Myocardial Infarction Classification with Support Vector Machine Models

Year 2015, Volume: 22 Issue: 4, 221 - 224, 14.12.2015

Emek Güldoğan Jülide Yağmur Saim Yoloğlu Musa Hakan Asyalı Cemil Çolak

Abstract

Aim: Support vector machines (SVM) is one of the classification methods that aims to find the best hyper-plane separating a space into two parts with known positive and negative samples. The goal of this study is to classify myocardial infarction (MI) using SVM models.

Material and Methods: The data used in the MI classification contains information related to 184 individuals which is randomly taken from the database created for the Department of Cardiology, Faculty of Medicine, Inonu University. Estimated SVMs are models generated from the SVM-linear and SVM-Radial Based kernel functions.

Results: In this study, 90 individuals of the study group (48.9%) are MI patients, while 94 (51.1%) patients are not. The classification success rate is 83.70% for SVM-linear model and 90.76% for the SVM-Radial Based model.

Conclusion: In this study, it is observed that SVM-Radial based model presented a better classification performance than the linear SVM model. The use of SVM models based on various kernel type functions can improve disease classification performance.

Keywords: Support Vector Machines; Myocardial Infarction; Classification.

 

Keywords

-

Journal of Turgut Ozal Medical Center

Abstract

Amaç: Destek vektör makinesi (DVM), pozitif ve negatif örnekleri bilinen bir uzayı ikiye ayıran en iyi hiper-düzlemi bulmaya çalışan sınıflandırma yöntemlerinden biridir. Bu çalışmada, Miyokard İnfarktüsün (Mİ) DVM modelleri ile sınıflandırılması amaçlanmaktadır. Gereç ve Yöntemler: Sınıflandırmada kullanılacak Mİ verileri, İnönü Üniversitesi Tıp Fakültesi Kardiyoloji anabilim dalı için oluşturulan veritabanından rastgele alınan 184 bireye ilişkin bilgileri içermektedir. Tahmin edilen DVM’ler, DVM-Doğrusal ve DVM-Radyal Tabanlı kernel fonksiyonlarından oluşturulan modellerdir. Bulgular: Çalışmada incelenen grubun 90’ı (%48.9) Mİ hastası iken, 94’ü (%51.1) Mİ hastası değildi. Mİ’nin doğru sınıflama başarısı, DVMDoğrusal modeli için %83.70 ve DVM-Radyal Tabanlı modeli için %90.76 olarak elde edilmiştir. Sonuç: Bu araştırmada Mİ’nin sınıflanmasında radyal tabanlı DVM modelinin, doğrusal DVM modelinden daha iyi sınıflama performansı gösterdiği belirlenmiştir. Farklı kernel tipi fonksiyonlara dayalı DVM modellerinin kullanımı, hastalıkların sınıflama performansını artırılabilir

Keywords

Destek Vektör Makineleri, Miyokard İnfarktüsü, Sınıflama

References

• Kurtul A. Akut miyokard infarktüsünde patofizyoloji nedir? klinik bulguları nelerdir? Turkiye Klinikleri Journal of Cardiology Special Topics 2009;2(2):1-6.
• Çolak MC, Çolak C, Kocatürk H, Sağıroglu Ş, Barutçu İ. Predicting Coronary Artery Disease Using Different Artificial Neural Network Models. Anadolu Kardiyoloji Dergisi 2008;8:249-54.
• Gülkesen KH, Köksal IT, Bilge U, Saka O. Comparison of methods for prediction of prostate cancer in Turkish men with PSA levels of 0-10 ng/mL. J Buon 2010;15(3):537-42.
• Akşehirli ÖY, Ankaralı H, Aydın D, Saraçlı Ö. Tıbbi Tahminde Alternatif Bir Yaklaşım: Destek Vektör Makineleri. Türkiye Klinikleri Biyoistatistik Dergisi 2013;5(1):19-28.
• Kavzoglu T, Colkesen I. A Kernel Function Analysis for Support Vector Machines for Land Cover Classification. International Journal of Applied Earth Observation and Geoinformation 2009; 11(5):352-9.
• Güner N, Çomak E. Mühendislik Öğrencilerinin Matematik I Derslerindeki Başarısının Destek Vektör Makineleri Kullanılarak Tahmin Edilmesi. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi 2011;17(2):87-96.
• Conroy RM, Pyorala K, Fitzgerald AP, Sans S, Menotti A, De Backer G, et al. Estimation of ten-year risk of fatal cardiovascular disease in Europe: the SCORE project. Eur Heart J 2003;24:987–1003.
• Hamm CW, Möllmann, H, Bassand JP, Van de Werf F. Acute Coronary Syndrom.In: Camm AJ, Lücher TF, Serruys PW,editors. The ESC Textbook of Cardiovascular Medicine. 2nd ed. New York: Oxford Universty Press; 2009. p535-97.
• Kannel WP. Blood pressure as a cardiovascular risk factor:prevention and treatment. JAMA 1996;275:1571-76.
• Thomson CC, Rigotti NA. Hospital- and clinic-based smoking cessation interventions for smokers with cardiovascular disease. Prog Cardiovasc Dis 2003;45:459-79.
• Gaede P, Vedel P, Larsen N, Jensen GV, Parving HH, Pedersen O. Multifactorial intervention and cardiovascular disease in patients with type 2 diabetes. N Engl J Med 2003;348(5):383-93