Araştırma Makalesi
BibTex RIS Kaynak Göster

Heart disease classification based on performance measures using a deep learning model

Yıl 2021, Cilt: 6 Sayı: 2, 69 - 72, 30.12.2021
https://doi.org/10.52876/jcs.1015210

Öz

Heart disease, which is one of the most common diseases in the world, is expected to remain the leading cause of mortality on a global scale. Therefore the aim of this study is to classify heart disease using a deep learning approach in an open-access dataset that includes data from patients with and without heart disease.
In this study, a deep learning model was applied to an open-access data set containing the data of patients with and without heart disease. The performance of the method used was evaluated with the performance criteria of specificity, sensitivity, accuracy, positive predictive value, and negative predictive value. Specificity, sensitivity, accuracy, positive predictive value and negative predictive value from the performance criteria obtained from the model were calculated as 0.946, 0.903, 0.9245, 0.9436 and 0.907, respectively.
As a result of the findings obtained from the study, it was seen that the data set we discussed was successfully classified with the deep learning model used. With this obtained high classification performance, the factors associated with the disease can be revealed.

Kaynakça

  • [1] Özmen, Ö., Ahmad, K. H. D. R., & Engin, A. V. C. I. (2018). Sınıflandırıcıların Kalp Hastalığı Verileri Üzerine Performans Karşılaştırması. Fırat Üniversitesi Mühendislik Bilimleri Dergisi, 30(3), 153-159.
  • [2] Felman, A. (2018). Everything you need to know about heart disease. Medical News Today.
  • [3] Yaşar, B. Kalp Hastalıkları Sindirim Sistemini Etkiler mi?.
  • [4] Zencirli, K. (2020). Bipolar parsiyel protez uygulanmış kalça kırıklı hastalarda makine öğrenme yöntemleri ile perioperatif prognoz ve maliyet analizi.
  • [5] Perçin, İ., Yağin, F. H., Arslan, A. K., & Çolak, C. (2019, October). An Interactive Web Tool for Classification Problems Based on Machine Learning Algorithms Using Java Programming Language: Data Classification Software. In 2019 3rd International Symposium on Multidisciplinary Studies and Innovative Technologies (ISMSIT) (pp. 1-7). IEEE.
  • [6] Doğan, F., & Türkoğlu, İ. (2019). Derin öğrenme modelleri ve uygulama alanlarına ilişkin bir derleme. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, 10(2), 409-445.
  • [7] Najafabadi, M. M., Villanustre, F., Khoshgoftaar, T. M., Seliya, N., Wald, R., & Muharemagic, E. (2015). Deep learning applications and challenges in big data analytics. Journal of big data, 2(1), 1-21.
  • [8] Hajkowicz, S., Karimi, S., Wark, T., Chen, C., Evans, M., Rens, N., ... & Tong, K. J. (2019). Artificial Intelligence: Solving problems, growing the economy and improving our quality of life.
  • [9] Nabiyev, V. V., & Zeka, Y. (2010). Seçkin Yayıncılık, 3. baskı.
  • [10] SAKARYA, Ş., & YILMAZ, Ü. (2019). Derin öğrenme mimarisi kullanarak bist30 indeksinin tahmini. European Journal of Educational and Social Sciences, 4(2), 106-121.
  • [11] Y. LeCun, Y. Bengio, and G. Hinton, "Deep learning," nature, vol. 521, pp. 436-444, 2015.
  • [12] M. E. TAŞÇI and R. ŞAMLI, "Veri Madenciliği İle Kalp Hastalığı Teşhisi," Avrupa Bilim ve Teknoloji Dergisi, pp. 88-95, 2020.
  • [13] Kolaç, N. K. Vardiyalı Çalışanlarda Uykusuzluk ve Kalp Hastalıkları Riskleri: Sistematik Derleme. Arşiv Kaynak Tarama Dergisi, 30(1), 13-21.
  • [14] Tüfekçi, M., & Karpat, F. Derin Öğrenme Mimarilerinden Konvolüsyonel Sinir Ağları (CNN) Üzerinde Görüntü İşleme-Sınıflandırma Kabiliyetininin Arttırılmasına Yönelik Yapılan Çalışmaların İncelenmesi.
  • [15] Bılgıç, A., Kurban, O. C., & Yildirim, T. (2017, May). Face recognition classifier based on dimension reduction in deep learning properties. In 2017 25th Signal Processing and Communications Applications Conference (SIU) (pp. 1-4). IEEE.
  • [16] Yağin, F. H., Güldoğan, E., Ucuzal, H., & Çolak, C. A Computer-Assisted Diagnosis Tool for Classifying COVID-19 based on Chest X-Ray Images. Konuralp Medical Journal, 13(S1), 438-445.
Yıl 2021, Cilt: 6 Sayı: 2, 69 - 72, 30.12.2021
https://doi.org/10.52876/jcs.1015210

Öz

Kaynakça

  • [1] Özmen, Ö., Ahmad, K. H. D. R., & Engin, A. V. C. I. (2018). Sınıflandırıcıların Kalp Hastalığı Verileri Üzerine Performans Karşılaştırması. Fırat Üniversitesi Mühendislik Bilimleri Dergisi, 30(3), 153-159.
  • [2] Felman, A. (2018). Everything you need to know about heart disease. Medical News Today.
  • [3] Yaşar, B. Kalp Hastalıkları Sindirim Sistemini Etkiler mi?.
  • [4] Zencirli, K. (2020). Bipolar parsiyel protez uygulanmış kalça kırıklı hastalarda makine öğrenme yöntemleri ile perioperatif prognoz ve maliyet analizi.
  • [5] Perçin, İ., Yağin, F. H., Arslan, A. K., & Çolak, C. (2019, October). An Interactive Web Tool for Classification Problems Based on Machine Learning Algorithms Using Java Programming Language: Data Classification Software. In 2019 3rd International Symposium on Multidisciplinary Studies and Innovative Technologies (ISMSIT) (pp. 1-7). IEEE.
  • [6] Doğan, F., & Türkoğlu, İ. (2019). Derin öğrenme modelleri ve uygulama alanlarına ilişkin bir derleme. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, 10(2), 409-445.
  • [7] Najafabadi, M. M., Villanustre, F., Khoshgoftaar, T. M., Seliya, N., Wald, R., & Muharemagic, E. (2015). Deep learning applications and challenges in big data analytics. Journal of big data, 2(1), 1-21.
  • [8] Hajkowicz, S., Karimi, S., Wark, T., Chen, C., Evans, M., Rens, N., ... & Tong, K. J. (2019). Artificial Intelligence: Solving problems, growing the economy and improving our quality of life.
  • [9] Nabiyev, V. V., & Zeka, Y. (2010). Seçkin Yayıncılık, 3. baskı.
  • [10] SAKARYA, Ş., & YILMAZ, Ü. (2019). Derin öğrenme mimarisi kullanarak bist30 indeksinin tahmini. European Journal of Educational and Social Sciences, 4(2), 106-121.
  • [11] Y. LeCun, Y. Bengio, and G. Hinton, "Deep learning," nature, vol. 521, pp. 436-444, 2015.
  • [12] M. E. TAŞÇI and R. ŞAMLI, "Veri Madenciliği İle Kalp Hastalığı Teşhisi," Avrupa Bilim ve Teknoloji Dergisi, pp. 88-95, 2020.
  • [13] Kolaç, N. K. Vardiyalı Çalışanlarda Uykusuzluk ve Kalp Hastalıkları Riskleri: Sistematik Derleme. Arşiv Kaynak Tarama Dergisi, 30(1), 13-21.
  • [14] Tüfekçi, M., & Karpat, F. Derin Öğrenme Mimarilerinden Konvolüsyonel Sinir Ağları (CNN) Üzerinde Görüntü İşleme-Sınıflandırma Kabiliyetininin Arttırılmasına Yönelik Yapılan Çalışmaların İncelenmesi.
  • [15] Bılgıç, A., Kurban, O. C., & Yildirim, T. (2017, May). Face recognition classifier based on dimension reduction in deep learning properties. In 2017 25th Signal Processing and Communications Applications Conference (SIU) (pp. 1-4). IEEE.
  • [16] Yağin, F. H., Güldoğan, E., Ucuzal, H., & Çolak, C. A Computer-Assisted Diagnosis Tool for Classifying COVID-19 based on Chest X-Ray Images. Konuralp Medical Journal, 13(S1), 438-445.
Toplam 16 adet kaynakça vardır.

Ayrıntılar

Birincil Dil İngilizce
Konular Elektrik Mühendisliği
Bölüm Articles
Yazarlar

İpek Balıkçı Çiçek 0000-0002-3805-9214

Zeynep Küçükakçalı 0000-0001-7956-9272

Yayımlanma Tarihi 30 Aralık 2021
Yayımlandığı Sayı Yıl 2021 Cilt: 6 Sayı: 2

Kaynak Göster

APA Balıkçı Çiçek, İ., & Küçükakçalı, Z. (2021). Heart disease classification based on performance measures using a deep learning model. The Journal of Cognitive Systems, 6(2), 69-72. https://doi.org/10.52876/jcs.1015210