ارائه روشی ترکیبی جهت تشخیص بیماری قلبی با بهره گیری از رویکردهای انتخاب ویژگی تلفیقی و طبقه بندی بهینه
محورهای موضوعی : electrical and computer engineering
مارال كلاه كج
1
,
مرجان مطیعی زاده
2
1 - گروه مهندسی کامپیوتر، واحد سوسنگرد، دانشگاه آزاد اسلامی، سوسنگرد، ایران
2 - گروه کامپیوتر، واحد اهواز، دانشگاه آزاد اسلامی، اهواز، ایران
کلید واژه: انتخاب ویژگی, الگوریتم قورباغه, تشخیص بیماری قلبی, طبقه‌بندی ELM, کرنل موجک,
چکیده مقاله :
بیماری‌های قلبی یکی از مهم‌ترین عوامل مرگ‌ومیر در جهان محسوب می‌شوند و تشخیص زودهنگام آنها از اهمیت بالایی برخوردار است. روش‌های موجود در انتخاب ویژگی برای تشخیص بیماری قلبی معمولاً محدود به استفاده از یک الگوریتم واحد بوده و ممکن است منجر به انتخاب ویژگی‌های زائد یا حذف ویژگی‌های مهم شوند که این امر دقت طبقه‌بندی را کاهش می‌دهد. در این مقاله، روش ترکیبی جدیدی برای انتخاب ویژگی ارائه شده که با بهره‌گیری از تلفیق نرم نتایج چند الگوریتم انتخاب ویژگی، ویژگی‌های کارآمدتر و مرتبط‌تر شناسایی می‌شوند. همچنین برای افزایش دقت و سرعت تشخیص، از طبقه‌بندی ماشین یادگیری حداکثری با کرنل موجک استفاده شده که پارامترهای آن توسط نسخه اصلاح‌شده الگوریتم فراابتکاری قورباغه بهینه می‌شوند. این الگوریتم اصلاح‌شده شامل مکانیزم وزن‌دهی پویا و ترکیب با الگوریتم ژنتیک می‌باشد که به بهبود دقت و سرعت طبقه‌بندی کمک می‌کند. برای اثبات توانمندی و تعمیم‌پذیری روش، آن بر روی سه مجموعه داده معتبر UCI آزمایش شده که نتایج ارزیابی نشان می‌دهند دقت مدل پیشنهادی به 3/93% رسیده است. نتایج بیانگر توانمندی و تعمیم‌پذیری بالای روش پیشنهادی در تشخیص بیماری قلبی می‌باشد.
Heart disease is one of the leading causes of mortality worldwide, and its early diagnosis is of great importance. Existing feature selection methods for heart disease diagnosis are typically limited to using a single algorithm, which may lead to the selection of redundant features or the omission of important ones, consequently reducing classification accuracy. In this paper, a novel hybrid method for feature selection is proposed, which identifies more efficient and relevant features by employing a soft integration of the results from multiple feature selection algorithms. To enhance the accuracy and speed of diagnosis, an Extreme Learning Machine (ELM) classifier with a wavelet kernel is utilized, where its parameters are optimized using a modified version of the Shuffled Frog-Leaping Algorithm (SFLA). The improved algorithm incorporates a dynamic weighting mechanism and is combined with a Genetic Algorithm (GA), contributing to improved classification accuracy and speed. To demonstrate the robustness and generalizability of the proposed method, it is tested on three well-known UCI datasets. Evaluation results show that the proposed model achieves an accuracy of 93.3%. These findings highlight the high capability and generalization power of the proposed method in heart disease diagnosis.