سیستم پیش بینی حمله قلبی با استفاده از طبقه بند C Means فازی

قیمت: 41,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

سیستم پیش بینی حمله قلبی با استفاده از طبقه بند C Means فازی

عنوان لاتین

Heart Attack Prediction System Using Fuzzy C Means Classifier

بیماری های قلبی عروقی یکی از بزرگترین علل مرگ و میر در جهان هستند. درصد مرگ زودرس ناشی از این بیماری در کشورهای با درآمد بالا 4 درصد و در کشورهای کم درآمد 42 درصد است. این نشان دهنده اهمیت پیش بینی بیماری قلب در مراحل اولیه است. در این مقاله، یک سیستم طبقه بندی بدون نظارت جدید برای پیش بینی حمله قلبی در مرحله اولیه با استفاده از پرونده پزشکی بیمار مورد استفاده قرار می گیرد. اطلاعات در پرونده بیمار در ابتدا با استفاده از تکنیک های داده کاوی پیش پردازش می شوند و سپس ویژگی ها با استفاده از یک طبقه بند C Means فازی طبقه بندی می شوند. در گام طبقه بندی 13 ویژگی به عنوان ورودی برای طبقه بندی C Means فازی برای تعیین خطر ابتلا به حمله قلبی داده می شود. FCM یک الگوریتم خوشه بندی بدون نظارت است که اجازه می دهد یک قطعه داده به دو یا چند خوشه تعلق داشته باشد. سیستم پیشنهادی کمک می کند تا پزشکان تشخیص بیماری را به شیوه ای کارآمدتر انجام دهند. کارایی طبقه بند با استفاده از پرونده های جمع آوری شده از 270 بیمار مورد آزمایش قرار می گیرد که دقت طبقه بندی 92 درصد را نشان می دهد. نتایج نشان می دهد که الگوریتم خوشه بندی پیشنهادی می تواند احتمال ابتلا به حمله قلبی را در یک روش کارآمد و ارزان تر نسبت به دیگر الگوریتم های شناخته شده پیش بینی کند.

Cardiovascular disease remains the biggest cause of deaths worldwide. The percentage of premature death from this disease ranges from 4% in high income countries and 42 % in low income countries. This shows the importance of predicting heart disease at the early stage. In this paper, a new unsupervised classification system is adopted for heart attack prediction at the early stage using the patient’s medical record. The information in the patient record are preprocessed initially using data mining techniques and then the attributes are classified using a Fuzzy C means classifier. In the classification stage 13 attributes are given as input to the Fuzzy C Means (FCM) classifier to determine the risk of heart attack. FCM is an unsupervised clustering algorithm, which allows one piece of data to belong to two or more clusters. The proposed system will provide an aid for the physicians to diagnosis the disease in a more efficient way. The efficiency of the classifier is tested using the records collected from 270 patients, which gives a classification accuracy of 92%. The result shows that the proposed clustering algorithm can predict the likelihood of patients getting a heart attack in a more efficient and cost effective way than the other well known algorithms