کلاس بندی داده های بیماری های قلبی با پرسپترون چند لایه
پروژه ۶۰۷: کلاس بندی داده ها مربوط به داده های بیماری های قلبی با متلب
یکی از علل اصلی و مهم مرگ ومیر در جهان (خصوصا در کشورهای جهان سوم و از جمله ایران) بیماری های قلبی و سکته قلبی است. سکته قلبی در اثر تنگی شدید و انسداد عروق تغذیه کننده عضله قلب (عروق کرونر) به وجود می آید.
علت اصلی و مهم تنگی و انسداد عروق کرونر قلب، سفت و سخت شدن جدار عروق کرونر یاتصلب شرائین است و عوامل موثر و مساعدکننده بیماری های عروق کرونر عبارتند از: افزایش چربی های مضر خون (LDL-VLDL) افزایش فشار خون، مصرف سیگار، عدم تحرک، بیماریقند، چاقی – فشارهای روانی و ارث. تحقیقات و مطالعات نشان داده اند که فعالیت هایبدنی و ورزش مناسب و طولا نی مدت در پیشگیری از بیماری های قلبی دخالت دارد و میزانمرگ و میر در اثر سکته قلبی در میان ورزشکاران ۲۵ درصد کمتر از افراد غیرورزشکار وعادی می باشد.
در شبیه سازی حاضر قصد داریم تا ۱۴ کلاس داده شامل ورودی و خروجی را کلاس بندی نماییم. این ۱۴ تا داده در زیر لیست گردیده است.
- # ۳ (سال)
- # ۴ (جنس)
- # ۹ (CP)
- # ۱۰ (trestbps)
- # ۱۲ (کلسترول)
- # ۱۶ (FBS)
- # ۱۹ (restecg)
- # ۳۲ (thalach)
- # ۳۸ (exang)
- # ۴۰ (oldpeak)
- # ۴۱ (شیب)
- # ۴۴ (CA)
- # ۵۱ (تالاسمی)
- # ۵۸ (NUM) (ویژگی پیش بینی)
در داده چهاردهم خروجی اینکه آیا بیمار است یا خیر، تخمین زده می شود.
در مجموع داده های ورودی و خروجی مطابق جدول فوق می باشد.
این شبیه سازی به همراه توضیحات می باشد.
در صورت سوال در مورد محصول می توانید از بخش تماس با ما (منوی بالا)، با شماره تلفن مورد نظر مکاتبه نمایید .
برخی نتایج از عملکرد شبکه:
Performance
=
۰٫۷۷۶۳
trainPerformance =
۰٫۵۴۵۸
valPerformance =
۱٫۷۰۸۹
testPerformance =
۰٫۹۲۲۷
برخی مراجع:
Detrano, R., Janosi, A., Steinbrunn, W., Pfisterer, M., Schmid, J., Sandhu, S., Guppy, K., Lee, S., & Froelicher, V. (1989). International application of a new probability algorithm for the diagnosis of coronary artery disease. American Journal of Cardiology, 64,304–310.
[Web Link]
David W. Aha & Dennis Kibler. “Instance-based prediction of heart-disease presence with the Cleveland database.”
[Web Link]
Gennari, J.H., Langley, P, & Fisher, D. (1989). Models of incremental concept formation. Artificial Intelligence, 40, 11–61.
[Web Link]
مجموعه: شبکه عصبی, مهندسی کامپیوتربرچسب ها ادامه الگوريتم Back propagation, انجام پروژه های متلب با شبکه های عصبی, بیماری های قلبی در متلب, پروژه تشخیص بیماریهای قلبی (تحقیقاتی), پروژه های متلب رایگان, پیش بینی بیماری قلبی با استفاده از تکنیک داده کاوی شبکه عصبی, پیش بینی بیماری قلبی با متلب, تشخیص بیماری قلبی در متلب, تشخیص و کلاس بندی سرطان در متلب, خوشه بندی داده های بیماری قلبی با متلب, دانلود مقالات مرتبط با بیماری های قلبی با متلب, شبکه عصبی و کاربرد آن در پزشکی, کاربرد شبکه عصبي مصنوعي جهت ارزيابي بيماري عروق کرونري قلب, کلاس بندی بیماری های قلبی با متلب, کلاس بندی پروژه در متلب, کلاس بندی داده ها مربوط به داده های بیماری های قلبی با پرسپترون چند لایه, کلاس بندی در متلب, ﻣﺮاﺟﻌﻪ ﺑﯿﻤﺎران در ﺣﺎد ﻗﻠﺒﯽ ﺳﮑﺘﻪ ﺑﯿﻨﯽ ﭘﯿﺶ با شبکه عصبی

