III. LITERATURE SURVEYNumerous stud

III. LITERATURE SURVEY
Numerous studies have been done that have focus on diagnosis of heart disease. They have applied different
data mining techniques for diagnosis & achieved different probabilities for different methods.
 An Intelligent Heart Disease Prediction System (IHDPS) is developed by using data mining techniques
Naive Bayes, Neural Network, and Decision Trees was proposed by SellappanPalaniappan et al .[3].
Each method has its own strength to get appropriate results. To build this system hidden patterns and
relationship between them is used. It is web-based, user friendly & expandable.
 To develop the multi-parametric feature with linear and nonlinear characteristics of HRV (Heart Rate
Variability) a novel technique was proposed by HeonGyu Lee et al. [5]. To achieve this, they have used
several classifiers e.g. Bayesian Classifiers, CMAR (Classification based on Multiple Association
Rules), C4.5 (Decision Tree) and SVM (Support Vector Machine).
 The prediction of Heart disease, Blood Pressure and Sugar with the aid of neural networks was
proposed by Niti Guru et al. [4]. The dataset contains records with 13 attributes in each record. The
supervised networks i.e. Neural Network with back propagation algorithm is used for training and
testing of data.
 The problem of identifying constrained association rules for heart disease prediction was studied by
Carlos Ordonez [7]. The resultant dataset contains records of patients having heart disease. Three
constraints were introduced to decrease the number of patterns [6]. They are as follows:
1. The attributes have to appear on only one side of the rule.
2. Separate the attributes into groups. i.e. uninteresting groups.
3. In a rule, there should be limited number of attributes.
The result of this is two groups of rules, the presence or absence of heart disease.
 Franck Le Duff et al. [9] builds a decision tree with database of patient for a medical problem.

ผลลัพธ์ (ไทย) 1:

III. เอกสารประกอบการสำรวจการศึกษามากมายได้ที่มีความสำคัญในการวินิจฉัยโรค ใช้แตกต่างกันข้อมูลเทคนิคสำหรับการวินิจฉัยและกิจกรรมต่าง ๆ ที่ทำได้สำหรับวิธีการทำเหมืองแร่คล้ายการอัจฉริยะโรคหัวใจระบบพยากรณ์ (IHDPS) คือพัฒนา โดยใช้เทคนิคการทำเหมืองข้อมูลBayes naive โครง ข่ายประสาท และ ต้นไม้ตัดสินใจถูกนำเสนอโดย SellappanPalaniappan et al [3]แต่ละวิธีมีความแข็งแรงของตัวเองเพื่อให้ได้ผลลัพธ์ที่เหมาะสม การสร้างรูปแบบระบบที่ซ่อนไว้นี้ และความสัมพันธ์ระหว่างกัน เป็นเว็บ ผู้ใช้ และขยายคล้ายจะพัฒนาคุณลักษณะหลายพาราเมตริก มีลักษณะเชิงเส้น และไม่เชิงเส้นของ HRV (อัตราการเต้นหัวใจสำหรับความผันผวน) เทคนิคนวนิยายถูกนำเสนอโดย HeonGyu Lee et al. [5] เพื่อให้บรรลุนี้ พวกเขาได้ใช้หลายคำนามภาษาเช่นทฤษฎีคำนามภาษา CMAR (ขึ้นอยู่กับความสัมพันธ์หลายประเภทกฎ), C4.5 (ต้นไม้การตัดสินใจ) และ SVM (สนับสนุนเวกเตอร์เครื่อง)พยากรณ์ของโรคหัวใจ ความดันโลหิต และน้ำตาล ด้วยความช่วยเหลือของเครือข่ายประสาทคล้ายถูกนำเสนอโดยคุรุนิติชู et al. [4] ชุดข้อมูลประกอบด้วยระเบียนที่ มีแอตทริบิวต์ 13 ในแต่ละระเบียน ที่แบบมีผู้สอนเครือข่ายเช่นใช้เครือข่ายประสาทกับอัลกอริทึมการเผยแพร่หลังการฝึกอบรม และการทดสอบข้อมูลคล้ายถูกศึกษาโดยปัญหาการระบุข้อบังคับสมาคมมีข้อจำกัดสำหรับการพยากรณ์โรคCarlos Ordonez [7] ชุดข้อมูลผลแก่ประกอบด้วยระเบียนของผู้ป่วยที่มีโรคหัวใจ สามข้อจำกัดได้แนะนำให้ลดจำนวนรูปแบบ [6] พวกเขาจะเป็นดังนี้:1. แอตทริบิวต์ต้องปรากฏบนด้านเดียวของกฎ2. แยกแอททริบิวต์ที่เป็นกลุ่ม เช่นน้อย ๆ กลุ่ม3. ในกฎ มีจำนวนจำกัดของแอตทริบิวต์ผลของ 2 กลุ่มของกฎ การ หรือโรคหัวใจได้คล้าย Franck เลอดัฟฟ์ et al. [9] สร้างต้นไม้ตัดสินใจกับฐานข้อมูลของผู้ป่วยมีปัญหาทางการแพทย์

ผลลัพธ์ (ไทย) 2:

III
วรรณกรรมสำรวจศึกษาจำนวนมากได้รับการดำเนินการที่มีความสำคัญกับการวินิจฉัยของโรคหัวใจ
พวกเขาได้นำไปใช้ที่แตกต่างกันเทคนิคการทำเหมืองข้อมูลสำหรับการวินิจฉัยและประสบความสำเร็จน่าจะแตกต่างกันสำหรับวิธีการที่แตกต่างกัน.
อัจฉริยะโรคหัวใจระบบการทำนาย (IHDPS)
ได้รับการพัฒนาโดยใช้เทคนิคการทำเหมืองข้อมูลหน่อมแน้มเบส์, เครือข่ายประสาทเทียมและต้นไม้ตัดสินใจถูกเสนอโดย SellappanPalaniappan et al, [3].
แต่ละวิธีมีความแข็งแรงของตัวเองเพื่อให้ได้ผลลัพธ์ที่เหมาะสม
เพื่อสร้างระบบนี้รูปแบบที่ซ่อนอยู่และความสัมพันธ์ระหว่างพวกเขาถูกนำมาใช้ มันเป็นเว็บที่ใช้งานง่ายและสามารถขยายได้.
เพื่อพัฒนาคุณลักษณะหลายตัวแปรที่มีลักษณะเชิงเส้นและไม่เชิงเส้นของ HRV
(อัตราการเต้นหัวใจแปรปรวน) เทคนิคใหม่ที่เสนอโดย HeonGyu ลี et al, [5] เพื่อให้บรรลุนี้พวกเขาได้ใช้ลักษณนามหลายเช่นลักษณนามคชกรรม CMAR
(การจำแนกประเภทขึ้นอยู่กับหลายสมาคมกฎ) C4.5 (การตัดสินใจต้นไม้) และ SVM (สนับสนุนเครื่องเวกเตอร์). การคาดคะเนของการเกิดโรคหัวใจความดันโลหิตและน้ำตาลด้วย ความช่วยเหลือของเครือข่ายประสาทที่ถูกเสนอโดยนิติคุรุet al, [4] ชุดที่มีระเบียนที่มี 13 คุณลักษณะในแต่ละระเบียน เครือข่ายภายใต้การดูแลเช่นโครงข่ายประสาทเทียมด้วยวิธีการขยายพันธุ์กลับมาใช้สำหรับการฝึกอบรมและการทดสอบของข้อมูล. ปัญหาในการระบุข้อ จำกัด กฎสมาคมเพื่อการคาดการณ์การเกิดโรคหัวใจได้รับการศึกษาโดยคาร์ลอOrdonez [7] ชุดข้อมูลผลมีระเบียนของผู้ป่วยที่มีโรคหัวใจ สามข้อ จำกัด ถูกนำไปลดจำนวนของรูปแบบ [6] พวกเขามีดังนี้: 1 มีคุณลักษณะที่จะปรากฏบนเพียงด้านใดด้านหนึ่งของกฎ. 2 คุณลักษณะเฉพาะกิจการเข้ากลุ่ม คือกลุ่มจืด. 3 ในกฎควรจะมีการ จำกัด จำนวนของคุณลักษณะ. ผลที่ได้นี้เป็นสองกลุ่มของกฎการมีหรือไม่มีการเกิดโรคหัวใจ. ฟเลอดัฟฟ์, et al [9] สร้างต้นไม้ตัดสินใจกับฐานข้อมูลของผู้ป่วยสำหรับปัญหาทางการแพทย์

ผลลัพธ์ (ไทย) 3:

III . การค้นคว้า
มากมายได้ทําการศึกษาที่มุ่งเน้นการวินิจฉัยของโรคหัวใจ พวกเขาได้ใช้เทคนิคการทำเหมืองข้อมูลต่าง ๆ เพื่อการวินิจฉัยโรคได้
&ความน่าจะเป็นที่แตกต่างกันสำหรับวิธีการที่แตกต่างกัน เป็น โรค หัวใจ ฉลาดทำนาย
ระบบ ( ihdps ) พัฒนาขึ้นโดยใช้เทคนิคการทำเหมืองข้อมูล
Naive Bayes , โครงข่ายประสาทเทียม ,และต้นไม้การตัดสินใจเสนอโดย sellappanpalaniappan et al . [ 3 ] .
แต่ละวิธีมีความแข็งแกร่งของตัวเองเพื่อให้ได้ผลลัพธ์ที่เหมาะสม การสร้างลวดลายที่ซ่อนอยู่ และระบบนี้
ความสัมพันธ์ระหว่างพวกเขาจะใช้ มันเป็นเว็บของผู้ใช้เป็นมิตร&ขยาย .
พัฒนาหลายตัวแปรคุณลักษณะกับระบบสมการเชิงเส้นและไม่เชิงเส้นคุณลักษณะของ HRP-4C ( อัตราการเต้นของหัวใจ
ความแปรปรวน ) เป็นเทคนิคใหม่ที่เสนอโดย heongyu ลี et al . [ 5 ] เพื่อให้บรรลุนี้ พวกเขาได้ใช้หลายคำ เช่น เบ
คำ cmar ( การจำแนกตามกฎของสมาคม
หลาย ) , โปรแกรม C4.5 ( แผนภาพการตัดสินใจแบบต้นไม้ ) และ SVM ( เครื่องเวกเตอร์สนับสนุน )
พยากรณ์ของโรคหัวใจ ความดันโลหิตและน้ำตาลด้วยความช่วยเหลือของโครงข่ายประสาทเทียมถูก
เสนอโดยกูรู et al , นิธิ . [ 4 ]ข้อมูลนี้มีข้อมูลที่มี 13 แอตทริบิวต์ในแต่ละบันทึก
ดูแลเครือข่ายเช่นเครือข่ายประสาทกับขั้นตอนวิธีที่ใช้สำหรับการฝึกอบรมหลังการตรวจสอบข้อมูลและ
.
ปัญหาของการระบุกฎบังคับสมาคมโรคหัวใจการทำนายศึกษาโดย
คาร์ลอส ordonez [ 7 ] ข้อมูลดังกล่าวประกอบด้วยระเบียนของผู้ป่วยที่มีโรคหัวใจ 3
ข้อจำกัดมีการแนะนำเพื่อลดจำนวนของรูปแบบ [ 6 ] พวกเขาจะเป็นดังนี้ :
1 คุณลักษณะที่ต้องปรากฏในกฎเพียงด้านเดียว .
2 แยกคุณลักษณะออกเป็นกลุ่ม เช่น จืดกลุ่ม .
3 ในกฎ ควรมีจำนวน จำกัด ของแอตทริบิวต์
ผลนี้เป็นสองกลุ่มของกฎ , การแสดงหรือการขาดของโรคหัวใจ .
แฟรงค์เลอดัฟฟ์ et al .[ 9 ] สร้างต้นไม้ตัดสินใจร่วมกับฐานข้อมูลของผู้ป่วยสำหรับปัญหาทางการแพทย์