تشخیص بیماری عروق کرونری قلبی در متلب با استفاده از الگوریتم شبکه‌های عصبی مصنوعی

تشخیص بیماری عروق کرونری قلبی در متلب Coronary Artery Heart Disease با استفاده از الگوریتم شبکه‌های عصبی مصنوعی عنوان پروژه‌ای است که در متلب ۲۰۱۴ پیاده سازی شده است. این پروژه به صورت کامل با استفاده از دیتاست موجود در مخزن UCI و شبکه عصبی پیاده سازی شده است. پروژه دارای ۱۰ صفحه فایل راهنما در Word است. در ادامه به تشریح پروژه می‌پردازیم.

تشخیص بیماری عروق کرونری قلبی با الگوریتم شبکه‌های عصبی مصنوعی

بیماری قلبی – عروقی یکی از مهم‌ترین علل مرگ و میر در کشورهای پیشرفته و جهان سوم است. از نظر پاتولوژی، شایع‌ترین علت بیماری‌های قلبی – عروقی تصلب شرائین است. این بیماری تا هنگامی که بیش از ۲۲ % قطر داخلی رگ را درگیر نکند، علائم بروز نمی‌کنند. در اثر فعال شدن پلاکت‌ها، موادی نظیر ترومبوکسان و سروتونین ترشح شده که باعث تحریک انقباض عروق و انتشار لخته می‌شوند. هنگامی که وسعت تجمع پلاکت‌ها و لخته تشکیل شده به حدی برسد که بتواند باعث انسداد عروق و جریان خون )به صورت نسبی یا کامل( گردد، یک واقعه حاد کرونری رخ می‌دهد که منجر به سکته و مرگ بیمار می‌شود.

امروزه استفاده از روش‌های تشخیص خودکار بیماری مورد توجه بسیاری از دانشمندان و محققین رشته‌های پزشکی و کامپیوتری قرارگرفته است که تکنیک‌های داده‌کاوی و شبکه‌های عصبی مصنوعی یکی از راه‌های رسیدن به این هدف هست. با استفاده از این روش‌ها می‌توان خیل عظیم داده‌های ثبت‌شده در پایگاه داده‌های مراکز بهداشتی و درمانی را مورد بررسی و کاوش قرار داد و سپس یک سیستم تشخیص خودکار کامپیوتری طراحی نمود تا به کمک پزشکان آید. این تجربیات منجر شده است که تکنیک‌های یادگیری ماشین جایگاه ویژه‌ای در تشخیص پزشکی به دست آورند. بااینکه ممکن است این سیستم‌های تشخیص خودکار دارای خطای تشخیص باشند ولی با میزان دقت و صحت بالای ۷۵ درصد بسیار مفید خواهند بود.

مجموعه داده DataSet عروق کرونری قلبی

بانک اطلاعاتی مورد استفاده مجموعه داده بیماران عروق کرونری قلبی Coronary Artery Heart Disease موجود در مخزن داده‌ی یادگیری ماشین دانشگاه ارواین، ایالت کالیفرنیا آمریکا (University of California at Irvine) است و در این پایگاه، داده‌هایی از چهار مجموعه داده متفاوت برای تشخیص بیماری‌های قلبی قرار دارند. داده‌های فوق از چهار منبع ( بنیاد کلنیک کلیولند، انستیتوکاردیولوژی مجارستان، مرکز پژشکی لانگ بیچ کالیفرنیا و بیمارستان دانشگاه زوریخ سوئیس) جمع آوری شده بود. در مجموع، در این پایگاه‌ها، داده‌ها با ۷۲ ویژگی یا متغیر مختلف اندازه گیری شدند که به طور مستقیم یا غیر مستقیم با بیماری‌های قلبی مرتبط بودند.

در پیش پردازش داده‌ها، جهت کم کردن تعداد متغیرها، کاهش زمان پردازش و اجرای مدل‌های داده کاوی ، ۱۴ ویژگی مهم انتخاب شد. متغیر هدف در این مطالعه، وجود یا عدم وجود بیماری قلبی است که در مورد هرکدام از افراد مورد بررسی یکی از حالات ۰ یا ۱ است مقدار متغیر هدف یا نشان دهنده وجود بیماری قلبی و صفر، نشان دهنده عدم وجود بیماری می‌باشد.

۱۳ ویژگی در این ساختار مشخص است و سطر آخر نیز نمایان گر نوع کلاس است که به‌صورت سالم (۰) و بیمار (۱،۲،۳،۴) مشخص‌شده است و مشخصات تعداد ۵۹۷ نمونه از افراد مبتلا به بیماری عروق کرونری در این مجموعه داده در سال ۱۹۸۸ جمع‌آوری‌شده است. داده‌های موجود در این مجموعه به سه دلیل بایستی پیش‌پردازش شوند. در این مجموعه داده، مقدار بعضی داده‌ها وارد نشده بود که به‌اصطلاح داده‌های گم‌شده بودند، هدف از این پیش‌پردازش این بود که داده‌های گم‌شده حذف شوند که در روند شبیه‌سازی خطا را کم کنند.

آزمایش و ارزیابی مدل

در این مرحله ۸۰% داده‌ها یعنی ۴۷۸ نمونه به‌صورت تصادفی جهت آموزش شبکه عصبی مصنوعی استفاده شده است برای پیاده‌سازی شبکه عصبی در نرم‌افزار مطلب از یک ماتریس ورودی شامل ۱۳ ستون و ۵۹۷ سطر و ماتریس دیگری با یک ستون و ۵۹۷ سطر به‌عنوان ماتریس هدف استفاده می‌شود (مقدار صفر برای ماتریس هدف یعنی سالم و مقدار یک یعنی بیمار).

داده‌های ورودی به شبکه با روش خطی نرمال شدند به‌گونه‌ای که داده‌ها بین صفر و یک قرار گیرد و سپس به شبکه عصبی وارد شدند ماتریس هدف نشان‌دهنده دو کلاس سالم و مریض بود درصورتی‌که نوع سالم باشد سطر مربوط به با آن با عدد صفر و اگر بیمار باشد با عدد یک پرشده است. در مرحله آزمون نیز ۲۰% داده‌ها یعنی ۱۱۹ نمونه که در مرحله آموزش استفاده نشده بودند به‌صورت بردار به شبکه عصبی مصنوعی پیاده‌سازی شده در نرم‌افزار متلب اعمال گردیده است.

شبیه سازی تشخیص بیماری عروق کرونری قلبی

تشخیص بیماری عروق کرونری قلبی در متلب 2014 انجام شده است. و نتایج آن بصورت نمودار میله‌ای برای ۵ معیار ‘Accuracy’; ‘Sensitivity’; ‘Specificity’; ‘Precision’; ‘F_score’; بدست آمده است. خروجی بدست آمده از اجرای این شبیه سازی به صورت زیر است.

درباره سورس کد تشخیص بیماری عروق کرونری قلبی در متلب

این اثر با استفاده از شبیه ساز متلب ۲۰۱۷ پیاده سازی شده و دارای ۱۰ صفحه فایل راهنما در قالب word می‌باشد. کیفیت شبیه سازی عروق کرونری قلبی در متلب توسط کارشناسان پی استور بررسی و تست شده است و دارای نشان کیفیت پی استور می‌باشد. برای دانلود پروژه تشخیص بیماری عروق کرونری قلبی با استفاده از الگوریتم شبکه‌های عصبی مصنوعی در متلب، آن را خریداری کنید. به محض خرید لینک دانلود در دسترس خواهد بود.