Abstract
This paper aims to design and implement an automatic heart disease diagnosis system using MATLAB. The Cleveland data set for heart diseases was used as the main database for training and testing the developed system. In order to train and test the Cleveland data set, two systems were developed. The first system is based on the Multilayer Perceptron (MLP) structure on the Artificial Neural Network (ANN), whereas the second system is based on the Adaptive Neuro-Fuzzy Inference Systems (ANFIS) approach. Each system has two main modules, namely, training and testing, where 80% and 20% of the Cleveland data set were randomly selected for training and testing purposes respectively. Each system also has an additional module known as case-based module, where the user has to input values for 13 required attributes as specified by the Cleveland data set, in order to test the status of the patient whether heart disease is present or absent from that particular patient. In addition, the effects of different values for important parameters were investigated in the ANN-based and Neuro-Fuzzy-based systems in order to select the best parameters that obtain the highest performance. Based on the experimental work, it is clear that the Neuro-Fuzzy system outperforms the ANN system using the training data set, where the accuracy for each system was 100% and 90.74%, respectively. However, using the testing data set, it is clear that the ANN system outperforms the Neuro-Fuzzy system, where the best accuracy for each system was 87.04% and 75.93%, respectively
چکیده
این مقاله با هدف طراحی و پیاده سازی سیستم تشخیص خودکار بیماریهای قلبی با استفاده از MATLAB نوشته شده است. مجموعه اطلاعات کلیوند به عنوان پایگاه داده ی اصلی برای آموزش و تست سیستم توسعه یافته استفاده می شوند. به منظور آموزش و تست مجموعه داده های کلیوند؛ دو سیستم توسعه یافته اند. سیستم اول مبتنی بر ساختار چندلایه ی پرسپترون (MLP) روی شبکه ی عصبی مصنوعی (ANN) است در حالیکه سیستم دوم مبتنی بر سیستم های استنتاج تطبیق فازی-عصبی (ANIFS) می باشد. هر سیستم دارای دو ماژول اصلی است به نامهای آموزش و آزمایش که به ترتیب 80% و 20% از مجموعه داده های کلیوند به صورت تصادفی بری آموزش و آزمایش مورد استفاده قرار می گیرند. همچنین هر سیستم دارای یک ماژول اضافی به نام ماژول مبتنی بر حالت است که کاربر دارای مقادیر ورودی برای 13 مشخصه ی مورد نیاز برای مجموعه داده ی کلیوند است، به منظور تست وضعیت بیمار که بیان شود آیا بیمار دارای مشکلات قلبی هست یا خیر. علاوه بر این، اثرات مقادیر مختلف برای پارامترهای مهم در سیستم های مبتنی بر ANN و سیستم های مبتنی بر فازی-هسته ای بررسی شده اند تا بهترین پارامترها را انتخاب کرده و به بالاترین عملکرد دست یابیم. بر اساس کار تجربی، واضح است که سیستم فازی-عصبی بهتر از سیستم ANN کار می کند و از مجموعه داده های آموزشی استفاده می کند که دقت برای هر سیستم به ترتیب 100% و 90.74% است. با این حال، با استفاده از مجموعه داده ی تست، واضح است که سیستم ANN بهتر از سیستم عصبی-فازی عمل می کند و بهترین دقت برای هر سیستم به ترتیب برابر با 87.04% و 75.93% بوده است.
1-مقدمه
به تازگی، بیماریهای قلبی به یکی از شایع ترین بیماری ها تبدیل شده است که مردم از آن رنج می برند. با توجه به آمارهای بدست آمده، این بیماری یکی از مهم ترین علل مرگ و میر در سراسر جهان می باشد (گزارش CDC). عوامل بسیاری مانند علائم بالینی و رابطه ی بین عملکرد و نشانه های پاتولوژیک از بیماریهای قلبی و دیگر اعضای بدن انسان به جای قلب، تشخیص بیماری را دشوار می کند و در تصمیم تشخیص صحیح تأخیر می اندازد. بنابراین تشخیص بیماریهای قلبی یک عنصر مهم در صنعت مراقبتهای بهداشتی است و بسیاری از محققان تلاش کرده اند که سیستم های پشتیبان تصمیم گیری پزشکی (MDSS) را برای کمک به پزشکان توسعه دهند. این سیستم ها برای متوسط کردن زمان تشخیص و افزایش دقت تشخیص و پشتیبانی از فرآیند تصمیم گیری تشخیص پیچیده استفاده شده اند...