SavedAdd your journal

Journals / Mühendislik Bilimleri ve Tasarım Dergisi / 2020 / Cilt: 8 Sayı: 5 Özel Sayı

DETERMINATION OF HEART DISEASE USING ARTIFICIAL INTELLIGENCE METHODS

YAPAY ZEKÂ YÖNTEMLERİ KULLANILARAK KALP HASTALIĞININ TESPİTİ

Özge Ekrem(ISPARTA UYGULAMALI BİLİMLER ÜNİVERSİTESİ, TEKNOLOJİ FAKÜLTESİ, MEKATRONİK MÜHENDİSLİĞİ BÖLÜMÜ, MEKATRONİK MÜHENDİSLİĞİ ANABİLİM DALI)0000-0001-9142-405X
Osamah Khaled Musleh Salman(ISPARTA UYGULAMALI BİLİMLER ÜNİVERSİTESİ, TEKNOLOJİ FAKÜLTESİ, MEKATRONİK MÜHENDİSLİĞİ BÖLÜMÜ, MEKATRONİK MÜHENDİSLİĞİ ANABİLİM DALI)0000-0001-6526-4793
Bekir Aksoy(ISPARTA UYGULAMALI BİLİMLER ÜNİVERSİTESİ, TEKNOLOJİ FAKÜLTESİ, MEKATRONİK MÜHENDİSLİĞİ BÖLÜMÜ, MEKATRONİK MÜHENDİSLİĞİ ANABİLİM DALI)0000-0001-8052-9411
Seyit Ahmet İnan(SÜLEYMAN DEMİREL ÜNİVERSİTESİ, REKTÖRLÜK)0000-0002-9489-7714
Pages
241–254
Publication Date
2020-12-29
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

As a result of the evaluation, it was determined that Random Forest classification made successful prediction with 86.88% accuracy, 85.71% specificity, 87.87% sensitivity, 87.87% precision and 87.87% F-measure value.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Today, with the rapid development of technology, artificial intelligence techniques are also widely used.
📊
Key Findings & Data:Within the scope of the study, the classification process was carried out to determine whether 303 individuals in the data set have heart disease or not using the Random Forest method and Particle Swarm Optimization.
💡
Conclusion & Impact:As a result of the evaluation, it was determined that Random Forest classification made successful prediction with 86.88% accuracy, 85.71% specificity, 87.87% sensitivity, 87.87% precision and 87.87% F-measure value.
🔬Design:Modeling & Simulation
📍Scope:Comprehensive Sample
⚙️Variables:Yapay Zekâ · Kalp Hastalığı · Sınıflandırma

Abstract

Today, with the rapid development of technology, artificial intelligence techniques are also widely used. Artificial intelligence methods are frequently used in many fields such as engineering applications, education and defense industry. One of the important uses of artificial intelligence is the health sector. The data set obtained from an open access website (kaggle) was used in this study conducted in the field of health sector. Heart disease was detected on the data set by using artificial intelligence methods. Within the scope of the study, the classification process was carried out to determine whether 303 individuals in the data set have heart disease or not using the Random Forest method and Particle Swarm Optimization. Feature selection was made using the Particle Swarm Optimization method, and the data set was trained with a random forest artificial intelligence algorithm. Random Forest model; The success rate was examined according to the performance evaluation criteria consisting of accuracy, specificity, sensitivity, precision, F-measure, and ROC curve. As a result of the evaluation, it was determined that Random Forest classification made successful prediction with 86.88% accuracy, 85.71% specificity, 87.87% sensitivity, 87.87% precision and 87.87% F-measure value.

Özet

Günümüzde teknolojinin hızla gelişmesi ile birlikte yapay zekâ teknikleri de yaygın bir şekilde kullanılmaktadır. Yapay zekâ yöntemleri mühendislik uygulamaları, eğitim, savunma sanayi gibi birçok alanda sıklıkla kullanılmaktadır. Yapay zekânın önemli kullanım alanlarından birisi de sağlık sektörüdür. Sağlık sektörü alanında gerçekleştirilen bu çalışmada açık erişimli bir internet sitesinden (kaggle) elde edilen veri seti kullanılmıştır. Veri seti üzerinde yapay zekâ yöntemleri kullanılarak kalp hastalığının tespiti gerçekleştirilmiştir. Çalışma kapsamında, Random Forest yöntemi ve Parçacık Sürü Optimizasyonu kullanılarak veri setinde yer alan 303 bireyin kalp hastası olup, olmadığına dair sınıflandırma işlemi gerçekleştirilmiştir. Parçacık Sürü Optimizasyonu yöntemi kullanılarak özellik seçimi yapılmış olup rastgele orman yapay zekâ algoritması ile veri seti eğitilmiştir. Rastgele Orman sınıflandırma modeli; doğruluk, özgüllük, duyarlılık, kesinlik, F-ölçüsü, ROC eğrisi ölçütlerinden oluşan performans değerlendirme kriterlerine göre başarı oranı incelenmiştir. Değerlendirme sonucunda Rastgele Orman sınıflandırmanın %86.88 doğruluk, %85.71 özgüllük, %87.87 duyarlılık, %87.87 kesinlik ve %87.87 F-ölçüsü değeri ile başarılı tahmin gerçekleştirdiği belirlenmiştir.

🔖

Cite This Article

Ekrem, Ö., Salman, O. K. M., Aksoy, B., İnan, S. A. (2020). DETERMINATION OF HEART DISEASE USING ARTIFICIAL INTELLIGENCE METHODS. Mühendislik Bilimleri ve Tasarım Dergisi, Cilt: 8 Sayı: 5 Özel Sayı, 241–254. https://doi.org/10.21923/jesd.824703

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (35)

  1. Ahmad, M. W., Mourshed, M., & Rezgui, Y. 2017. Trees vs Neurons: Comparison between random forest and ANN for high-resolution prediction of building energy consumption. Energy and Buildings, 147, 77-89
  2. Akar, Ö., & Güngör, O. 2012. Rastgele orman algoritması kullanılarak çok bantlı görüntülerin sınıflandırılması. Jeodezi ve Jeoinformasyon Dergisi, ss, 139-146.
  3. Aydın, İ., & Aşıcı, B. (2020). İnsan Hareketlerinin Tanınması için Parçacık Sürü Optimizasyonu Tabanlı Topluluk Sınıflandırıcı Yöntemi. Fırat Üniversitesi Mühendislik Bilimleri Dergisi, 32(2), 381-390.
  4. Aydın, İ., Salur, M. U., & Başkaya, F. (2018). Duygu Analizi için Çoklu Populasyon Tabanlı Parçacık Sürü Optimizasyonu. Türkiye Bilişim Vakfı Bilgisayar Bilimleri ve Mühendisliği Dergisi, 11(1), 52-64.
  5. Barrett Lowe and Kulkarni A. D. (2015). Multispectral Image Analysis Using Random Forest, International Journal on Soft Computing, vol. 6, no. 2, pp 1-14
  6. Boyraz, Ö. F., Seymen, V., Bozkurt, M. R., & Çetin, Ö. 2014. Makine Öğrenmesi Algoritmaları Kullanılarak Kalp Hastalığı Tespiti. Icemst 2014, 1260.
  7. Breiman, L. Rastgele Ormanlar. 2001. Machine Learning 45, 5-32.
  8. Bulut, F. 2016, May. Heart attack risk detection using Bagging classifier. In 2016 24th Signal Processing and Communication Application Conference (SIU) (pp. 2013-2016). IEEE.
  9. Chaovalitwongse, W. A., Fan, Y. J., & Sachdeo, R. C. 2007. On the time series $ k $-nearest neighbor classification of abnormal brain activity. IEEE Transactions on Systems, Man, and Cybernetics-Part A: Systems and Humans, 37(6), 1005-1016.
  10. Chen, J., Li, K., Tang, Z., Bilal, K., Yu, S., Weng, C., & Li, K. 2016. A parallel random forest algorithm for big data in a spark cloud computing environment. IEEE Transactions on Parallel and Distributed Systems, 28(4), 919-933.
  11. Çınaroğlu, S., & Bulut, H. (2018). K-ortalamalar ve parçacık sürü optimizasyonu tabanlı kümeleme algoritmaları için yeni ilklendirme yaklaşımları. Journal of the Faculty of Engineering & Architecture of Gazi University, 33(2).
  12. Das, R., Turkoglu, I., & Sengur, A. 2009. Effective diagnosis of heart disease through neural networks ensembles. Expert systems with applications, 36(4), 7675-7680.
  13. Gulia, A., Vohra, R., & Rani, P. 2014. Liver patient classification using intelligent techniques. International Journal of Computer Science and Information Technologies, 5(4), 5110-5115.
  14. Horning, N. 2010, December. Random Forests: An algorithm for image classification and generation of continuous fields data sets. In Proceedings of the International Conference on Geoinformatics for Spatial Infrastructure Development in Earth and Allied Sciences, Osaka, Japan (Vol. 911).
  15. Kartal, E. 2015. Sınıflandırmaya Dayalı Makine Öğrenmesi Teknikleri Ve Kardiyolojik Risk Değerlendirmesine İlişkin Bir Uygulama. Doktora Tezi. İstanbul Üniversitesi, Fen Bilimleri Enstitüsü. İstanbul.
  16. Kılıçarslan, S., & Çelik, M. 2019. Rotasyon Orman Sınıflandırma Algoritması Kullanarak Kronik Böbrek Rahatsızlığının Tahmini. Dumlupınar Üniversitesi Fen Bilimleri Enstitüsü Dergisi, (043), 21-34.
  17. Köksal, B. 2011. Regresyon analizinde ROC eğrisi kestirimi ile model seçimi. Yüksek Lisans Tezi. Marmara Üniversitesi, Sosyal Bilimler Enstitüsü. İstanbul.
  18. Masetic, Z., & Subasi, A. 2016. Congestive heart failure detection using random forest classifier. Computer methods and programs in biomedicine, 130, 54-64.
  19. Mursalin, M., Zhang, Y., Chen, Y., & Chawla, N. V. 2017. Automated epileptic seizure detection using improved correlation-based feature selection with random forest classifier. Neurocomputing, 241, 204-214.
  20. Opeyemi, O., & Justice, E. O. 2012. Development of neuro-fuzzy system for early prediction of heart attack. Information Technology and Computer Science, 9(9), 22-28.
  21. Ozcift, A., & Gulten, A. 2011. Classifier ensemble construction with rotation forest to improve medical diagnosis performance of machine learning algorithms. Computer methods and programs in biomedicine, 104(3), 443-451.
  22. Özekes, S. 2003. Veri madenciliği modelleri ve uygulama alanları. İstanbul Ticaret Üniversitesi Dergisi. ss, 65-82.
  23. Pal, M. 2005. Random forest classifier for remote sensing classification. International Journal of Remote Sensing, 26(1), 217-222.
  24. Özsağlam, M. Y., & Çunkaş, M. (2008). Optimizasyon problemlerinin çözümü için parçaçık sürü optimizasyonu algoritması. Politeknik Dergisi, 11(4), 299-305.
  25. Palaniappan, S., & Awang, R. 2008, March. Intelligent heart disease prediction system using data mining techniques. In 2008 IEEE/ACS international conference on computer systems and applications (pp. 108-115). IEEE.
  26. Priyanka, N., & RaviKumar, P. 2017, April. Usage of data mining techniques in predicting the heart diseases—Naïve Bayes & decision tree. In 2017 International Conference on Circuit, Power and Computing Technologies (ICCPCT) (pp. 1-7). IEEE.
  27. Sevli, O. 2019. Göğüs Kanseri Teşhisinde Farklı Makine Öğrenmesi Tekniklerinin Performans Karşılaştırması. Avrupa Bilim ve Teknoloji Dergisi, (16), 176-185.
  28. Sengur, A. 2008. An expert system based on principal component analysis, artificial immune system and fuzzy k-NN for diagnosis of valvular heart diseases. Computers in Biology and Medicine, 38(3), 329-338.
  29. Shao, Y. E., Hou, C. D., & Chiu, C. C. 2014. Hybrid intelligent modeling schemes for heart disease classification. Applied Soft Computing, 14, 47-52.
  30. Singh, J., Kamra, A., & Singh, H. 2016, October. Prediction of heart diseases using associative classification. In 2016 5th International Conference on Wireless Networks and Embedded Systems (WECON) (pp. 1-7). IEEE.
  31. Üner, S., Balcılar, M., & Ergüder, T. 2018. Türkiye hanehalkı sağlık araştırması: bulaşıcı olmayan hastalıkların risk faktörleri prevalansı 2017 (STEPS). Dünya Sağlık Örgütü Türkiye Ofisi, Ankara.
  32. Yan, H., Jiang, Y., Zheng, J., Peng, C., & Li, Q. 2006. A multilayer perceptron-based medical decision support system for heart disease diagnosis. Expert Systems with Applications, 30(2), 272-281.
  33. Yılmaz, M. 2018. Tarımsal Yaz Ürünlerin Sentinel-2 Uydu Görüntülerinden Rastgele Orman Algoritması İle Nesne-Tabanlı Sınıflandırılması. Yüksek Lisans Tezi. Hacettepe Üniversitesi, Fen Bilimleri Enstitüsü. Ankara.
  34. Wang, D., Tan, D., & Liu, L. (2018). Particle swarm optimization algorithm: an overview. Soft Computing, 22(2), 387-408.
  35. Wang, F., Zhang, H., Li, K., Lin, Z., Yang, J., & Shen, X. L. (2018). A hybrid particle swarm optimization algorithm using adaptive learning strategy. Information Sciences, 436, 162-177.