Araştırma Makalesi
BibTex RIS Kaynak Göster

Yıl 2020, Cilt: 5 Sayı: 2, 99 - 103, 31.12.2020

Zeynep Tunç İpek Balıkçı Çiçek Emek Güldoğan

Öz

Kaynakça

  • [1] G. Abanonu, "Koroner arter hastalığı majör risk faktörleri ve C-Reaktif proteinin değerlendirilmesi," Yayınlanmış Uzmanlık Tezi İstanbul, 2005.
  • [2] Z. Halıcı, H. S. Yasin Bayır, E. Çadırcı, M. S. Keleş, and E. Bayram, "Amiodaron’un Sıçanlarda İsoproterenol ile Oluşturulan Akut ve Kronik Miyokard İnfarktüsü Modelinde Eritropoetin Seviyeleri Üzerine Etkilerinin İncelenmesi."
  • [3] A. B. Storrow and W. B. Gibler, "Chest pain centers: diagnosis of acute coronary syndromes," Annals of emergency medicine, vol. 35, pp. 449-461, 2000.
  • [4] S. Şentürk, "İsoproterenol ile miyokart infarktüsü oluşturulmuş ratlarda l-lizin'in total sialik asit düzeylerine etkisinin incelenmesi," 2008.
  • [5] Y. Bengio, Learning deep architectures for AI: Now Publishers Inc, 2009.
  • [6] L. Deng and D. Yu, "Deep learning: methods and applications," Foundations and trends in signal processing, vol. 7, pp. 197-387, 2014.
  • [7] K. Kayaalp and A. Süzen, "Derin Öğrenme ve Türkiye’deki Uygulamaları," Yayın Yeri: IKSAD International Publishing House, Basım sayısı, vol. 1, 2018.
  • [8] Y. LeCun, Y. Bengio, and G. Hinton, "Deep learning," nature, vol. 521, pp. 436-444, 2015.
  • [9] I. Mierswa and R. Klinkenberg, "Rapidminer studio," ed, 2019.
  • [10] B. Thippeswamy, S. Thakker, S. Tubachi, G. Kalyani, M. Netra, U. Patil, et al., "Cardioprotective effect of Cucumis trigonus Roxb on isoproterenol-induced myocardial infarction in rat," American journal of pharmacology and toxicology, vol. 4, pp. 29-37, 2009.
  • [11] S. Ateş, "Coğrafi Bilgi Sistemleri İle Kalp Krizi Vakalarına Yönelik En Uygun Ambulans Yerlerinin Belirlenmesi," Fen Bilimleri Enstitüsü, 2010.
  • [12] A. Upaganlawar, H. Gandhi, and R. Balaraman, "Isoproterenol induced myocardial infarction: protective role of natural products," J Pharmacol Toxicol, vol. 6, pp. 1-17, 2011.
  • [13] E. Alpaydin, Introduction to machine learning: MIT press, 2020.
  • [14] A. Şeker, B. Diri, and H. H. Balık, "Derin öğrenme yöntemleri ve uygulamaları hakkında bir inceleme," Gazi Mühendislik Bilimleri Dergisi, vol. 3, pp. 47-64, 2017.
  • [15] J. Schmidhuber, "Deep learning in neural networks: An overview," Neural networks, vol. 61, pp. 85-117, 2015.

PERFORMANCE EVALUATION OF THE DEEP LEARNING MODELS IN THE CLASSIFICATION OF HEART ATTACK AND DETERMINATION OF RELATED FACTORS

Yıl 2020, Cilt: 5 Sayı: 2, 99 - 103, 31.12.2020

Zeynep Tunç İpek Balıkçı Çiçek Emek Güldoğan

Öz

Aim: The aim of this study is to classify the condition of having a heart attack and determine the related factors by applying the deep learning method, one of the machine learning methods, on the open-access data set.

Materials and Methods: In this study, deep learning method was applied to an open-access data set named “Health care: Data set on Heart attack possibility”. The performance of the method used was evaluated with accuracy, sensitivity, selectivity, positive predictive value, negative predictive value. The factors associated with having a heart attack were determined by deep learning methods and the most important factors were identified.

Results: Accuracy, sensitivity, specificity, positive predictive value and negative predictive value obtained from the model were 0.814, 0.804, 0.823, 0.809 and 0.834 respectively. The most important 3 factors that may be associated with having a heart attack were obtained as thal, age, ca.

Conclusion: The findings obtained from this study showed that successful predictions were obtained in the classification of having a heart attack by the deep learning method used. In addition, the importance values of the factors associated with the model used were estimated.

Anahtar Kelimeler

Heart attack machine learning deep learning classification variable importance

Kaynakça

  • [1] G. Abanonu, "Koroner arter hastalığı majör risk faktörleri ve C-Reaktif proteinin değerlendirilmesi," Yayınlanmış Uzmanlık Tezi İstanbul, 2005.
  • [2] Z. Halıcı, H. S. Yasin Bayır, E. Çadırcı, M. S. Keleş, and E. Bayram, "Amiodaron’un Sıçanlarda İsoproterenol ile Oluşturulan Akut ve Kronik Miyokard İnfarktüsü Modelinde Eritropoetin Seviyeleri Üzerine Etkilerinin İncelenmesi."
  • [3] A. B. Storrow and W. B. Gibler, "Chest pain centers: diagnosis of acute coronary syndromes," Annals of emergency medicine, vol. 35, pp. 449-461, 2000.
  • [4] S. Şentürk, "İsoproterenol ile miyokart infarktüsü oluşturulmuş ratlarda l-lizin'in total sialik asit düzeylerine etkisinin incelenmesi," 2008.
  • [5] Y. Bengio, Learning deep architectures for AI: Now Publishers Inc, 2009.
  • [6] L. Deng and D. Yu, "Deep learning: methods and applications," Foundations and trends in signal processing, vol. 7, pp. 197-387, 2014.
  • [7] K. Kayaalp and A. Süzen, "Derin Öğrenme ve Türkiye’deki Uygulamaları," Yayın Yeri: IKSAD International Publishing House, Basım sayısı, vol. 1, 2018.
  • [8] Y. LeCun, Y. Bengio, and G. Hinton, "Deep learning," nature, vol. 521, pp. 436-444, 2015.
  • [9] I. Mierswa and R. Klinkenberg, "Rapidminer studio," ed, 2019.
  • [10] B. Thippeswamy, S. Thakker, S. Tubachi, G. Kalyani, M. Netra, U. Patil, et al., "Cardioprotective effect of Cucumis trigonus Roxb on isoproterenol-induced myocardial infarction in rat," American journal of pharmacology and toxicology, vol. 4, pp. 29-37, 2009.
  • [11] S. Ateş, "Coğrafi Bilgi Sistemleri İle Kalp Krizi Vakalarına Yönelik En Uygun Ambulans Yerlerinin Belirlenmesi," Fen Bilimleri Enstitüsü, 2010.
  • [12] A. Upaganlawar, H. Gandhi, and R. Balaraman, "Isoproterenol induced myocardial infarction: protective role of natural products," J Pharmacol Toxicol, vol. 6, pp. 1-17, 2011.
  • [13] E. Alpaydin, Introduction to machine learning: MIT press, 2020.
  • [14] A. Şeker, B. Diri, and H. H. Balık, "Derin öğrenme yöntemleri ve uygulamaları hakkında bir inceleme," Gazi Mühendislik Bilimleri Dergisi, vol. 3, pp. 47-64, 2017.
  • [15] J. Schmidhuber, "Deep learning in neural networks: An overview," Neural networks, vol. 61, pp. 85-117, 2015.
Toplam 15 adet kaynakça vardır.

Ayrıntılar

Birincil Dil İngilizce
Konular Elektrik Mühendisliği
Bölüm Articles
Yazarlar

Zeynep Tunç Bu kişi benim 0000-0001-7956-9272

İpek Balıkçı Çiçek 0000-0002-3805-9214

Emek Güldoğan 0000-0002-5436-8164

Yayımlanma Tarihi 31 Aralık 2020
Yayımlandığı Sayı Yıl 2020 Cilt: 5 Sayı: 2

Kaynak Göster

APA Tunç, Z., Balıkçı Çiçek, İ., & Güldoğan, E. (2020). PERFORMANCE EVALUATION OF THE DEEP LEARNING MODELS IN THE CLASSIFICATION OF HEART ATTACK AND DETERMINATION OF RELATED FACTORS. The Journal of Cognitive Systems, 5(2), 99-103.
 Kapak Resmi İndir