تشخیص بیماری عروق کرونری قلبی در متلب Coronary Artery Heart Disease با استفاده از الگوریتم شبکههای عصبی مصنوعی عنوان پروژه ای است که در متلب 2014 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 10 صفحه فایل راهنما در Word است. در ادامه به تشریح پروژه می پردازیم.
برنامهنویس: تیم برنامه نویسی پی استور
متشکل از اساتید و فارغ التحصیلان رشته های فنی - مهندسی
تیم برنامه نویسی پی استور یکی از اولین گروه های تشکیل شده در مجموعه آموزشی پی استور می باشد. این تیم از اساتید مجرب و فارغ التحصیلان رشته های فنی و مهندسی تشکیل شده که در زمینه های مختلف برنامه نویسی و تهیه سورس کد فعال هستند.
تشخیص بیماری عروق کرونری قلبی با الگوریتم شبکههای عصبی مصنوعی
بیماری قلبی – عروقی یکی از مهم ترین علل مرگ و میر در کشورهای پیشرفته و جهان سوم است. از نظر پاتولوژی، شایع ترین علت بیماری های قلبی – عروقی تصلب شرائین است. این بیماری تا هنگامی که بیش از 22 % قطر داخلی رگ را درگیر نکند، علائم بروز نمی کنند. در اثر فعال شدن پلاکت ها، موادی نظیر ترومبوکسان و سروتونین ترشح شده که باعث تحریک انقباض عروق و انتشار لخته می شوند. هنگامی که وسعت تجمع پلاکت ها 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 می دهد که منجر به سکته و مرگ بیمار می شود.
امروزه استفاده از روشهای تشخیص خودکار بیماری موردتوجه 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 75 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 داده ی یادگیری ماشین دانشگاه ارواین، ایالت کالیفرنیا آمریکا (University of California at Irvine) است و در این پایگاه، داده هایی از چهار مجموعه داده متفاوت برای تشخیص بیماری های قلبی قرار دارند. داده های فوق از چهار منبع )بنیاد کلنیک کلیولند، انستیتوکاردیولوژی مجارستان، مرکز پژشکی لانگ بیچ کالیفرنیا و بیمارستان دانشگاه زوریخ سویس( جمع آوری شده بود. در مجموع، در این پایگاه ها، داده ها با 72 ویژگی یا متغیر مختلف اندازه گیری شدند که به طور مستقیم یا غیر مستقیم با بیماری های قلبی مرتبط بودند.
در پیش پردازش داده ها، جهت کم کردن تعداد متغیرها، کاهش زمان پردازش و اجرای مدل های داده کاوی ، 14 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 0 یا 1 است مقدار متغیر هدف یا نشان دهنده وجود بیماری قلبی و صفر، نشان دهنده عدم وجود بیماری می باشد.
13 ویژگی در این ساختار مشخص است و سطر آخر نیز نمایان گر نوع کلاس است که بهصورت سالم (0) و بیمار (1،2،3،4) مشخصشده است و مشخصات تعداد 597 نمونه از افراد مبتلا به بیماری عروق کرونری در این مجموعه داده در سال 1988 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 80% دادهها یعنی 478 نمونه بهصورت تصادفی جهت آموزش شبکه عصبی مصنوعی استفاده شده است برای پیادهسازی شبکه عصبی در نرمافزار مطلب از یک ماتریس ورودی شامل 13 ستون و 597 سطر و ماتریس دیگری با یک ستون و 597 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 20% دادهها یعنی 119 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 میله ای برای 5 معیار ‘Accuracy’; ‘Sensitivity’; ‘Specificity’; ‘Precision’; ‘F_score’; بدست آمده است. خروجی بدست آمده از اجرای این شبیه سازی به صورت زیر است.
ویدئوی معرفی محصول
درباره سورس کد تشخیص بیماری عروق کرونری قلبی در متلب
این محصول با استفاده از شبیه ساز متلب 2017 پیاده سازی شده و دارای 10 صفحه فایل راهنما در قالب word می باشد. کیفیت شبیه سازی عروق کرونری قلبی در متلب توسط کارشناسان پی استور بررسی و تست شده است. محصول دارای نشان کیفیت پی استور می باشد. 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.
تضمین کیفیت و گارانتی بازگشت هزینه
توجه: کیفیت این محصول توسط پی استور تضمین شده و در صورت عدم رضایت از محصول، به انتخاب شما:
- ۱۰۰ درصد مبلغ پرداختی در حساب کاربری شما شارژ میشود.
- و یا 80 درصد مبلغ پرداختی به حساب بانکی شما عودت داده میشود.
مطالب مرتبط در مورد تشخیص بیماری
تاریخ انتشار: | 23 فروردین 1397 |
---|---|
تاریخ بروزرسانی: | 3 دی 1398 |
حجم فایل: | 83 کیلوبایت |
فرمت فایل | m. در قالب متلب |
مدت زمان: | 1.0 |
شناسه اثر: | ندارد |
هماهنگی با: | Matlab 2009 و بالاتر |
تاکنون 542 نفر این محصول را تهیه کرده اند و 2 نظر برای آن ثبت شده است.
نظرات و دیدگاه ها
قوانین ثبت دیدگاه
- لطفاً دیدگاه های خود را فارسی تایپ کنید.
- دیدگاه های نامرتبط به مطلب تایید نخواهد شد.
- از درج دیدگاه های تکراری پرهیز نمایید.
- سوالات تخصصی خودتان را از طریق تیکت پشتیبانی مطرح کنید.
هزینه سفارش: 89,000 تومان
تاریخ انتشار: | 23 فروردین 1397 |
---|---|
تاریخ بروزرسانی: | 3 دی 1398 |
حجم فایل: | 83 کیلوبایت |
فرمت فایل | m. در قالب متلب |
مدت زمان: | 1.0 |
شناسه اثر: | ندارد |
هماهنگی با: | Matlab 2009 و بالاتر |
2 بازخورد (مشاهده نظرات)
هزینه سفارش: 89,000 تومان
سودا اکبری
سلام ممنون از شما بابت این پروژه. همه چیز اوکی هست فقط می خواستم بدونم می تونیم تعداد لایه های میانی را 2 یا 3 لایه کنیم و آیا در تشخیص بیماری نتیجه رو بهتر می کنه یا نه؟
مدیریت و پشتیبانی
نظرات و دیدگاه های خود را با ما درمیان بگذارید.