عنوان مقاله :
تشخيص خودكار بيماري قلبي با استفاده از الگوريتم ازدحام ذرات و جنگل تصادفي
عنوان به زبان ديگر :
Automatic diagnosis of heart disease by using particle swam and random forest algorithm
پديد آورندگان :
ترابي پور، طوبي دانشگاه پيام نور - گروه مهندسي كامپيوتر و فناوري اطلاعات، تهران، ايران , درويش روحاني، بابك دانشگاه پيام نور - گروه مهندسي كامپيوتر و فناوري اطلاعات، تهران، ايران , فراهاني، محمد دانشگاه پيام نور - گروه مهندسي كامپيوتر و فناوري اطلاعات، تهران، ايران
كليدواژه :
تشخخخيص خودكار بيماري قلبي , الگوريتمهاي تكاملي , الگوريتم بهينه سازي ازدحام ذرات , الگوريتم جنگل تصادفي
چكيده فارسي :
در سالهاي اخير بيماريهاي قلبي عروقي جان ميليونها نفر را در جهان گرفته است. ارائه راهكاري پويا در جهت تشخيص خودكار بيماريهاي قلبي بالاخص در سنين بالاي 05 سال بسيار ضروري است. چراكه درصورت تشخيص بيماري در زمان مناسب از
سكته هاي قلبي و حملات قلبي ناگهاني جلوگيري ميشود. در اين مقاله از يك مدل دو مرحله اي براساس تكنيك داده كاوي براي پيشبيني و تشخيص بيماريهاي قلبي استفاده شده است. مدل مذكور براساس يك سري مراحل پيشپردازش ايجاد شده است. اين
مدل از دو بخش، الگوريتم بهينه سازي ازدحام ذرات جهت انتخاب ويژگيها، الگوريتم طبقهبندي جنگل تصادفي جهت كلاس بندي و بخش ارزيابي تشكيل شده است. براي اين تحقيق از ديتاست UCI استفاده شده كه تعداد 353 بيمار مورد در اين ديتاست موجود
است. محيط شبيه سازي پايتون جهت تجزيه و تحليل داده ها مورد استفاده قرار گرفته است ،%88/ و در نهايت دقت 05 % حساسيت 5% را به دنبال داشت.
چكيده لاتين :
In recent years, cardiovascular disease has taken the lives of millions people around the world. Providing a dynamic solution for the automatic diagnosis of heart disease especially in those over 50 years age is essential. Because if the disease is diagnosed at the proper time, sudden heart attacks can be prevented. In this paper, a two – stage model based on mining data technique is used for predicating and diagnosing heart disease. The mentioned model is based on a series of preprocessing steps. This model consists of two parts: the particle swarm optimizing algorithm for selecting features, the random forest classification algorithm for classification and the evaluation part. For this study, the UCI database was used which contain 303 patients (cases) in this database. Python simulation environment was used to analyze the data and ultimately resulted in 88.52% accuracy, 1% sensitivity, and 0.416% property.
