33132

پيش‌بيني بيماري قلبي با استفاده از يادگيري ماشين

كارشناسي ارشد

مهندسي كامپيوتر- سيستم‌هاي نرم‌افزاري

1401

1403/12/4

بهروز مينائى

حسن نادري

دانشكده مهندسي كامپيوتر

هدف از اين پژوهش بررسي تكنيك‌هاي مختلف يادگيري ماشين بود كه ممكن است براي پيش‌بيني بيماري قلبي به كار گرفته شوند. از طريق يك مرور جامع بر ادبيات تحقيق، قصد داشتيم تكنيك‌ها، الگوريتم‌ها و ميزان اثربخشي آن‌ها در پيش‌بيني پيشرفت بيماري در افراد را مشخص كنيم و ديدگاه‌هاي دقيق‌تري ارائه دهيم. يافته‌ها شامل بررسي طيف گسترده‌اي از روش‌هاي يادگيري ماشين است، جايي كه تحقيقات از روش‌هاي سنتي مانند نايو بيز و رگرسيون لجستيك تا روش‌هاي پيشرفته‌تري مانند شبكه‌هاي عصبي، ماشين‌هاي بردار پشتيبان و روش‌هاي تركيبي مانند جنگل تصادفي گسترش يافته است. از طريق تحليل اين روش‌ها، به چندين شيوه استفاده از آن‌ها براي استخراج الگوهاي بزرگ و شاخص‌هاي پيش‌آگهي از مجموعه داده‌هاي پيچيده كه شامل اطلاعات جمعيتي بيماران، عوامل باليني، آزمايش‌هاي تشخيصي و گرايش‌هاي ژنتيكي است، پرداخته‌ايم. پيش‌بيني شروع بيماري قلبي يكي از جنبه‌هاي مورد بررسي در اين پژوهش است. اين تحقيق مدل‌ها را بر روي يك مجموعه داده منتشر شده تنظيم كرده و نتايجي به دست آورده است كه عملكرد بهتري نسبت به كارهاي مرتبط پيشين نشان مي‌دهد. همچنين، اين مطالعه يادگيري انتقالي از شبكه‌هاي عصبي عميق به مدل‌هاي يادگيري ماشين را بررسي كرده و نشان داده است كه در صورت انتخاب صحيح مدل‌ها، نتايج اميدواركننده‌اي حاصل مي‌شود. علاوه بر اين، تحقيقاتي در مورد افزايش مجموعه داده‌ها براي افزايش تعداد نمونه‌ها و بهبود كيفيت نمونه‌هاي توليد شده انجام شده است.

1403/12/22

Heart Disease prediction using machine learning

1/1/1900 12:00:00 AM

The purpose of this research was to investigate different machine learning techniques that might be employed for the prediction of heart disease. From an in-depth literature review, we have intended to delineate and offer refined perspectives about the techniques, algorithms, and how effectively would they manage to predict the progress of the disease in the individual. Findings include the review of a wide variety of machine learning methods where research stretched from the conventional methods like Naïve Bayes and logistic regression to the more advanced ones, such as neural networks, support vector machines, and ensemble methods like Random Forest. Through an analysis of these methodologies, we shed light on several ways methods are used to extract big patterns and prognostic indicators from intricate datasets that involve patient demographics, clinical factors, diagnostic tests, and genetic propensities. That they predict the onset of heart disease is one aspect of investigation in our research. The work finetuned the models on a published dataset and achieved results that outperformed the results of related works. The work also investigated the transfer learning from Deep neural networks to machine learning models and showed promising results when models are correctly chosen. In addition, the investigation of dataset augmentation to increase the number of samples and the quality of the generated samples.

بيماري قلبي , پيش‌بيني , يادگيري ماشيني

heart disease , prediction , machine learning

Hashem Alsari

Dr. Minaeei