فایل ورد کامل تشخیص اولیه بیماری قلبی با استفاده از طبقه بندی و رگرسیون درختان

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل تشخیص اولیه بیماری قلبی با استفاده از طبقه بندی و رگرسیون درختان،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۱۴ صفحه

چکیده

تشخیص اولیه در مورد مشکلات قلبی یکی از مهم ترین موضوعات برای تشخیص های پزشکی میباشد. در این مقاله، ما یک روش خودکار را برای بخش بندی صدای قلبی ارائه میدهیم که به نظر میتوان از آن برای طبقه بندی و درخت رگرسیون، استفاده کرد. سیستم تشخیصی، برای شناسایی و طبقه بندی بیماری های قلبی طراحی و ایجاد شده است و با استفاده از مجموعه داده ی نماینده ی ۱۱۶ سیگنال صدای قلبی این کار انجام شده است که از موارد سالم و ناسالم از نظر شرایط قلبی، به دست آمده است. هدف نهایی این تحقیق، اجرا کردن یک سیستم تشخیص قلبی میباشد که میتواند مورد استفاده ی یک متخصص در ارزیابی بیماران قرار بگیرد تا تعداد اکو کاردیوگرام های غیر ضروری کاهش پیدا کرده و دیگر نیازی نباشد که نوزادانی به دنیا بیایند که تحت تاثیر بیماری های قلبی هستند. در این مطالعه، ۹۹۱۴% صحت و ۱۰۰% حساسیت و ۹۸۲۸% ویژگی بر روی مجموعه داده ی مورد استفاده، به دست آمده است.

۴- جمع بندی

روش پیشنهاد شده موضوعات جدیدی در طبقه بندی صدای قلبی و استفاده از CART مطرح میکند. ما نشان دادیم که CART و کدگذاری مناسب داده ها پتانسیل خوبی برای طبقه بندی صدای قلبی در نوزادان سالم و مبتلا به مرمر دارد. با در نظر داشتن صدای ناشناخته در قلب خروجی سیستم به صورت طبقه بندی مناسب میباشد. این اطلاعات میتواند برای یک پزشک در زمینه تصمیم گیری در مورد شرایط نوزادان در مورد ترخیص یا درمان مرمر مفید باشد. این تکنولوژی برای پویش در حجم بالا که احتمال وجود مرمر در آن ها وجود دارد بسیار مفید می باشد. سیستم نرافزاری پیشنهاد شده در این کار به عنوان اولین نسخه ابزار تشخیصی برای پشتیبانی از پزشک ها برای تشخیص به شمار می آید.

عنوان انگلیسی:Early Diagnosis of Heart Disease Using Classification And Regression Trees~~en~~

Abstract

Early diagnosis of heart defects are very important for medical treatment. In this paper, we propose an automatic method to segment heart sounds, which applies classification and regression trees. The diagnostic system, designed and implemented for detecting and classifying heart diseases, has been validated with a representative dataset of 116 heart sound signals, taken from healthy and unhealthy medical cases. The ultimate goal of this research is to implement a heart sounds diagnostic system, to be used to help physicians in the auscultation of patients, with the goal of reducing the number of unnecessary echocardiograms and of preventing the release of newborns that are in fact affected by a heart disease. In this study, 99.14% accuracy, 100% sensitivity, and 98.28% specificity were obtained on the dataset used for experiments.

IV- CONCLUSIONS

The proposed methods proposes novelties in both segmentation of heart sound and application of CART. We demonstrated that CART and a suitable data encoding have significant potential for the classification of heart sound data as innocent or pathological murmurs in newborns. Given an unknown heart sound, the system output its classification. This information can be very useful for a physician to decide whether or not to release a newborn or send her/him for an echocardiogram. This technology is for high-volume screening of newborns suspected of having a heart disease. The software system proposed in this work can be considered the first release of a diagnostic tool able to support physicians in their diagnostic task.

$$en!!