A NOVEL APPROACH TO HEART ATTACK PREDICTION IMPROVEMENT VIA EXTREME LEARNING MACHINES CLASSIFIER INTEGRATED WITH DATA RESAMPLING STRATEGY

Kalp krizi düşük gelirli ülkelerde sık görülen ve birçok insanın ölümüne neden olan bir hastalıktır. Kardiyologlar bu durumu belirlemek için elektrokardiyografi (EKG) testlerinden yararlanırlar. Denetimli sınıflandırma algoritmaları, bilgisayar destekli tanılama sistemlerinde sıklıkla kullanılır ve çok başarılı sonuçlar verir. Bu çalışmada, kalp krizini öngörmede yeniden örnekleme stratejisiyle bütünleşmiş aşırı öğrenme makineleri (ELM) ile yapılan sınıflandırma için yeni bir yaklaşım önerilmiştir. Bu çalışmanın amacı, güncel çalışmaların başarısını artıracak yeni bir tanı sistemi ortaya koymaktır. Çalışmanın üç temel adımı vardır. İlk aşamada, ReliefF özellik seçim yöntemi veri setine uygulanır ve sistemin en iyi şekilde çalışmasını sağlayacak özellikler belirlenir. Daha sonra sistem yeniden örnekleme ile farklı sınıflandırıcılarla modellenmiştir. Ek olarak, önerilen yaklaşım meme kanseri verilerine uygulanmış ve mevcut sistemin doğruluğu test edilmiştir. Hem Statlog (kalp krizi) hem de meme kanseri verilerinin sonuçları literatürdeki çalışmalardan daha başarılı sonuçlar vermiştir. Böylece, önerilen sistem, klinik veri setlerinde uygulanabilecek başarılı ve etkili bir yaklaşım ortaya koymaktadır.