Geri Dön

Detection of cardiovascular disease using machine learning methods

Makine öğrenme yöntemleri kullanılarak kardiyovasküler hastalıkların tespit edilmesi

PDF İndir

  1. Tez No: 889442
  2. Yazar: MUHAMMED ELSELLUM
  3. Danışmanlar: DOÇ. DR. FATİH ABUT
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: İngilizce
  9. Üniversite: Çukurova Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 109

Özet

Kalp-damar hastalığına (CVD) bağlı ölümlerin görülme sıklığı artmakta ve her yıl milyonlarca ölüme yol açmaktadır. Milyonlara ulaşabilen yıllık ölüm oranlarını azaltmak ve hükümet bütçelerinde sağlık maliyetlerini düşürmek için, bireyin CVD riskini değerlendirmek için bir öngörü sisteminin geliştirilmesi hayati önem taşımaktadır. Bu çalışma, çeşitli makine öğrenimi algoritmaları ve tahmin değişkenlerin kombinasyonlarını kullanarak yeni modeller oluşturmayı amaçlamaktadır. Kullanılan makine öğrenimi yöntemleri arasında Ağaç Yükseltme (TB), Çok Katmanlı Algılayıcı (MLP), Rastgele Orman (RF), Destek Vektör Makinesi (SVM) ve Karar Ağacı (DT) bulunmaktadır. Öngörü modellerinin oluşturulması için kullanılan araç, Python diliyle PyCharm yazılımıdır. Kullanılan veri seti, üç kaynaktan (objektif ölçümler, muayene verileri ve subjektif girdiler) elde edilen 4.456 örnek ve 12 değişken içeren bir CVD veri setidir. Sonuçlar, sınıflandırıcıya ve eğitim veri kümesine bağlı olarak verimlilik açısından değişmektedir. Genel olarak, TB tabanlı modeller tüm metriklerde en iyi performansı sergilemiştir, DT tabanlı modeller ise genellikle en az tercih edilen performans sonuçlarını göstermiştir. Bu çalışmada her uygulanan algoritmanın parametrelerinin optimize edilmesiyle elde edilen en yüksek doğruluk performansı %73.65 olarak belirlenmiştir.

Özet (Çeviri)

The incidence of deaths related to cardiovascular disease (CVD) is increasing, leading to millions of fatalities each year. To mitigate yearly mortality rates, which can reach into the millions, and to reduce healthcare costs in government budgets, the development of a predictive system for assessing an individual's risk of CVD is crucial. This study aimed to create new models by employing various machine learning algorithms and combinations of predictor variables. The utilized machine learning methods included Tree Boost (TB), Multi-layer Perceptron (MLP), Random Forest (RF), Support Vector Machine (SVM), and Decision Tree (DT). The tool used to generate prediction models was PyCharm software with Python language. The dataset employed was a CVD dataset comprising 4,456 samples and 12 variables collected from three sources: objective measures, examination data, and subjective inputs. The outcomes varied in efficiency depending on the classifier and training dataset. Generally, TB-based models exhibited the best performance across all metrics, while, in contrast, DT-based models generally showed the least favorable performance results. By optimizing the parameters of each applied algorithm in this study, the highest accuracy performance obtained was 73.65%.

Benzer Tezler

  1. Tez No

    632406

    Accurate classification of heart sound signals forcardiovascular disease diagnosis using wavelet analysiswith machine learning and deep learning methodologies

    Makine öğrenmesi ve derin öğrenme yöntemleri ile dalgacık analizi kullanılarak kalp ses sinyallerinin kardiyovasküler hastalık tanı amaçlı doğru sınıflandırılması

    AFRAH ELFATIH FARAH MALIK

    Yüksek Lisans

    İngilizce

    İngilizce

    2020

    BiyomühendislikErciyes Üniversitesi

    Biyomedikal Mühendisliği Ana Bilim Dalı

    PROF. DR. MEHMET EMİN YÜKSEL

  2. Tez No

    883630

    Makine öğrenmesi sınıflandırma algoritmaları ile kardiyovasküler hastalıklarının tanı ve tahminleri

    The diagnosis and predictions of cardiovascular diseases with machine learning classification algorithms

    EBRU ÖZTÜRK

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik Üniversitesi

    Matematik Ana Bilim Dalı

    DOÇ. DR. MUTLU AKAR

  3. Tez No

    842068

    Yapay zekâ-tabanlı hibrit anomali tespit ve klinik karar destek teknikleri ile kardiyovasküler hastalıkların ve COVİD-19'un otomatik tespiti

    Artificial intelligence-based hybrid anomaly detection and clinical decision support techniques for automated detection of cardiovascular diseases and COVİD-19

    MERVE BEGÜM TERZİ

    Doktora

    İngilizce

    İngilizce

    2023

    Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. ORHAN ARIKAN

  4. Tez No

    877216

    Integrative machine learning approaches for enhanced cardiovascular disease prediction: A comparative analysis of XGBoost and ANFIS algorithms

    Kardiyovasküler hastalık tahmininin geliştirilmesi için entegratif makine öğrenmesi yaklaşımları: XGBoost ve ANFIS algoritmalarının karşılaştırmalı analizi

    DIYAR FADHIL MUHYI MUHYI

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş Üniversitesi

    Bilişim Teknolojileri Ana Bilim Dalı

    DOÇ. DR. OĞUZ ATA

  5. Tez No

    831142

    İris görüntüleri kullanılarak makine öğrenmesi ile koroner arter hastalığının tespiti

    Coronary artery disease detection based on iris images using machine learning

    FERDİ ÖZBİLGİN

    Doktora

    Türkçe

    Türkçe

    2023

    Elektrik ve Elektronik MühendisliğiOndokuz Mayıs Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ÇETİN KURNAZ

Geri Dön