Sistem Fuzzy Ahli Penyakit Jantung Diagnosa Ali.Adeli, Mehdi.

Neshat Abstrak-Tujuan dari penelitian ini adalah untuk merancang Ahli Fuzzy Sistem untuk diagnosis penyakit jantung. Sistem yang dirancang berdasarkan pada VA Medical Center, Long Beach dan Cleveland Clinic Yayasan basis data. Sistem ini memiliki input field 13 dan satu Output lapangan. Field input adalah nyeri dada jenis, tekanan darah, kolesterol, gula darah beristirahat, detak jantung maksimum, beristirahat elektrokardiografi (EKG), olahraga, puncak tua (ST depresi diinduksi oleh latihan relatif untuk beristirahat), thallium scan, jenis kelamin dan usia. Bidang Output mengacu pada adanya penyakit jantung pada pasien. Ini adalah integer bernilai dari 0 (tidak ada kehadiran) sampai 4 (Membedakan kehadiran (nilai 1, 2, 3, 4)). Sistem ini menggunakan Mamdani metode inferensi. Hasil yang diperoleh dari sistem yang dirancang dibandingkan dengan data di atas database dan mengamati hasil dari sistem yang dirancang sudah benar di 94%. Sistem dirancang dalam perangkat lunak Matlab. Sistem dapat dilihat sebagai alternatif untuk metode yang ada untuk membedakan kehadiran penyakit jantung. I. Pendahuluan

Saat ini penggunaan teknologi komputer di bidang diagnosis wilayah kedokteran, pengobatan penyakit dan pasien mengejar telah sangat meningkat. Terlepas dari kenyataan bahwa bidang, di mana komputer yang digunakan, sudah sangat tinggi kompleksitas dan ketidakpastian dan penggunaan sistem cerdas seperti logika fuzzy, jaringan syaraf tiruan dan genetic algoritma telah dikembangkan [1]. Dalam domain dari risiko penyakit jantung, merokok, kolesterol, darah tekanan, diabetes, jenis kelamin dan usia merupakan faktor risiko utama yang mempengaruhi risiko penyakit jantung [4]. Karena banyak dan pasti faktor risiko dalam risiko penyakit jantung, kadang-kadang diagnosis penyakit jantung sulit bagi para ahli. Dalam kata lain, tidak terdapat batas yang tegas antara apa yang Sehat dan apa yang berpenyakit, sehingga membedakan tidak pasti dan jelas [2]. Setelah begitu banyak faktor untuk menganalisis untuk mendiagnosa jantung penyakit pasien membuat pekerjaan dokter sulit. Jadi, ahli memerlukan alat yang akurat yang mempertimbangkan risiko ini faktor dan menunjukkan hasil tertentu dalam jangka pasti.

Termotivasi oleh kebutuhan seperti alat penting, dalam hal ini studi, kami merancang sistem pakar untuk mendiagnosa jantung penyakit. Sistem pakar dirancang berdasarkan Fuzzy Logic. Ini sistem pakar fuzzy yang berhubungan dengan diagnosis telah dilaksanakan dan hasil eksperimen menunjukkan bahwa ini sistem tidak cukup lebih baik daripada non-pakar urolog dan sekitar 94% sebagai serta pakar itu.

Sisa dari kertas disusun sebagai berikut. Kami akan penelitian menunjukkan sebelumnya tentang diagnosis penyakit jantung dalam bagian berikutnya. Pada bagian 3, kami memperkenalkan dataset untuk ini sistem. Pada bagian 4, kami memperkenalkan metode merancang yang termasuk merancang sistem pakar kabur dalam bagian 4.1, fuzzy aturan dasar dalam bagian 4.2 dan pada bagian 4.3, kami menunjukkan fuzzification dan defuzzification. Pada bagian 5, kita menunjukkan hasil. II. PENELITIAN SEBELUMNYA Adapun masalah lain diagnosis klinis, klasifikasi sistem telah digunakan untuk masalah diagnosis penyakit jantung, juga. Ketika studi di literatur yang terkait dengan ini aplikasi klasifikasi diperiksa, dapat dilihat bahwa berbagai macam metode yang digunakan yang mencapai tinggi akurasi klasifikasi menggunakan dataset yang diambil dari UCI mesin belajar repositori. Di antaranya, [4] ToolDiag, RA diperoleh 50,00% akurasi klasifikasi dengan menggunakan IB1-4 algoritma. [4] Weka, RA memperoleh akurasi klasifikasi dari 58,50% menggunakan algoritma InductH sementara ToolDiag, RA mencapai 60,00% dengan algoritma RBF. [4] Sekali lagi, Weka, RA diterapkan algoritma FOIL untuk masalah dan memperoleh klasifikasi akurasi 64,00%. [4] MLP + BP algoritma yang digunakan oleh ToolDiag, RA mencapai 65,60%. [4] akurasi klasifikasi diperoleh dengan T2, 1R, IB1c dan K * yang diterapkan oleh Weka, RA 68,10%, 71,40%, 74,00% dan 76,70%, masing-masing. [4] Robert Detrano digunakan regresi logistik algoritma dan memperoleh 77,0% klasifikasi akurasi. Novruz Allahverdi & Serhat Torun & Ismail Saritas mengusulkan suatu sistem pakar fuzzy untuk penentuan coroner risiko penyakit jantung (PJK) pasien untuk selanjutnya sepuluh tahun, dalam 2007 [1]. Sistem yang dirancang memberikan pengguna rasio risiko dan mungkin merekomendasikan menggunakan salah satu dari tiga hasil: (1) yang normal hidup, (2) makanan, (3) terapi obat. Hasil ini kabur sistem pakar pada 79% sebagai serta did.Moreover ahli, Cheung dimanfaatkan C4.5, Naif Bayes, BNND

dan BNNF algoritma dan mencapai 81,11% akurasi klasifikasi, 81,48%, 81,11% dan 80,96%, masing-masing [4]. III. DataSet Dirancang sistem berdasarkan VA Medical Center, Panjang Pantai dan Cleveland Clinic Foundation Dataset [3]. Ini Dataset adalah bagian dari koleksi database di Universitas California, Irvine dikumpulkan oleh David Aha. Tujuan Dataset ini adalah untuk mendiagnosa ada atau tidak adanya hati penyakit tertentu hasil tes medis yang dilakukan berbagai pada pasien. Database ini berisi 76 atribut dan 303 contoh pasien, tetapi semua eksperimen yang dipublikasikan mengacu pada menggunakan subset dari 14 dari mereka dan kita hanya digunakan 12 atribut. Sistem ini menggunakan 11 atribut untuk input dan 1 atribut untuk hasil. Masukan field (atribut) adalah jenis nyeri dada, tekanan darah, kolesterol, gula darah beristirahat, istirahat denyut jantung maksimal, seks, elektrokardiografi (EKG), olahraga, puncak tua (ST depresi disebabkan oleh olahraga relatif untuk beristirahat), talium memindai dan usia. Bidang Output mengacu pada kehadiran hati penyakit pada pasien. Ini adalah nilai integer dari 0 (tidak ada kehadiran) untuk 4 (membedakan kehadiran (nilai 1, 2, 3 dan 4)); meningkatkan menunjukkan nilai risiko penyakit jantung meningkat. Dalam studi ini, kami menggunakan low density lipoprotein kolesterol. Tentang darah, kami menggunakan tekanan darah sistolik. (LDL)

Dalam dataset ini, bidang membelah untuk beberapa bagian dan masing-masing bagian memiliki nilai. Sebagai contoh, dalam dataset ini, jenis kelamin memiliki dua Bagian (1 = laki-laki dan 0 = perempuan), nyeri dada memiliki 4 bagian (1 = angina tipikal, angina atipikal 2 =, 3 = non-angina rasa sakit dan 4 = tanpa gejala), gula darah beristirahat memiliki 2 bagian (0 = false dan 1 benar =) dan memang benar ketika FBS> 120, EKG memiliki 3 bagian (0 = normal, 1 = ST-T memiliki kelainan gelombang (gelombang T inversi dan / atau ST elevasi atau depresi dari> 0,05 mV) dan 2 = Hypertrophy (kiri menunjukkan kemungkinan atau pasti hipertrofi ventrikel dengan kriteria Estes ')), olahraga memiliki 2 Bagian (0 = false dan 1 = true), talium memindai memiliki 3 bagian (3 = normal, 6 = cacat tetap dan 7 cacat = direvisi). Ini sistem menggunakan bagian-bagian ini secara tepat dan untuk membagi dari lain bidang kita menggunakan ide ahli yang akan diperkenalkan di bagian berikutnya.

IV. METODE Pada bagian ini, kami menunjukkan sistem pakar kabur merancang, fungsi keanggotaan, peraturan dasar fuzzy, fuzzification dan defuzzification. A. SISTEM FUZZY EXPERT MENDESAIN Aplikasi yang paling penting dari sistem fuzzy (kabur logika) adalah dalam masalahmasalah pasti. Ketika masalah memiliki dinamis perilaku, logika fuzzy merupakan alat yang cocok yang berhubungan dengan ini masalah. Langkah pertama dari pakar kabur sistem desain adalah penentuan variabel input dan output. Ada 11 masukan variabel dan 1 variabel output. Setelah itu, kita harus desain fungsi keanggotaan (MF) dari semua variabel. Ini fungsi keanggotaan menentukan keanggotaan objek untuk fuzzy set. Pada awalnya, kami akan menjelaskan variabel input dengan mereka fungsi keanggotaan. Pada langkah kedua, kami memperkenalkan variabel output dengan fungsi keanggotaan. Di sebelah bagian, kami akan menunjukkan aturan dari sistem. Variabel input adalah: 1. Nyeri dada: ini mendukung 4 variabel input nyeri dada jenis. Kami telah mendefinisikan nilai dalam sistem ini untuk dada masing-masing Nyeri jenis yang w menggunakan e nilai-nilai untuk pengujian sistem. Setiap Jenis nyeri dada adalah himpunan fuzzy. Dalam bidang ini, tidak fuzzy set telah tumpang tindih dan set mendefinisikan dalam bentuk segar karena pasien hanya memiliki satu jenis nyeri dada pada waktunya. Nyeri dada jenis dengan nilai-nilai mereka telah menunjukkan sebagai berikut. 1 angina = khas 2 angina = atipikal 3 = non-angina nyeri 4 = tanpa gejala 2. Tekanan Darah: nilai-nilai yang berbeda dari tekanan darah mengubah hasil dengan mudah. Dalam bidang ini, kami menggunakan darah sistolik tekanan. Variabel input ini telah dibagi menjadi 4 fuzzy set. Fuzzy set adalah "rendah", "Sedang", "Tinggi" dan "sangat tinggi". Keanggotaan fungsi "rendah" dan "Sangat tinggi" set trapesium dan keanggotaan fungsi "menengah" dan "Tinggi" set segitiga. Kami telah mendefinisikan kabur keanggotaan ekspresi untuk bidang masukan tekanan darah (Persamaan (1)). Fuzzy set ini akan ditampilkan dalam Tabel 1. Keanggotaan fungsi lapangan tekanan darah akan ditampilkan dalam FIG.1.

1.CLASSIFICATION DARI SYSTOLIC BLOOD PRESSURE INPUT BIDANG

3. Kolesterol: Kolesterol telah menonjol mempengaruhi pada hasil dan dapat mengubahnya dengan mudah. Untuk ini input field, kita menggunakan nilai density lipoprotein kolesterol rendah (LDL). Kolesterol memiliki 4 bidang fuzzy set (Rendah, Menengah, Tinggi dan Sangat tinggi). Fuzzy set ini telah ditunjukkan dalam Tabel 2. Keanggotaan fungsi "Low" & "Sangat tinggi" set trapesium dan keanggotaan fungsi dari "Medium" & "Tinggi" set segitiga. Keanggotaan fungsi lapangan kolesterol akan ditampilkan di Gbr.2. Eq. (2) menunjukkan ini fungsi keanggotaan ekspresi kolesterol.

4. Gula Darah (Diabetes): Darah bidang gula merupakan salah satu faktor yang paling penting dalam sistem yang mengubah hasilnya. Kolom input ini hanya memiliki satu himpunan fuzzy. Dalam sistem ini, kami telah didefinisikan bahwa jika nilai jumlah gula darah lebih tinggi dari 120 (> 120) maka manusia memiliki gula darah. Gambar. 3 menunjukkan fungsi keanggotaan gula darah. Fungsi keanggotaan dari himpunan fuzzy trapesium. Kita akan melihat keanggotaan kabur ekspresi untuk bidang gula darah dalam Eq.3

5. Electrocardiography istirahat (EKG): Dalam bidang ini, kita memiliki 3 set fuzzy (normal, abnormal ST_T & Hypertrophy). Keanggotaan fungsi "normal" "Hypertrophy" & kabur set Fungsi keanggotaan trapesium dan "ST_T normal "himpunan fuzzy segitiga. Kita melihat keanggotaan ini fungsi dalam Gambar. 4. Pada Tabel 3, kami menunjukkan fuzzy set dengan mereka nilainilai. Pada Tabel ini, pada kolom "RANGE", kita telah mendefinisikan nilai untuk setiap himpunan fuzzy di sisi kiri setiap interval dan kami menggunakan hanya nilainilai untuk pengujian sistem.

ST_T gelombang kelainan = inversi gelombang T dan / atau ST elevasi atau depresi dari> 0,05 mV. Hipertrofi = menampilkan kiri mungkin atau pasti hipertrofi ventrikel dengan kriteria Estes'. 6. Maximum Heart Rate: Nilai dari field input jantung rate maksimum manusia dalam 24 jam. Dengan meningkatkan usia dalam manusia, maksimal denyut jantung dalam 24 jam berkurang. Dalam hal ini lapangan, kita memiliki variabel linguistik 3 (fuzzy set) (Rendah, Menengah dan High). Pada Tabel 4, kita telah mendefinisikan fuzzy set ini. Keanggotaan fungsi "Low" & "Tinggi" fuzzy set trapesium dan fungsi keanggotaan dari himpunan "Medium" kabur adalah segitiga yang akan ditampilkan dalam Gambar. 5. Eq. (4) menunjukkan kabur fungsi keanggotaan ekspresi.

7. Latihan: input field ini memiliki nilai hanya 2 (0, 1) dan satu kabur ditetapkan (benar). Jika dokter menentukan tes latihan untuk pasien, nilai 1 akan masuk dalam sistem, jika tidak, nilai 0 akan masuk dalam itu. 8. Puncak lama: Ini berarti input field depresi ST diinduksi oleh latihan relatif untuk beristirahat. Puncak lapangan tua memiliki 3 kabur set (Rendah, Resiko dan Mengerikan). Fuzzy set ini telah telah ditunjukkan dalam Tabel 5 dengan rentang mereka. Keanggotaan fungsi "rendah" dan "Terrible" set trapezoidal fuzzy dan fungsi keanggotaan dari himpunan "Risiko" fuzzy segitiga yang telah ditunjukkan dalam Gambar. 6. Kami telah mendefinisikan kabur fungsi keanggotaan ekspresi dalam Eq (5).

9. Thallium Scan: ini kolom input fuzzy set terdiri 3: Cacat yang normal, Reversible dan Cacat Tetap. Untuk setiap kabur mengatur kita telah mendefinisikan nilai yang kita menggunakannya untuk system pengujian. Ini fuzzy set dengan nilai-nilai mereka akan ditampilkan dalam Tabel 6

10. Seks: input field ini hanya memiliki 2 nilai (0, 1) dan set (Perempuan, Lakilaki). Nilai 0 berarti bahwa pasien adalah laki-laki dan nilai 1 berarti bahwa pasien adalah perempuan.

11. Usia: ini membagi input field ke 4 fuzzy set (Young, Ringan, Lama, Sangat tua). Fuzzy set ini dengan rentang mereka akan ditampilkan pada Tabel 7. Keanggotaan fungsi "Muda" & "Sangat tua" adalah fungsi trapesium dan keanggotaan "Mild" & "Lama" adalah segitiga. Fungsi keanggotaan ekspresi telah ditunjukkan dalam Pers.