Classification of Cardiovascular Diseases Using Electronic Nose Dataset with Artificial Neural Network Classifier

Öz

Cardiovascular diseases are one of the leading reasons for mortality worldwide. With the rise of cardiovascular diseases and their effect on lives, it becomes crucial to have an accurate and fast result for diagnosis. Nowadays, machine learning techniques are widely being used to interpret and classify the information or different measurement techniques for various diseases. Among others, cardiovascular diseases are one the most time and accuracy sensitive cases as even the minutes are important, especially for myocardial infarction. For many cases, diagnosis of myocardial infarction can be done by simply looking to electrocardiogram. But in some cases, physicians may not be able to determine the myocardial infarction condition by an electrocardiogram test; therefore, a blood test becomes a necessity which takes 40-60 minutes to complete. To overcome the current time consuming process in one of the previous studies, an electronic nose has been used to classify MI, stable coronary artery disease and healthy individuals which happens to be a fast result promising method. In this study, we focused on to the classification algorithm by using the dataset used in the above mentioned study. We noticed that there might be a room for classification accuracies performance improvement while reducing the complexity of the process which has the potential to affect the clinical results. The results of proposed algorithm indicate that it is possible to achieve improved overall classification accuracy while complexity of the process reduced using an appropriate shallow neural network even with a single classification step.

Anahtar Kelimeler

• Myocardial infarction
• Stable coronary artery disease
• Machine Learning
• Neural Network
• Classification

Yapay Sinir Ağı Sınıflayıcıyla Elektronik Burun Veri Seti Kullanarak Kardiyovasküler Hastalıkların Sınıflandırılması

Öz

Kardiyovasküler hastalıklar dünya çapında ölümlerin önde gelen nedenlerinden biridir. Kalp ve damar hastalıklarının artması ve yaşam üzerindeki etkileri ile birlikte teşhis için doğru ve hızlı sonuç alınması büyük önem arz etmektedir. Günümüzde makine öğrenmesi teknikleri, çeşitli hastalıklar için bilgileri veya farklı ölçüm tekniklerini yorumlamak ve sınıflandırmak için yaygın olarak kullanılmaktadır. Diğerlerinin yanı sıra kardiyovasküler hastalıklar, özellikle miyokard enfarktüsü için dakikalar bile önemli olduğundan, zamana ve kesinliğe en duyarlı vakalardan biridir. Çoğu durumda, miyokard enfarktüsünün teşhisi sadece elektrokardiyograma bakarak yapılabilir. Ancak bazı durumlarda doktorlar bir elektrokardiyogram testi ile miyokard enfarktüsünün durumunu belirleyemeyebilirler; bu nedenle, tamamlanması 40-60 dakika süren bir kan testi bir zorunluluk haline gelir. Önceki çalışmalardan birinde mevcut zaman alıcı sürecin üstesinden gelmek için, hızlı sonuç vaat eden bir yöntem olan MI, stabil koroner arter hastalığı ve sağlıklı bireyleri sınıflandırmak için elektronik bir burun kullanılmıştır. Bu çalışmada, yukarıda bahsedilen çalışmada kullanılan veri seti kullanılarak sınıflandırma algoritmasına odaklanılmıştır. Klinik sonuçları etkileme potansiyeline sahip sürecin karmaşıklığını azaltırken, sınıflandırma doğruluğu performans iyileştirmesi için bir yer olabileceğini fark ettik. Önerilen algoritmanın sonuçları, tek bir sınıflandırma adımıyla bile uygun bir sığ sinir ağı kullanılarak işlemin karmaşıklığı azaltılırken, gelişmiş genel sınıflandırma doğruluğu elde etmenin mümkün olduğunu göstermektedir.

Anahtar Kelimeler

• Miyokard enfarktüsü
• Stabil koroner arter hastalığı
• Makine Öğrenimi
• Sinir Ağı
• Sınıflandırma

Kaynakça

1. Tozlu BH, Şimşek C, Aydemir O, Karavelioglu Y. “A High performance electronic nose system for the recognition of myocardial infarction and coronary artery diseases.” Biomedical Signal Processing and Control, 64, 102247, 2021.
2. Pauling L, Robinson AB, Teranishi R, Cary P. “Quantitative analysis of urine vapor and breath by gas-liquid partition chromatography.” Proceedings of the National Academy of Sciences, 68(10), 2374-2376, 1971.
3. Behera B, Joshi R, Vishnu GA, Bhalerao S, Pandya HJ. “Electronic nose: A non-invasive technology for breath analysis of diabetes and lung cancer patients.” Journal of Breath Research, 13(2), 024001, 2019.
4. D’Amico A, Pennazza G, Santonico M, Martinelli E, Roscioni C, Galluccio G, Di Natale C. “An investigation on electronic nose diagnosis of lung cancer.” Lung Cancer, 68(2), 170-176, 2010.
5. Dragonieri S, Annema JT, Schot R, van der Schee MP, Spanevello A, Carratú P, Sterk PJ. “An electronic nose in the discrimination of patients with non-small cell lung cancer and COPD.” Lung Cancer, 64(2), 166-170, 2009.
6. Ergün E, Aydemir Ö. “Etkin epoklar ile motor hayaline dayalı EEG işaretlerinin sınıflandırma doğruluğunun artırılması.” Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, 24(5), 817-823, 2018.
7. ESC Committee for Practice Guidelines (CPG), et al. "Third universal definition of myocardial infarction." Journal of the American College of Cardiology 60.16, 1581-1598, 2012.
8. Joseph J, Velasco A, Hage FG, Reyes E. “Guidelines in review: Comparison of ESC and ACC/AHA guidelines for the diagnosis and management of patients with stable coronary artery disease.” Journal of Nuclear Cardiology, 25(2), 509-515, 2018.

9. Üstün O. “Genetik algoritma kullanılarak ileri beslemeli bir sinir ağında etkinlik fonksiyonlarının belirlenmesi.” Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, 15(3), 395-403, 2009.
10. Ruder S. “An overview of gradient descent optimization algorithms” arXiv preprint arXiv:1609.04747, 2017.
11. Kingma DP, Ba J. “Adam: A method for stochastic optimization.” arXiv preprint arXiv:1412.6980, 2014.
12. Bircanoğlu C, Arıca N. “A comparison of activation functions in artificial neural networks.” In 2018 26th Signal Processing and Communications Applications Conference
13. Wan L, Zeiler M, Zhang S, Le Cun Y, Fergus R. “Regularization of neural networks using dropconnect.” In International conference on machine learning, Proceedings of the 30th International Conference on Machine Learning PMLR, Atalanta/Georgia, USA, 17-19 June 2013.
14. Li M, Zhang T, Chen Y, Smola AJ. “Efficient mini-batch training for stochastic optimization.” In Proceedings of the 20th ACM SIGKDD international conference on Knowledge discovery and data mining, New York / New York, USA, 24-27August 2014.