جلد 25، شماره 1 - ( 1-1401 )
جلد 25 شماره 1 صفحات 68-57 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Maleki S, Zare Mehrjerdi Y. Diagnosis of Coronary Artery Disease by Bat and Harris Hawk Meta-Heuristic Optimization Algorithms and Machine Learning Methods. jha 2022; 25 (1) :57-68
URL: http://jha.iums.ac.ir/article-1-3910-fa.html
URL: http://jha.iums.ac.ir/article-1-3910-fa.html
ملکی سارینا، زارع مهرجردی یحیی. تشخیص بیماری عروق کرونر قلبی با استفاده از الگوریتم فراابتکاری شاهین هریس و روش‌های یادگیری ماشین. فصلنامه مدیریت سلامت. 1401; 25 (1) :57-68
1- دانشجوی کارشناسی ارشد، گروه مهندسی صنایع، دانشکده صنایع، دانشگاه یزد، یزد
2- استاد، گروه مهندسی صنایع، دانشکده صنایع، دانشگاه یزد، یزد ،yzare @yazd.ac.ir
2- استاد، گروه مهندسی صنایع، دانشکده صنایع، دانشگاه یزد، یزد ،
چکیده: (1810 مشاهده)
مقدمه: روش‌های تشخیص بیماریهای عروق کرونر معمولاً در معرض خطا بوده و برای بیمار رنج‌آور و هزینه بر است. بنابراین، توسعه و ارائه روش‌های یادگیری ماشین با دقت بالا در تشخیص بیماریهای عروق کرونر از اهمیت خاصی برخوردار است. هدف این پژوهش کمک به تشخیص بیماری عروق کرونری با استفاده از الگوریتم شاهین هریس و روش‌های یادگیری ماشین می‌باشد.
روش ها: در این پژوهش از روش جدید مبتنی بر انتخاب ویژگی توسط شاهین هریس در حالت ترکیبی با روش یادگیری ماشین شامل درخت تصمیم و کای نزدیک‌ترین همسایه استفاده شد. که جهت ارزیابی روش پیشنهادی از دو مجموعه داده با پرونده پزشکی 303 بیمار در مجموعه داده Cleveland و Z-Alizadeh-Sani استفاده گردید. ارزیابی مدل پیشنهادی در پایتون نسخه 2016 انجام شد.
روش ها: در این پژوهش از روش جدید مبتنی بر انتخاب ویژگی توسط شاهین هریس در حالت ترکیبی با روش یادگیری ماشین شامل درخت تصمیم و کای نزدیک‌ترین همسایه استفاده شد. که جهت ارزیابی روش پیشنهادی از دو مجموعه داده با پرونده پزشکی 303 بیمار در مجموعه داده Cleveland و Z-Alizadeh-Sani استفاده گردید. ارزیابی مدل پیشنهادی در پایتون نسخه 2016 انجام شد.
یافته ها: بر اساس یافته ها انتخاب ویژگی با استفاده از الگوریتم شاهین هریس در حالت ترکیبی با روش یادگیری ماشین منجر به افزایش دقت در نتایج شد. به طوری که در مجموعه داده Z-Alizadeh-Sani درصد دقت در ترکیب با درخت تصمیم برابر با 0/98 و در ترکیب با کای نزدیک ترین همسایه برابر با 0/78 بود. همچنین، در مجموعه داده Cleveland درصد دقت در ترکیب با درخت تصمیم برابر با 0/88 و در ترکیب با کای نزدیک ترین همسایه برابر با 0/77 بود. این در حالی است که هریک از این مقادیر در حالت تمام ویژگی‌ها مقادیر کمتری از دقت را دارا بود. بنابراین، الگوریتم شاهین هریس در ترکیب با درخت تصمیم توانست به بالاترین دقت تشخیص بیماری عروق کرونر در حالت انتخاب ویژگی نسبت به کل ویژگی‌ها دست یابد.
نتیجه‌گیری: نتایج این مطالعه به خوبی نقش فرآیند انتخاب ویژگیهای مؤثر در تشخیص بیماری عروق کرونر توسط الگوریتم شاهین هریس در ترکیب با روش‌های یادگیری ماشین را نشان داد.
نوع مقاله: پژوهشي |
موضوع مقاله:
مدیریت اطلاعات سلامت
دریافت: 1400/9/27 | پذیرش: 1400/12/28 | انتشار: 1401/4/22
دریافت: 1400/9/27 | پذیرش: 1400/12/28 | انتشار: 1401/4/22
فهرست منابع
1. Reddy KS. Cardiovascular diseases in the developing countries: Dimensions, determinants, dynamics and directions for public health action. Public Health Nutr. 2002;5(1a):231-7. [DOI:10.1079/PHN2001298]
2. Squeri A. Coronary artery disease - new insights and novel approaches [Internet]. London: IntechOpen; 2012 [cited 2022 Apr 30]. Available from: https://www.intechopen.com/books/660 [DOI:10.5772/1168]
3. Nahar J, Imam T, Tickle KS, Phoebe Chen YP. Association rule mining to detect factors which contribute to heart disease in males and females. Expert Syst Appl. 2013;40(4):1086-93. [DOI:10.1016/j.eswa.2012.08.028]
4. Giri D, Acharya UR, Martis RJ, Sree SV, Lim TC, VI TA, et al. Automated diagnosis of coronary artery disease affected patients using LDA, PCA, ICA and discrete wavelet transform. Knowl Base Syst. 2013;37:274-82. [DOI:10.1016/j.knosys.2012.08.011]
5. Heidari AA, Mirjalili S, Faris H, Aljarah I, Mafarja M, Chen H. Harris hawks optimization: Algorithm and applications. Future Generat Comput Syst. 2019;97:849-72. [DOI:10.1016/j.future.2019.02.028]
6. Rani KU. Analysis of heart diseases dataset using neural network approach. International Journal of Data Mining & Knowledge Management Process. 2011;1(5):1-8. [DOI:10.5121/ijdkp.2011.1501]
7. DezhAloud N, Soleimanian Gharehchopogh F. Diagnosis of heart disease using binary Grasshopper optimization algorithm and K-Nearest neighbors. Journal of Health Administration. 2020;23(3):42-54. [In Persian] [DOI:10.29252/jha.23.3.42]
8. Vila-Frances J, Sanchis J, Soria-Olivas E, Serrano AJ, Martinez-Sober M, Bonanad C, et al. Expert system for predicting unstable angina based on Bayesian networks. Expert Syst Appl. 2013;40(12):5004-10. [DOI:10.1016/j.eswa.2013.03.029]
9. Abdar M, Ksiazek W, Acharya UR, Tan RS, Makarenkov V, Pławiak P. A new machine learning technique for an accurate diagnosis of coronary artery disease. Comput Methods Programs Biomed. 2019;179:1-11. [DOI:10.1016/j.cmpb.2019.104992]
10. Al-Tashi Q, Rais H, Jadid S. Feature selection method based on grey wolf optimization for coronary artery disease classification. In: Saeed F, Gazem N, Mohammed F, Busalim A, editors. Recent trends in data science and soft computing. IRICT 2018. Advances in intelligent systems and computing. Kuala Lumpu: Springer; 2019 Sep. p. 257-66. [DOI:10.1007/978-3-319-99007-1_25]
11. Data Sets - UCI Machine Learning Repository [Internet]. Amherst:The University of Massachusetts Amherst; c2007- [cited 2021 Feb]. Available from: https: //archive.ics.uci.edu/ml/datasets.php
12. Heidari AA, Mirjalili S, Faris H, Aljarah I, Mafarja M, Chen H. Harris hawks optimization: Algorithm and applications. Future Gener Comput Syst. 2019;97:849-72. [DOI:10.1016/j.future.2019.02.028]
13. Balamurugan R, Ratheesh S, Venila YM. Classification of heart disease using adaptive Harris hawk optimization-based clustering algorithm and enhanced deep genetic algorithm. Soft comput. 2022;26:2357-73. [DOI:10.1007/s00500-021-06536-0]
14. Coomans D, Massart DL. Alternative k-nearest neighbour rules in supervised pattern recognition: Part 1. k-Nearest neighbour classification by using alternative voting rules. Anal Chim Acta. 1982;136:15-27. [DOI:10.1016/S0003-2670(01)95359-0]
15. Ray S. Understanding support vector machine (SVM) algorithm from examples (along with code) [Internet]. Analytics Vidhya, 2015 Oct [updated 2017 Sep]. Available from: https://www.analyticsvidhya.com/blog/2017/09/understaing-support-vector-machine-example-code/
16. Sapra L, Sandhu JK, Goyal N. Intelligent method for detection of coronary artery disease with ensemble approach. In: Hura G, Singh A, Siong Hoe L, editors. Advances in communication and computational technology. Singapore: Springer; 2021. p. 1033-42. [DOI:10.1007/978-981-15-5341-7_78]
17. Vijayashree J, Sultana HP. A machine learning framework for feature selection in heart disease classification using improved particle swarm optimization with support vector machine classifier. Program Comput Software. 2018;44(6):388-97. [DOI:10.1134/S0361768818060129]
18. Shouman M, Turner T, Stocker R. Using decision tree for diagnosing heart disease patients. Proceedings of the Ninth Australasian Data Mining Conference. 2011 Dec 1-2;Ballarat Australia. 2011. p. 23-30.
19. Nguyen T, Khosravi A, Creighton D, Nahavandi S. Medical data classification using interval type-2 fuzzy logic system and wavelets. Appl Soft Comput. 2015;30:812-22. [DOI:10.1016/j.asoc.2015.02.016]
20. Maleki S, Zare Mehrjerdi Y, shishebori D, Mirzaei M. Predicting coronary artery diseases using effective features selected by Harris Hawks optimization algorithm and support vector machine. Journal of Industrial and Systems Engineering. 2022 Jan;14:40-47.
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
