Artificial intelligence techniques used in heart diseases and applications
Kalp hastalıklarında kullanılan yapay zeka teknikleri ve uygulamaları
- Tez No: 549623
- Danışmanlar: DR. ÖĞR. ÜYESİ ONUR İNAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Bilim ve Teknoloji, Mühendislik Bilimleri, Computer Engineering and Computer Science and Control, Science and Technology, Engineering Sciences
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2019
- Dil: Türkçe
- Üniversite: Necmettin Erbakan Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 74
Özet
Bu çalışmada, kalp hastalıklarının teşhis edilebilmesi için, Sınıf Nitelik Bağımlılık Maksimizasyonu (SNBM), Temel Bileşenler Analizi (TBA) ve Normalizasyon'dan oluşturulmuş bir Hibrit Sistem Yapay Sinir Ağları (YSA) ve Destek Vektör Makineleri (DVM) ile birleştirilerek Kalp Hastalığı Teşhisine yardımcı bir sistem geliştirilmiştir. Önerilen sistemde iki veri seti kullandık ilki UCI'den alınan kalp hastalığı veri setidir. Çalışmada 270 hastadan alınmış 13 öznitelik içeren veri seti tercih edilmiştir. Veri seti sınıflandırıcılara girmeden önce Hibrit Sistem içerisinde ön işleme tabi tutulmuştur. Ön işleme için SNBM, TBA ve Normalizasyon algoritmalarının çeşitli versiyonları kullanılmıştır. Ön işleme adımının ardından öznitelik değerleri YSA ve DVM sınıflandırıcılarına ayrı ayrı girmiştir. Hibrit sistem ile en iyi uyum sağlayacak sınıflandırıcıyı bulabilmek için 2 farklı sınıflandırıcı seçilmiştir. Sınıflandırıcıların doğruluk oranları 10-katmanlı çapraz doğrulama metodu ile test edilmiştir. Hibrit sistem ve YSA ile bulunan doğruluk oranı %88.89 olarak bulunmuştur. Hibrit sistem ve DVM sınıflandırıcısı ile bulunan doğruluk oranı %87.77 olarak bulunmuştur. Hibrit sistem kullanılmadan hesaplanan YSA sınıflandırıcısının doğruluk oranı %85.18 olarak bulunmuştur. Hibrit sistem kullanılmadan hesaplanan DVM sınıflandırıcısının doğruluk oranı %84.81 olarak bulunmuştur. Hibrit sistemin sınıflandırıcı sonuçlarına katkı sağlamış olduğu görülmüştür. Önerilen sistemde ikinci olarak yine UCI'den alınan TFEBT veri setiyle çalışılmıştır. Hibrit sistem kullanılmadan hesaplanan YSA sınıflandırıcısının doğruluk oranı %79.40 olarak bulunmuştur. Hibrit Sistem + YSA sınıflandırıcısı ile bulunan doğruluk oranı %90.65 olarak bulunmuştur. Hibrit sistem kullanılmadan hesaplanan DVM sınıflandırıcısının doğruluk oranı %75.27 olarak bulunmuştur. TBA+SNBM+DVM sınıflandırıcısı ile bulunan doğruluk oranı %89.17 olarak bulunmuştur. Önerilen sistemde kullanılan yöntem ve sonuçlar, araştırmacılar tarafından aynı veri setiyle yapılan literatürdeki çalışmalarla karşılaştırılmıştır. Sonuçlar gelecek için umut verici görülmüştür.
Özet (Çeviri)
In this study, a heart disease prediction system was developed by combining hybrid system as Class Attribute Interdependence Maximization (CAIM), Principle Component Analysis (PCA), Normalization and classifiers as Artificial Neural Network (ANN) and Support Vector Machines (SVM). In the proposed system, total of 270 heart disease records with 14 attributes from UCI were studied firstly. This dataset is pre-processed before loading to the classifiers. CAIM, PCA and Normalization algorithms were used sequentially for pre-processing. CAIM tags the dataset into new classes. PCA explores the relationship between attributes. Normalization normalizes dataset before inserting dataset into the classifier. After preprocessing, the dataset was entered separately into ANN and SVM classifiers separately. In order to find the best match for the hybrid system, two different classifiers were chosen. The ANN and SVM algorithms classify data loaded from the hybrid system into classes. Accuracy ratios of the classifiers were tested with 10-fold cross validation method. The accuracy ratio with the Hybrid System and ANN was 88.89%. In addition, the accuracy ratio of the Hybrid System and SVM classifier was 87.77%. The Hybrid System has been shown to contribute to the classifier results. Second data set studied with was SPECT. Hybrid System and ANN classifier's accuracy ratio was 90.65%. PCA + CAIM and SVM classifier's accuracy ratio was 89.17%. The methods and results used in the proposed system were compared with the studies conducted by the researchers in the literature with the same data set. The results were promising for the future.
Benzer Tezler
- Developing a novel artificial intelligence based method for diagnosing chronic obstructive pulmonary disease
Kronik obstrüktif akciğer hastalığı teşhisi için yapay zeka tabanlı yeni bir yöntem geliştirilmesi
İNANÇ MORAN
Doktora
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. DENİZ TURGAY ALTILAR
- Kronik obstrüktif akciğer hastalığı teşhisi için makine öğrenmesi tabanlı yeni bir yöntem geliştirilmesi
Development of a new machine learning-based method for the diagnosis of chronic obstructive pulmonary disease
ENGİN MELEKOĞLU
Doktora
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ÜMİT KOCABIÇAK
- XGboost ve karar ağacı tabanlı algoritmaların diyabet veri setleri üzerine uygulaması
Application of XGboost and decision tree based algorithms on diabetes data
GÜLÇİN YANGIN
Yüksek Lisans
Türkçe
2019
İstatistikMimar Sinan Güzel Sanatlar Üniversitesiİstatistik Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ELİF ÖZGE ÖZDAMAR
- EKG görüntülerini kullanarak farklı transfer öğrenme modelleri ile aritmi tespiti
Arrhythmia detection with different transfer learning models using ECG
ÖMER YILDIZ
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSivas Cumhuriyet ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ABDULKADİR ŞEKER
- Makine öğrenmesi algoritmaları ile kalp hastalığı tahmini
Heart disease prediction with machine learning algorithms
YÜKSEL AKTAŞ
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolİSTANBUL BEYKENT ÜNİVERSİTESİBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ TALAT FİRLAR