تشخیص بیماری قلبی با استفاده از الگوریتم بهینه‌سازی ملخ دودویی و k نزدیک‌ترین همسایه

مقدمه: قلب یکی از ارگان‌های اصلی بدن انسان است و سالم نبودن آن عامل مهمی در مرگ‌ومیر انسان‌ها است. بیماری قلبی ممکن است بدون علامت باشد اما می‌توان از طریق آزمایش‌های پزشکی این نوع بیماری را پیش‌بینی و تشخیص داد. تشخیص بیماری قلبی به تجربیات زیاد پزشکان متخصص نیاز دارد. هدف مطالعه حاضر، تشخیص بیماری قلبی به‌منظور کمک به پزشکان برمبنای ترکیب الگوریتم بهینه‌سازی ملخ دودویی و k نزدیک‌ترین همسایه است. از الگوریتم بهینه‌سازی ملخ دودویی برای انتخاب ویژگی‌ها و از الگوریتم k نزدیک‌ترین همسایه برای طبقه‌بندی استفاده‌شده است.روش ها: این مطالعه از نوع توصیفی تحلیلی بود.. در این مطالعه، پرونده پزشکی 270 بیمار در حوزه بیماری قلبی با تعداد 13 ویژگی بررسی شد. تعداد بیماران مبتلا برابر با 120 و فقدان بیماری برابر با 150 بود، لذا مجموعه داده در حالت متوازن است. اطلاعات بیماران از پایگاه داده استاندارد uci استخراج شد. ارزیابی مدل پیشنهادی در شبیه‌سازی matlab انجام‌شد.یافته ها: با توجه به ارزیابی‌های انجام‌شده بر روی روش پیشنهادی، درصد صحت برابر با 89.8، درصد حساسیت برابر با 89.6 و درصد ویژگی برابر با 90.4 به دست آمد که در مقایسه با نتایج مطالعات انجام‌شده در حوزه بیماری قلبی، دقت به‌دست‌آمده روش پیشنهادی، قابل‌قبول است. همچنین، درصد صحت روش پیشنهادی برمبنای هفت ویژگی (age, sex, chest pain, bp, electrocardiographic, angina, thallium) برابر با 90.3 درصد به‌دست‌آمد.نتیجه‌گیری: با توجه به نتایج حاصل از این مطالعه، برای تشخیص بیماری قلبی، روش پیشنهادی در تشخیص بیماری و انتخاب ویژگی‌های مهم نسبت به روش‌های قبلی بهتر عمل کرده است.

Diagnosis of Heart Disease Using Binary Grasshopper Optimization Algorithm and K-Nearest Neighbors

Introduction: The heart is one of the main organs of the human body, and its unhealthiness is an important factor in human mortality. Heart disease may be asymptomatic, but medical tests can predict and diagnose it. Diagnosis of heart disease requires extensive experience of specialist physicians. The aim of this study is to help physicians diagnose heart disease based on hybrid Binary Grasshopper Optimization (BGO) Algorithm and KNearest Neighbors (KNN). The BGO algorithm is used for feature selection (FS), and the KNN is used for classification.Methods: In this study, the medical records of 270 patients in the field of heart disease with 13 features were evaluated. The number of patients is equal to 120 and the absence of disease is equal to 150, so the data set is balanced. Patient information is taken from the standard UCI (University of California, Irvine) database. The evaluation of the proposed model has been done in MATLAB simulation.Results: According to the evaluations, the accuracy was 89.82%, the sensitivity was 89.61%, and the specificity was 90.41%, which are acceptable compared to the results of previous studies in the field of heart disease. Also, the percentage of accuracy of the proposed method based on 7 features (Age, Sex, Chest Pain, BP, Electrocardiographic, Angina, and Thallium) is equal to 90.35%.Conclusion: According to the results of this study, for the diagnosis of heart disease, the proposed method has been more effective in diagnosing the disease and selecting important features in comparison with previous methods.