تشخیص بیماری عروق کرونر قلبی با استفاده از انتخاب ویژگی های موثر توسط الگوریتم فراابتکاری خفاش و روش های یادگیری ماشین

توسعه و ارائه روش های یادگیری ماشین در تشخیص بیماری های قلبی-عروقی به ویژه بیماری عروق کرونری قلب با دقت بالا برای غلبه بر این مشکلات از اهمیت خاصی برخوردار است. هدف از این تحقیق کمک به تشخیص بیماری عروق کرونری قلب با استفاده از چهار روش یادگیری ماشین نظارت شده شامل روش های شبکه عصبی مصنوعی، ماشین بردار پشتیبان ، درخت تصمیم و K-نزدیکترین همسایگی است. در این تحقیق با کمک الگوریتم بهینه سازی فراابتکاری خفاش، زیر مجموعه ای از کل ویژگی های موجود در مجموعه داده های بیماران عروق کرونری قلب را انتخاب کرده ایم. داده مورد استفاده در این تحقیق، مجموعه داده بیماری عروق کرونری قلب بیمارستان Cleveland موجود در پایگاه داده دانشگاه ایروین کالیفرنیا UCI است که شامل ۳۰۳ نمونه با ۱۴ ویژگی می باشد که یکی از این ویژگی ها وضعیت نهایی فرد مراجعه کننده می باشد که می تواند نرمال (سالم) یا بیمار عروق کرونری قلب (CAD) باشد. از این دیتاست تعداد ۱۶۵ مورد دچار بیماری عروق کرونر قلب و ۱۳۸ مورد سالم هستند. نتایج این تحقیق در مجموعه داده نشان می دهد که الگوریتم خفاش توانایی در افزایش دقت تشخیص بیماری عروق کرونر قلب را دارد.