 جلسه دفاع پایان نامه: سهیل شرافتیان، گروه مهندسی صنایع
ارائه کننده: سهیل شرافتیان چکیده: بیماریهای قلبی عروقی با بیش از 17 میلیون مورد مرگ سالانه بهعنوان عامل اصلی مرگ و میر جهان شناخته میشوند. بیماری عروق کرونری قلب، شایعترین نوع بیماری قلبی، بهسرعت در حال گسترش است. آزمایشهای تشخیص این بیماری معمولاً دارای خطا و زمانبر بوده و برای بیماران آزمایش ناراحتکننده و هزینهبر است. اخیراً، توسعه روشهای هوش مصنوعی و یادگیری ماشین به دلیل دقت بالا در تشخیص بیماریهای متنوع، بهویژه بیماری عروق کرونری قلب، اهمیت یافته است. هدف تحقیق حاضر، استفاده از چهار روش یادگیری ماشین نظارت شده (ANN، SVM، RF، ADB) برای تشخیص بیماری عروق کرونری قلب و انتخاب ویژگیهای مؤثر با استفاده از الگوریتمهای بهینهسازی فراابتکاری شاهین هریس و گرگ خاکستری است. این تحقیق به کمک الگوریتمهای بهینهسازی، زیر مجموعهای از ویژگیها را انتخاب کرده و دقت تشخیص بیماری عروق کرونری قلب را افزایش میدهد. این فرآیند توسط الگوریتم بهینه سازی فراابتکاری شاهین هریس (HHO) که الهام گرفته از فرآیند شکار شاهینهای هریس و الگوریتم گرگ خاکستری (GWO) که الهام گرفته از زندگی جمعی گرگهای خاکستری است، انجام خواهد شد. در این تحقیق قصد داریم تا با کمک الگوریتمهای بهینهسازی فراابتکاری شاهین هریس و گرگ خاکستری، زیر مجموعهای از کل ویژگیهای موجود در مجموعه دادههای بیماران عروق کرونری قلب را انتخاب کنیم که ویزگیهای موثرتر در تشخیص این بیماری نسبت به حالتی هستند که از کل ویژگیهای موجود در مجموعه دادهی بیماران عروق کرونری قلب، برای تشخیص این بیماری استفاده میشود. مجموعه داده مورد استفاده در این تحقیق، مجموعه داده بیماری عروق کرونری قلب گردآوری شده توسط پژوهشکده قلب دانشگاه علوم پزشکی اصفهان از بیمارستانهای استان اصفهان است که شامل 3514 نمونه میباشد که یکی از این ویژگیها وضعیت نهایی فرد مراجعه کننده میباشد که میتواند نرمال (سالم) یا بیمار عروق کرونری قلب (CAD) باشد. از این دیتاست تعداد 416 مورد دچار بیماری عروق کرونر قلب و 3080 مورد سالم هستند. پس از متعادل سازی دیتاست تعداد 416 مورد بیمار عروق کرونر قلب و 584 مورد سالم در دیتاست وجود دارد. تعداد ویژگیهای دیتاست متعادل شده 69 مورد است. نتایج این تحقیق در مجموعه داده مورد نظر نشان میدهد که هر دو الگوریتم شاهین هریس و گرگ خاکستری میتوانند با انتخاب ویژگیهای با تاثیرگذاری بیشتر و تعداد کمتر نسبت به کل ویژگیهای موجود در مجموعه داده، دقت تشخیص بیماری عروق کرونر قلب را در حالت با انتخاب ویژگی نسبت به حالت بدون انتخاب ویژگی افزایش دهند. الگوریتم شاهین هریس با انتخاب ویژگیهای موثر توانسته در روشهای ANN، SVM، RF و ADB به ترتیب بیماری عروق کرونر قلب را با 2/5، 8/3، 1 و 04/0 درصد دقت بالاتر تشخیص دهد. الگوریتم گرگ خاکستری با انتخاب ویژگیهای موثر توانسته در روشهای ANN، SVM، RF و ADB به ترتیب بیماری عروق کرونر قلب را با 7/5، 1/3، 09/0 و 08/0 درصد دقت بالاتر تشخیص دهد. الگوریتم گرگ خاکستری نسبت به الگوریتم شاهین هریس به طور جزیی توانایی بیشتری در افزایش دقت تشخیص بیماری عروق کرونر قلب دارد. الگوریتم گرگ خاکستری نسبت به الگوریتم شاهین هریس در حالت با انتخاب ویژگی نسبت به حالت کل ویژگیها، در روش شبکه عصبی مصنوعی، ماشین بردار پشتیبان به ترتیب بیماری عروق کرونر قلب را با 07/0 درصد و 08/0 درصد دقت بالاتر تشخیص میدهد. در روشهای جنگل تصادفی و آدابوست دو الگوریتم به دقتهای تقریبا برابر دست یافتهاند.
|
