Detection of Heart Disease with Anfis and Fuzzy C Means

Year 2020, Volume: 13 Issue: 4, 443 - 449, 30.10.2020

Mesut Polatgil

https://doi.org/10.17671/gazibtd.731678

Cited By: 3

Abstract

In terms of death rates in the world, heart diseases are at the top. It is stated that the number of people who died from heart diseases will increase in the coming years. The only positive aspect of heart diseases is that these diseases can be prevented. In terms of preventing diseases, methods such as machine learning are frequently used in recent years. There are many studies conducted with different methods and different success rates until today. In this study, a new method is proposed in which the Anfis ((Adaptive Neuro-Fuzzy Inference System)) and Fuzzy C Means are used together to predict heart diseases and the success rate is increased significantly. In the study firstly, the data were clustered with Fuzzy C Means. Then, the cluster membership values were used in the modeling and training of the Anfis system. The results obtained by dividing the data five two fuzzy clusters have been found to significantly increase the success of the ANFIS system. The success rate of the system, which has been tested with K fold cross method, has been determined as % 9835. The obtained results were compared with the studies performed with the same dataset in the literature. As a result, it is thought that the method proposed in this study can be used in estimating heart diseases with its accuracy classification rate.

Keywords

heart diseases, anfis, fuzzy c means, machine learning

Anfis ve Bulanık K Ortalamalar İle Kalp Hastalığının Tespit edilmesi

Abstract

Dünyada ölüm oranları bakımından kalp hastalıkları üst sıralarda yer almaktadır. Önümüzdeki yıllarda kalp hastalıklarından dolayı ölenlerin sayısının daha da artacağı belirtilmektedir. Kalp hastalıklarında tek olumlu yön ise bu hastalıkların önlenebilir olmasıdır. Hastalıkların önlenmesi bakımından son yıllarda makine öğrenmesi gibi yöntemler sıklıkla kullanılmaktadır. Bugüne kadar farklı yöntemlerle gerçekleştirilmiş birçok çalışma ve farklı başarı oranları bulunmaktadır. Bu çalışmada, kalp hastalıklarının tahmin edilmesinde Anfis (Adaptive Neuro-Fuzzy Inference System) ve Bulanık K Ortalamalar yöntemlerinin bir arada kullanıldığı ve başarı oranının ciddi düzeyde artırıldığı yeni bir yöntem önerilmektedir. Çalışmada veriler öncelikle Bulanık K Ortalamalar ile kümelendirilmiştir. Daha sonra elde edilen küme üyelik değerleri Anfis sisteminin modellenmesi ve eğitiminde kullanılmıştır. Verilerin beş bulanık kümeye ayrılması ile elde edilen sonuçların Anfis sisteminin başarısını ciddi düzeyde artırdığı görülmüştür. K kat çaprazlama yöntemi ile test edilen sistemin başarı oranı %9835 olarak tespit edilmiştir. Elde edilen sonuçlar literatürde aynı veri seti ile gerçekleştirilen çalışmalarla kıyaslanmıştır. Sonuç olarak bu çalışmada önerilen yöntemin doğru sınıflandırma oranı ile kalp hastalıkları tahmininde kullanılabileceği düşünülmektedir.

Keywords

Kalp hastalıkları, Anfis, Bulanık K Ortalama, Makine öğrenmesi

References

• İnternet: Acıbadem Hastanesi, Kalp Hastalıkları, https://www.acibadem.com.tr/ilgi-alani/kalp-hastaliklari/#undefined, 02.05.2020.
• İnternet: World Heart Federation (W. H. F.), Different heart diseases., https://www.world-heart-federation.org/resources/different-heart-diseases/., 02.05.2020.
• A. Arı, Yapay Sinir Ağları Kullanılarak Kalp Hastalığının Öngörülmesi, Yüksek Lisans Tezi, Dokuz Eylül Üniversitesi Fen Bilimleri Enstitüsü, İzmir, 2019.
• A. H. Chen, S. Y. Huang, P. S. Hong, , C. H. Cheng, E. J. Lin, “HDPS: Heart Disease Prediction System” Computing in Cardiology, 557-560, 2011.
• Ö. Özmen, K. Ahmad, A. Engin, “Sınıflandırıcıların Kalp Hastalığı Verileri Üzerine Performans Karşılaştırması”, Fırat Üniversitesi Mühendislik Bilimleri Dergisi, 30(3), 153-159, 2018.
• M. E. Taşçı, R. Şamlı, “Veri Madenciliği İle Kalp Hastalığı Teşhisi”, Avrupa Bilim ve Teknoloji Dergisi, (Özel Sayı), 88-95, 2020.
• H. Kahramanli, N. Allahverdi, “Design of a Hybrid System for the Diabetes and Heart Diseases”, Expert Systems with Applications, 35, 82-89. http://dx.doi.org/10.1016/j.eswa.2007.06.004, 2008.
• M.L Sharan, K.B. Sathees, “Analysis of Cardiovascular Heart Disease Prediction Using Data Mining Techniques”, Analysis, 4(1), 55-58, 2016.
• Z. Jin, Y. Sun, A.C. Cheng, “Predicting cardiovascular disease from real-time electrocardiographic monitoring: An adaptive machine learning approach on a cell phone”, Annual International Conference of the IEEE Engineering in Medicine and Biology Society, 6889-6892, 2009.
• F. Bulut, “AdaBoost ile Kalp Krizi Risk Tespiti”, Celal Bayar Üniversitesi Fen Bilimleri Dergi, 12(3), 459-472, 2016.
• N. Ziasabounchi, I. Askerzade, “ANFIS based classification model for heart disease prediction”, International Journal of Electrical & Computer Sciences IJECS-IJENS, 14(02), 7-12, 2014.
• M. Bıyan, “Bulanık Mantık Tabanlı Çalışan Disiplin Kurulu Yazılımının Gerçekleştirilmesi”, Çankırı Karatekin Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 7(1), 819-842.
• M. F. Rian, M. N. Surya, & A. N. Ratna, “Health monitoring application using fuzzy logic based on android”, Journal of Physics: Conference Series, 1192(1) , 2019.
• N. Dalevska, V. Khobta, A. Kwilinski, & S. Kravchenko, “A model for estimating social and economic indicators of sustainable development”, Entrepreneurship and Sustainability Issues, 6(4), 1839-1860, 2019.
• S. S. Sari, & Ş. Y. Yiğiter, “Borsa Istanbul Hisse Senedi Getirilerinin ANFIS Aracılığıyla Tahmin Edilmesi”, Bingöl Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 4(1), 171-193,2020.
• M. T. Arslan, & B. Haznedar, “Prostat Kanseri Gen İfade Profilinin ANFIS İle Sınıflandırılması”, 1st International Mediterranean Science and Engineering Congress (IMSEC 2016), Adana/Turkey , 2016.
• P. A. Adedeji, S. O. Masebinu, S. A. Akinlabi & N. Madushele, “Adaptive Neuro-fuzzy Inference System (ANFIS) Modelling in Energy System and Water Resources”, Optimization Using Evolutionary Algorithms and Metaheuristics: Applications in Engineering, 117, 2019.
• S. Giray, Ö. Yorulmaz & Ö. Ergüt, “Ülkelerin Gini Katsayisi, Göç, Suç Ve Mutluluk Değişkenleri Açisindan Bulanik Ve Dayanikli Kümeleme Metotlari İle Siniflandirilmasi”, Journal Of Awareness, 1(2), 1-16, 2016.
• S. İlkin, O. Aytar, T. H. Gençtürk, & S. Şahin, “Dermoskopik Görüntülerde Lezyon Bölütleme İşlemlerinde K-Ortalama Kümeleme Algoritmasının Kullanımı”, Gazi Üniversitesi Fen Bilimleri Dergisi Part C: Tasarım Ve Teknoloji, 8(1), 182-191.
• O. P. Mahela, B. Khan, B, H. H. Alhelou, & P. Siano, “Power quality assessment and event detection in distribution network with wind energy penetration using stockwell transform and fuzzy clustering”, IEEE Transactions on Industrial Informatics, 16(11), 6922-6932, 2020.
• İnternet:: UCI Machine Learning Repository, U. 1988, Heart disease data set, https://archive.ics.uci.edu/ml/datasets/heart+Disease., 03.03.2020.
• E. İsen, Anfıs Ve Bulanık C-Ortalamalar Yöntemleri Tabanlı Çok Kriterli Envanter Sınıflandırma Modeli, Yüksek Lisans Tezi, Sakarya Üniversitesi, Fen Bilimleri Enstitüsü, 2017.
• M. Karabatak, , M. C. İnce, E. Avcı, “Göğüs kanseri için temel bileşen analizi yöntemi tabanlı uzman teşhis sistemi”, IEEE 16. Sinyal İşleme ve İletişim Uygulamaları Kutultayı, Didim-Aydın, 2008.
• G. Akgül, A. A. Çelik, Z. E. Aydın, & Z. K. Öztürk, “Hipotiroidi Hastalığı Teşhisinde Sınıflandırma Algoritmalarının Kullanımı”, Bilişim Teknolojileri Dergisi, 13(3), 255-268, 2020.
• M. Samet, O. Çakır, O. Bayat, D. G. Duru, & A. D. Duru, “Gözbebeği Hareketleri Temelli Duygu Durumu Sınıflandırılması”, Bilişim Teknolojileri Dergisi, 13(2), 137-144, 2020.
• Ç. Acı, A. Çırak, “Türkçe Haber Metinlerinin Konvolüsyonel Sinir Ağları Ve Word2Vec Kullanılarak Sınıflandırılması”, Bilişim Teknolojileri Dergisi , 12 (3) , 219-228, 2019.
• M. Shouman, T. Tuner, R. Stocker, “Using data mining techniques in heart disease diagnosis and treatment”, International Conference onCommunications and Computers, 173-177, 2012.
• B. Kolukısa, , H. Hacılar, M. Kuş, B. Bakır-Güngör, A. Aral, V. Ç. Güngör, “Diagnosis of Coronary Heart Disease via Classification Algorithms and a New Feature Selection Methodology”, International Journal of Data Mining Science, 1(1), 8-15, 2019.
• İ. Özcan, B. Tasar, A. B. Tatar, O. Yakut, “Destek Vektör Makinasi Algoritması İle Kalp Hastalıklarının Tahmini”, Bilgisayar Bilimleri, 4(2), 74-79, 2019.
• Ş. Cihan, B. Karabulut, G. Arslan, G. Cihan, “Koroner Arter Hastalığı Riskinin Veri Madenciliği Yöntemleri İle İncelenmesi”, Uluslararası Mühendislik Araştırma Ve Geliştirme Dergisi, 10(1), 85-93, 2018.