文摘
在医学,预测心脏病的发生是一件重要的工作。数以百万计的医药相关的复杂性,仍然没有解决到目前为止可以极大地简化了机器学习的帮助。拟议的研究涉及心脏疾病诊断决策支持系统。OpenML存储库数据流与100万年心脏病的实例和14个特征用于这项研究。申请进行预处理和特征工程技术后,机器学习方法如随机森林,决策树,梯度增加树、线性支持向量分类器,逻辑回归,one-vs-rest,多层感知器是用于执行二进制和multiclassification数据流。结合马克斯Abs定标器的技术时,多层感知器执行令人满意地在两个二进制(精度94.8%)和multiclassification(精度为88.2%)。与其他二进制分类算法相比,GBT交付正确的结果(95.8%)的准确性。多层感知器,然而,在多个分类。过采样采样等技术对疾病产生负面影响的预测。机器学习方法的多层感知器和乐团可以有助于诊断心脏疾病。 For this kind of unbalanced data stream, sampling techniques like oversampling and undersampling are not practical.
1。介绍
医疗行业产生大量的数据病人,疾病,和诊断,而是因为它没有正确分析,它不传达的意义。死亡的主要原因是心脏病。按照世界卫生组织心血管疾病(心血管病),声称一个每年大约1790万人的生命1),是全球死亡的主要原因。
冠心病、脑血管疾病、风湿性心脏病和其他一些条件是心脏和血管的疾病称为心血管病。心脏病和中风占4每5 CVD死亡,和三分之一的死亡发生在70岁之前2]。性别、年龄、吸烟、胆固醇、家族史、高血压、不良饮食、肥胖、缺乏运动,饮酒是心脏疾病的主要危险因素3]。遗传危险因素如高血压和糖尿病也导致疾病。肥胖、不良的饮食习惯和缺乏身体活动是一些额外的生活方式因素,增加了风险。
主要症状和体征包括心悸、出汗、乏力、气短、手臂和肩膀疼痛,背部疼痛和胸痛。最典型的可怜的心脏血流量或心脏病发作的迹象仍胸痛。心绞痛是这种胸痛的名字(4]。有各种各样的测试,包括x射线,MRI扫描,和血管造影诊断疾病。然而,在一些实例中,有一个缺乏资源在紧急情况下因为医疗设备可以在关键时刻。每一秒计数等疾病的诊断和治疗心血管疾病。大数据分析的潜力提高心血管的护理质量和病人的结果是巨大的5因为心脏中心和门诊部当生成大量的数据相关的心脏疾病的诊断。然而,由于噪声、不完整的信息和不一致,很难精确,使用这些数据准确、一致的决定。人工智能(AI)正在扮演一个重要的角色在心脏病由于巨大的进步在技术、存储、获取和知识经济复苏(6- - - - - -10]。研究人员使用各种预处理数据的数据挖掘技术来决定使用各种机器学习模型(11,12]。
本文的内容侧重于决策支持系统的研发使用14特性预测心脏病临床数据。文献综述介绍了相关研究到目前为止。该研究解释了漏洞的先前的研究和讨论了一个正确的方法来准确诊断疾病。方法和结果通过数据挖掘提供预处理技术。它介绍了分析、精度和机器学习算法的准确性,可以通过临床数据的有效诊断心脏问题。最后,结论描述了性能,分析和对比不同类型的算法模型。
1.1。动机和贡献
心脏病历来是死亡的主要原因。世界卫生组织列出了心血管疾病(心血管病)作为世界上头号杀手,每年夺去1790万人的生命(1]。心脏和血管的疾病被称为心血管病包括条件如冠心病、脑血管疾病、风湿性心脏病等等。4每5 CVD死亡源于心脏病发作或中风,和三分之一的死亡发生在70岁之前2]。
这里有以下提出实质性贡献的工作:(1)我们首先解决数据集的问题,我们后来细化和标准化。这是该工作的一个重大贡献。后,数据集被用来训练和测试分类器来查看哪些提供了最高的精度(2)然后我们使用相关矩阵确定最佳值或特征(3)在第三步中,我们使用机器学习的数据集预处理方法实现最高精度可能通过调整参数(4)的准确性、召回、精密, - - - - - -测量提出了分类器的评估(5)在评估中列出的最先进的准确性”1和2”,该分类器提供更好的精度
文档的其余部分的结构如下:部分2描述了文献综述。部分3提供了方法论部分4介绍了算法。部分5讨论结果和讨论。最后,部分6总结了研究。
2。文献综述
心脏病的分类使用数据挖掘和机器学习一直是许多研究的主题和方法(13]。al - janabi提供了一个深入分析研究使用的机器学习领域的心脏病。作者认为,一个数据集和足够的样本和准确的数据必须被用来创建一个有效的模型来预测心脏病。数据集应该适当预处理,这一步将有最大的影响的机器学习算法使用数据集。
在这项研究中,作者主张使用合适的算法,如决策树(DT)或人工神经网络(ANN),当创建一个预测模型。决策树和人工神经网络(ANN)都表现良好在大多数心脏病(DT)估算方法。使用数据分析工具和机器学习算法的人工神经网络(ANN),决策树,模糊逻辑, - - - - - -最近的邻居(资讯)、朴素贝叶斯和支持向量机,Marimuthu et al。14)提出了一个预测心脏病模型(支持向量机)。算法的性能和以前的工作的概述进行了讨论。Yadav et al。15)提出一个架构,包括预处理之前输入的数据训练和测试各种算法。作者强调使用演算法来增加每毫升算法的演示。作者还支持参数调优的想法得到良好的精度。
Sharma et al。16推荐一个深度学习方法诊断心脏疾病使用UCI数据集的心脏疾病。他们建议心脏病诊断的关键区域之一深神经网络可以应用于提高分类的质量。他们提出,塔洛斯hyperparameter优化比其他模型更有效的优化技术。心脏疾病的预后使用机器学习模型与确定性高、精度,讨论了召回Ramalingam et al。17]。这些模型包括资讯、支持向量机、DT和RF算法。支持向量机(SVM)分类的预测模型精度最高86%的心脏病在UCI机器学习库。
Ravindhar et al。18)四个机器学习算法和一个神经网络用于识别比较性能测量和心脏疾病。能够预测心脏攻击,作者评估算法的准确度,精密度,召回和F1的设置。深层神经网络算法实现了98%的心脏病识别的准确性。在[19),拉莎,Jeeva提高心脏病的预测精度使用系综分类模型。为了证明算法的价值在疾病早期预测,拉莎和Jeeva19侧重于应用医学数据集。研究结果表明,整体技术,如装袋和提高,有助于增加弱分类器的可预测性和执行令人钦佩地在计算患心脏病的风险。实现特征选择过程的性能进一步改善,结果显示显著提高预测精度。合奏帮助弱分类器分类精度提高7%。
的作者(20.]相比毫升心脏和糖尿病等分类器在不同的数据集的数据集。的作者(21)检查毫升分类器在医疗保险成本数据集。(22)使用了六个流行的数据挖掘工具对心脏病进行分类:使用LR,资讯,支持向量机,射频,KNIME,这些工具相比,六个常用的机器学习技术。最常见最有效的学习问题研究在文献中是单标牌分类。训练数据分类算法标记的实例是最模糊的使用主动学习策略被称为不确定性抽样。抽样方法不确定性是有效的计算。
尽管他们不评估候选实例的未来预测信息量大量的未标记数据,他们展示了良好的实证性能(23]。提出了一种晶体材料预测方法(24USPEX]使用进化优化技术和机器学习原子间势有意识地学习。(25)关注最有效的方法来自动代表配置设置训练集开发矩张量的潜力时,MLIP包中实现。(26)展示了如何选择自动hyperparameters仅仅通过主动学习。他们提高了分类模型构成一个超级hyperparameters学习者模型使用贝叶斯方法。修改解决方案接近最优预测,他们使用模拟,深度学习培训,代理优化。
他们结合混合数据因子结构和RF-based MLA创建一个自治系统框架在一篇(27]。射频是用来预测疾病通过FAMD找到相关的特性。该方法的准确率93.44%,利率敏感性89.28%,特异性96.96%的利率。同样的方法是提高混合模型的应用28),导致75.9%的准确性。提高整体的方法是实验室评估使用UCI数据集,ANN模型达到82.5%的精度和78.88%的混合模型实现性能(29日]。心脏病的预测是一个研究领域,涉及到众多的研究人员。心脏疾病的许多方面在他们的研究。(30.发现支持向量机性能更好,平均96%的准确率。DT模型,根据作者在31日),始终优于NB和支持向量机模型。根据调查结果,支持向量机达到87%的准确度,DT达到90%的精度,和心脏病LR达到最高的准确性预测相比,DT, NB,支持向量机,和资讯,见32]。评估先天性心脏病,RF-based框架的预测精度是97% (33),特异性为88%,敏感性为85%。的特异性为95%,敏感性为93.5%,我们使用LR, EVF,火星和购物车毫升模型(34)检测心血管疾病和94%的同现。
研究人员提出的合奏和混合模型预测心血管疾病为了达到一个更好的结论。在CVD Mendeley数据中心,数据集从IEEE数据端口,和克利夫兰数据集,分别提出的模型(35达到96,93年,88.24%的准确率。的作者(36成功结合射频和LR模型预测心脏病准确率达到了88.7%。这些研究的目的是检查颈动脉斑块之间的相关性和冠状动脉钙在无症状的个体,以及它们之间的关系来预测心血管疾病的发生风险37]。物联网(物联网)和ML和深度学习现在广泛用于疾病检测和预测。在[38),作者使用移动技术和深度学习方法预测心脏病的准确性达94%。作者结合了物联网和早期心脏感染预测[ML分类器39]。我们的目标是展示如何使用毫升解决问题。通过检查数以百计的医疗数据集,我们使用机器学习来分析案例相关的疾病和其他健康问题40]。
3所示。方法
与多个数据流分类以及二进制数据,应用机器学习技术。过程的步骤下面是显示在图3”。
3.1。数据集
大心脏疾病数据流不平衡是获得OpenML存储库。OpenML存储库中,各种域数据流是可用的。不平衡数据流由14个属性,1000000情况下,目标类和5。上传的数据流是2014年Jan Van Rijn OpenML存储库。对于二进制分类,多级数据转换成二进制类代替目标变量值2,3,4和1。数据集描述”表1”。
3.2。数据的描述性统计
表中描述的数据描述性统计2,如最小,最大。,mean, standard deviation, and variance.
3.3。每个类实例
“图4”是一个图形表示数据分布,包括实例的数量在每个类心脏病的数据集。
3.4。预处理
数据流由名义和数值特性集。许多ML算法不处理名义值;因此,这些值在数值需要转换。在这种方法中,名义值替换为下表(1]。此外,一些特征的数据集有相对较大的值比其他学习导致偏见。在这种方法中,我们应用了马克斯Abs定标器技术数据集(41]。
3.5。工程特性
数据挖掘技术用于创建特性从原始数据使用的过程特性工程,这增强了ML算法的性能。功能的重要性提供了数据集的分数为每个特性。更高的分数,更重要的功能是向目标变量,如“图所示5”。
3.6。相关矩阵热图
是简单的哪些功能最相关的其他特征或目标变量使用一个热图(42]。结果显示在图6”。
3.7。分裂
为了收集培训和测试数据分析过程中,使用分裂。整个数据流分成训练集和测试集,占70%的数据训练数据和测试数据剩余的30%。
3.8。分类
训练数据训练用七种不同的二进制和multiclassification ML算法。模型的细节如表所示3(2]。
4所示。算法
在本文中,一些ML算法应用于心脏疾病的巨大不平衡数据流。
4.1。决策树
最有效且受人爱戴的预测和分类决策树的工具。通过学习简单的决策规则隐含的数据特性,决策树预测目标变量的值。在大多数情况下,决策规则是由if - then - else语句。规则以及滤波器模型的复杂性与树的深度增加43]。
4.2。随机森林
其中最适销对路和强有力的监督机器学习算法,随机森林或非常随机森林可以进行回归和分类任务。它培养了decision-tree-filled森林。一般来说,预测更准确更健壮的森林里树木越多。而回归的估计输出的各种树木,分类使用投票系统来确定哪个类获得选票最多的从其他树木在森林。此外,它成功地管理高维大数据集。(44]。
4.3。梯度增加树
梯度增加树学习者组合起来形成一个强大的学习者,提高。GBT使用相同的技术作为演算法中平等权重分配给每一个观察。它减少了大量的观察很容易分类以及增加那些很难分类。第二棵树种植使用新的权重。新的预测,而这个过程不断重复,直到几个迭代(45]。的梯度不同,它使用在“情商损失函数的梯度。(1)。”
这里的“e“表示错误意味着多少算法擅长预测比实际的类。
4.4。线性支持向量分类器
最有效的技术用于二进制分类是线性支持向量分类器。它的目的是学习提供的数据并返回“最适合”的超平面。边界超平面是决定帮助数据点进行分类。超平面尺寸取决于数量的特性。在这种情况下,随着特征数量的两个,所以超平面是一个连续两个类之间的分隔线。在构建SVC模型,支持向量帮助最大化利润,这样应该创建一个完美的边界(46]。
4.5。One-vs-Rest
one-vs-rest算法使用问题变换技术,在多类问题分为多个二进制问题[47]。它利用二进制不同的多级分类器分类使用启发式方法。多级数据集分为不同的二元分类问题。因为有一个平等的各种类的数据集,同等数量的模型创建。最某些模型用于预测。每个模型预测响应和成员概率。类的选择各自的模型和概率最高的分数给予积极响应(48]。
4.6。逻辑回归
热门分类响应预测技术包括逻辑回归,这是广义线性模型的一个特例,预测目标变量的可能性。分类问题的首选方法。一个线性模型或乙状结肠函数,它是一个非线性函数,用于转换输出的预测。逻辑回归可以用于复杂的数据集,它可以构建更复杂的决策边界(49]。
4.7。多层感知器
一个子类前馈神经网络的多层感知器(安)。它有几层,生成一组一组的输出输入。它通常有一个输入数据,一个隐藏层和输出层或至少三层节点。隐藏层使用的线性组合数据与每个节点的权重和偏见似乎应用激活函数的输入映射到输出。输入层代表输入数据。反向传播用于训练网络(50]。
5。结果和分析
二进制和multiclassification结果将在这一节中讨论。
5.1。二进制分类结果
几种分类方法用于分类,及其性能测定。精度评估是不够的。二进制分类算法准确性如图1,,,的值计算精度和召回,和ROC曲线和公关是生成的。下面的图表说明了生成模型(图的性能7- - - - - -11)射频、GBT LSVC、LR、和延时。
下面是应用的公关和ROC曲线模型:
5.2。Multiclassification结果
许多机器学习算法用于multiclassification分析心脏数据流,以及他们的评估精度图所示2。
6。抽样
multiclassification提供偏颇或错误的结果由于数据流中数据不平衡,有时,所有数据的类2、3和4分裂成培训或测试数据。来处理这件事,过采样和采样平衡技术应用到数据流表(使用上述分类算法2和测量精度。
6.1。过采样
过采样的例子涉及到随机选择少数类,更换和添加他们的训练数据集(51]。结果是“图所示12”。
6.2。欠采样
欠采样涉及到随机选择的例子从多数类和删除他们的训练数据集”图13”。
7所示。结论
本文一些ML算法实用心脏病的巨大不平衡数据流看到他们的行为。在这种方法中,心脏病数据集从OpenML存储库用于培训除了测试的目的。心脏病落后分类预处理和特征工程的步骤和数据分割,然后分类,评估。二元分类和multiclassification,多层感知器的精度提高了3%,应用最大Abs标量,而其余的算法没有这样马克斯Abs定标器对其精度的影响。在二进制和multiclassification,充分执行的多层感知器分类器。二元分类,分类算法,随机森林,逻辑回归,GBT,线性SVC,多层感知器,提供高精度的分数数据流的不平衡率较低,而在一个不平衡的multiclassification率数据流高,分类算法,随机森林、逻辑回归、决策树、一个vs休息和多层感知器,提供更少的准确性分数。同时,在这种类型的大型数据流不平衡,平衡过采样技术和欠采样有不利影响数据的准确性。
数据可用性
本研究中使用的数据可以从相应的作者。
的利益冲突
作者宣称没有利益冲突。