ارائه روشی ترکیبی جهت تشخیص بیماری قلبی با بهره گیری از رویکردهای انتخاب ویژگی تلفیقی و طبقه بندی بهینه
الموضوعات : electrical and computer engineering
مارال كلاه كج
1
,
مرجان مطیعی زاده
2
1 - گروه مهندسی کامپیوتر، واحد سوسنگرد، دانشگاه آزاد اسلامی، سوسنگرد، ایران
2 - گروه کامپیوتر، واحد اهواز، دانشگاه آزاد اسلامی، اهواز، ایران
الکلمات المفتاحية: انتخاب ویژگی, الگوریتم قورباغه, تشخیص بیماری قلبی, طبقه‌بندی ELM, کرنل موجک,
ملخص المقالة :
بیماری‌های قلبی یکی از مهم‌ترین عوامل مرگ‌ومیر در جهان محسوب می‌شوند و تشخیص زودهنگام آنها از اهمیت بالایی برخوردار است. روش‌های موجود در انتخاب ویژگی برای تشخیص بیماری قلبی معمولاً محدود به استفاده از یک الگوریتم واحد بوده و ممکن است منجر به انتخاب ویژگی‌های زائد یا حذف ویژگی‌های مهم شوند که این امر دقت طبقه‌بندی را کاهش می‌دهد. در این مقاله، روش ترکیبی جدیدی برای انتخاب ویژگی ارائه شده که با بهره‌گیری از تلفیق نرم نتایج چند الگوریتم انتخاب ویژگی، ویژگی‌های کارآمدتر و مرتبط‌تر شناسایی می‌شوند. همچنین برای افزایش دقت و سرعت تشخیص، از طبقه‌بندی ماشین یادگیری حداکثری با کرنل موجک استفاده شده که پارامترهای آن توسط نسخه اصلاح‌شده الگوریتم فراابتکاری قورباغه بهینه می‌شوند. این الگوریتم اصلاح‌شده شامل مکانیزم وزن‌دهی پویا و ترکیب با الگوریتم ژنتیک می‌باشد که به بهبود دقت و سرعت طبقه‌بندی کمک می‌کند. برای اثبات توانمندی و تعمیم‌پذیری روش، آن بر روی سه مجموعه داده معتبر UCI آزمایش شده که نتایج ارزیابی نشان می‌دهند دقت مدل پیشنهادی به 3/93% رسیده است. نتایج بیانگر توانمندی و تعمیم‌پذیری بالای روش پیشنهادی در تشخیص بیماری قلبی می‌باشد.