طراحي سيستم پيش‌بيني بيماري قلبي - عروقي با استفاده از ماشين بردار پشتيبان

Designing a Heart Disease prediction S ystem using Support Vector Machine

بيماري هاي قلبي عروقي بزرگ ترين عامل مرگ و مير در سراسر جهان است. طبق اعلام سازمان بهداشت جهاني در هر سال حدود 12 ميليون مرگ و مير در سراسر جهان بر اثر بيماري هاي قلبي عروقي تخمين زده شده است. هدف اصلي از اين مقاله، طراحي يك سيستم هوشمند به كمك كامپيوتر است كه بتواند بيماري قلبي را در فرد مبتلا تشخيص دهد.روش: در اين مطالعه توصيفي تحليلي، داده هاي مربوط به 270 نفر كه شامل 13 ويژگي مي باشد مورد استفاده قرار گرفت. جهت تشخيص فرد مبتلا به بيماري قلبي از تركيب سيستم فازي و طبقه بندي كننده ماشين بردار پشتيبان با استفاده از امكانات موجود در نرم افزار متلب پياده سازي گرديد و بر روي سيستم core i5 تحت ويندوز 7 شبيه سازي شد.نتايج: در اين تحقيق از تكنيك فازي و الگوريتم ماشين بردار پشتيبان جهت تشخيص بيماري قلبي استفاده شده كه موثر واقع گرديده است. از آنجايي كه در اين مطالعه هدف، تشخيص درست و سريع مي باشد؛ بنابراين تشخيص سريع، شانس نجات فرد را افزايش مي دهد. همچنين معيارهاي ارزيابي در اين سيستم نرخ دسته بندي و حساسيت مي باشد كه عملكرد اين سيستم بر اساس اين شاخص ها به ترتيب 85% و 85/8 % به دست آمده است.نتيجه گيري: با توجه به نتايج به دست آمده، مشاهده مي شود كه سيستم پيشنهادي با دقت نسبتاً بالايي، افراد مبتلا به بيماري قلبي عروقي را تشخيص مي دهد.

Introduction: Cardiovascular diseases are the leading cause of death worldwide. The world health Organization has estimated 12 million deaths per year worldwide, due to the cardiovascular diseases. The main aim of this study was to design a smart computer-aided system for the diagnosis of heart disease in patients. Methods: In this study descriptive and analytical study, data of 270 people with 13 features were used. The fuzzy system and support vector machine classifier were combined using facilities of MATLAB software and were simulated by a system of core i5 and windows7, as the operating system, to diagnose patients with heart disease. Results: Fuzzy technique and support vector machine algorithm that were used for the diagnosis of heart disease was efficient in rapid diagnosis and consequently increasing the patient chance for survival. Evaluation criteria in this system were rates of categorization and sensitivity and the system performance for these two indicators were respectively 85% and 85.8%. Conclusion: According to the results, the proposed system can diagnose patients with cardiovascular diseases with a relatively high accuracy.