سیستم پیش بینی بیماری قلبی توسط داده کاوی با استفاده ازکشف مجموعه های پر تکرار
Publish place: سومین کنگره بین المللی کامپیوتر، برق و مخابرات
Publish Year: 1395
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 553
This Paper With 7 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ITCC03_352
تاریخ نمایه سازی: 6 اردیبهشت 1396
Abstract:
پرونده های بیماران در بر گیرنده مقادیر زیادی از اطلاعات مربوط به مراقبت های پزشکی می باشد که می توان از آنهاجهت بررسی و کشف الگو های فراموش شده و پیدا کردن اطلاعات نامعلوم در معادلات کار آمد استفاده کرد. بیماریهای قلبی یکی از بخش های جهت تعریف حالت های مراقبت های پزشکی است. روش های مختلف داده کاوی مانندتقسیم بندی و خوشه بندی جهت پیش بینی بیماری قلبی در صنعت مراقبت های قلبی استفاده شده است. پایگاه دادهمربوط به بیماری های قلبی جهت کاوش کردن پردازش های موثرتر ساخته شده است.در این تحقیق برای پیش پردازشداده ها از الگوریتم هایی مانند k-means جهت خوشه بندی کردن اطلاعات استفاده می شود. الگوریتم پیشنهادی جهت کاوش از الگو های مقدار بیشینه جهت پیش بینی بیماری های قلبی استفاده میکند . الگو های تکرار با استفاده از الگوریتم C4.5 طبقه بندی را انجام می دهد. نتایج نشان میدهد که سیستم پیش بینی طراحی شده می تواند حمله های قلبی را به طور موفقیت آمیزی پیش بینی کند . برای اعتبارسنجی روش پیشنهادی از روش های کاووش داده مانند الگوریتم C4.5 و روش خوشه بندی K-means استفاده می شود .این الگوریتم ها می توانند جهت بهینه سازی کردن ذخیره داده برای اهداف کاربردی نیز استفاده شوند.
Keywords:
Authors
نرگس نوروزخانی
کارشناسی ارشد مهندسی فناوری اطلاعات،دانشکده پیراپزشکی حضرت زینب آمل، دانشگاه علوم پزشکی مازندران
سرور ملوک زاده
عضو هیات علمی دانشگاه علوم پزشکی مازندران ، دانشکده پرستاری و مامایی حضرت زینب آمل
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :