگان
گروه مهندسی کامپیوتر، واحد مشهد، دانشگاه آزاد اسلامی، مشهد، ایران
چکیده
بیشترین نوع بیماری‌های قلبی شامل بیماری مادرزادی قلبی، نارسایی قلبی، کاردیومیوپاتی، بیماری روماتیسمی قلب، تنگی ریوی و بیماری عروق کرونر است. تشخیص بیماری های قلبی_ عروقی از طریق علائم ، یک چالش بزرگ در شرایط جهانی فعلی است و اگر به موقع تشخیص داده نشود ، ممکن است عامل مرگ و میر شود. به دلیل دسترسی محدود پزشکان متخصص قلب به مناطق دورافتاده ، یک سیستم پشتیبان تصمیم گیری هوشمند با رویکرد رایانش مه می تواند به عنوان یک راهکار موثر در بهبود تشخیص بیماری های قلبی_ عروقی استفاده شود. هدف این مقاله ارائه یک سیستم تصمیم یار هوشمند به منظور بهبود تشخیص بیماری های قلبی_ عروقی براساس رایانش مه است.در ابتدا ، اطلاعات و پرونده های پزشکی 100 بیمار جمع آوری می شوند. سپس داده‌های ورودی، باید پاکسازی و نرمالسازی شوند و بر اساس الگوریتم‌های استخراج ویژگی، ویژگی‌ها استخراج و انتخاب و وزن دهی می شوند. بعد از آن با استفاده از الگوریتم ماشین بردار پشتیبان ، داده ها طبقه بندی می شوند. نتایج نشان می‌دهد که معیار دقت در روش‌های پیشنهادی بالاتر از مقاله پایه است. در روش پیشنهادی ممتیک-ژنتیک دقت 93 درصد و در روش پیشنهادی گراف کاوی-ژنتیک دقت 91 درصد و در مقاله پایه دقت 86 درصد می‌باشد. روش‌های پیشنهادی توانسته سطح بیشتری را نسبت به مقاله پایه در منحنی ROC ارائه شده پوشش دهد. در روش ممتیک-ژنتیک در نقطه صفر مقدار TPR=0.38 بوده و در روش گراف‌کاوی-ژنتیک در نقطه صفر مقدار TPR=0.2 است. درحالیکه در مقاله پایه ،TPR مقدار آن صفر درنظرگرفته شده است. همچنین روش ممتیک-ژنتیک سریع‌تر می تواند به مقدار یک در TPR برسد. نقطه‌ای که به مقدار 1 رسیده است، 0.4 می‌باشد. خطای میانگین مربعات روش‌های پیشنهادی عملکرد بهتری نسبت به مقاله پایه داشته و برای روش ترکیبی ممتیک-ژنتیک و گراف کاوی-ژنتیک مقادیر 11و 15درصد را به خود اختصاص داده است.
کلیدواژه‌ها

1.       Ali, O. M. A., Kareem, S. W., & Mohammed, A. S. (2022, February). Evaluation of electrocardiogram signals classification using CNN, SVM, and LSTM algorithm: A review. In 2022 8th International Engineering Conference on Sustainable Technology and Development (IEC) (pp. 185-191). IEEE.
2.       Amirtharaj, P., & Rajeswari, K. (2018). Prediction of risk score for heart disease in india using machine intelligence. University Journal of Surgery and Surgical Specialities4(4).
3.       Amma, N. B. (2012, February). Cardiovascular disease prediction system using genetic algorithm and neural network. In 2012 international conference on computing, communication and applications (pp. 1-5). IEEE.
4.       Anooj, P. K. (2012). Clinical decision support system: Risk level prediction of heart disease using weighted fuzzy rules. Journal of King Saud University-Computer and Information Sciences24(1), 27-40.
5.       Árvai, L., Perényi, D., & Vass, D. (2018, May). Organisational life assistant: How an IT system can help for the ageing society. In 2018 19th International Carpathian Control Conference (ICCC) (pp. 395-399). IEEE.
6.       Chen, C. P., Mukhopadhyay, S. C., Chuang, C. L., Lin, T. S., Liao, M. S., Wang, Y. C., & Jiang, J. A. (2014). A hybrid memetic framework for coverage optimization in wireless sensor networks. IEEE transactions on cybernetics45(10), 2309-2322.
7.       Florence, S., Amma, N. B., Annapoorani, G., & Malathi, K. (2014). Predicting the risk of heart attacks using neural network and decision tree. International Journal of Innovative Research in Computer and Communication Engineering2(11), 7025-7030.
8.       Kaya, E., Oran, B., & Arslan, A. (2011). A diagnostic fuzzy rule-based system for congenital heart disease. International Journal of Biomedical and Biological Engineering5(6), 232-235.
9.       Khomami, M. M. D., Rezvanian, A., Meybodi, M. R., & Bagheri, A. (2021). CFIN: A community-based algorithm for finding influential nodes in complex social networks. The Journal of Supercomputing77, 2207-2236.
10.   Limam, H., Zouhair, A., & Oueslati, W. (2022). A New Hybrid Multiclass Approach Based on KNN and SVM. Journal of Information & Knowledge Management21(04), 2250061.
11.   Ling, T. H. Y., Wong, L. J., Tan, J. E. H., & Lee, C. K. (2015, February). XBee wireless blood pressure monitoring system with microsoft visual studio computer interfacing. In 2015 6th International Conference on Intelligent Systems, Modelling and Simulation (pp. 5-9). IEEE.
12.   Manogaran, G., Varatharajan, R., & Priyan, M. K. (2018). Hybrid recommendation system for heart disease diagnosis based on multiple kernel learning with adaptive neuro-fuzzy inference system. Multimedia tools and applications77, 4379-4399.
13.   Mülayim, N., & Alaybeyoğlu, A. (2016, November). Designing of an expert system based on firefly algorithm for diagnosis of Heart Disease. In 2016 20th National Biomedical Engineering Meeting (BIYOMUT) (pp. 1-4). IEEE.
14.   Pinto, S., Cabral, J., & Gomes, T. (2017, March). We-care: An IoT-based health care system for elderly people. In 2017 IEEE International Conference on Industrial Technology (ICIT) (pp. 1378-1383). IEEE.
15.   Pughazendi, N., Sathishkumar, R., Balaji, S., Sathyavenkateshwaren, S., Chander, S. S., & Surendar, V. (2017, August). Heart attack and alcohol detection sensor monitoring in smart transportation system using Internet of Things. In 2017 International Conference on Energy, Communication, Data Analytics and Soft Computing (ICECDS) (pp. 881-888). IEEE.
16.   Rani, P., Kumar, R., Ahmed, N. M. S., & Jain, A. (2021). A decision support system for heart disease prediction based upon machine learning. Journal of Reliable Intelligent Environments7(3), 263-275.
17.   Sowmiya, C., & Sumitra, P. (2017, March). Analytical study of heart disease diagnosis using classification techniques. In 2017 IEEE international conference on intelligent techniques in control, optimization and signal processing (INCOS) (pp. 1-5). IEEE.