Está en la página 1de 11

Un sistema experto Fuzzy para la enfermedad cardíaca

Arnold Morales Gomez*, Leandro Burgos Robles, Cezar Pareja Valerio


a
EP. Ingeniería Ambiental, Facultad de Ingeniería y Arquitectura, Universidad Peruana Unión

Resumen
El objetivo de este estudio es diseñar un sistema experto Fuzzy para el diagnóstico de la enfermedad
cardíaca. El sistema diseñado en base a la VA Medical Center, Long Beach y la base de datos de Cleveland
Clinic Foundation. El sistema tiene 11 campos de entrada y un campo de salida. Los campos de entrada son
de tipo pecho dolor, presión arterial, colesterol, azúcar en la sangre en reposo, la frecuencia cardiaca máxima,
descansando el electrocardiograma (ECG), el ejercicio, el pico de edad (depresión del segmento ST inducida
por el ejercicio en relación con descanso), talio, el sexo y la edad. El campo de salida se refiere a la presencia
de la enfermedad cardíaca en el paciente. Se valora número entero de 0 (sin presencia) a 4 (distinguir
presencia (valores 1, 2, 3, 4)). Este sistema utiliza método de inferencia Mamdani. Los resultados obtenidos
de sistema diseñado se comparan con los datos en la base de datos sobre y se observaron resultados de sistema
diseñado son correctos en el 94%. El sistema diseñado en el software Matlab. El sistema puede ser visto
como una alternativa a los métodos existentes para distinguir la presencia de enfermedades del corazón.

Palabras clave: nfermedad del corazón, sistema experto Fuzzy, Fuzzy

1. Introducción

Hoy en día el uso de la tecnología informática en los campos del diagnóstico área de la medicina, el
tratamiento de las enfermedades y paciente búsqueda altamente ha aumentado. A pesar de que estos campos,
en los que se utilizan las computadoras, tienen muy alta complejidad y la incertidumbre y el uso de sistemas
inteligentes tales como la lógica difusa, redes neuronales artificiales y algoritmos genéticos han sido
desarrollados [1].
En el dominio del riesgo de enfermedad del corazón, el humo, el colesterol, la presión arterial, la diabetes,
el sexo y la edad son factores de riesgo principales que afectan en el riesgo de enfermedades del corazón [4].
Debido a las muchas e inciertos factores de riesgo en los riesgos de enfermedades del corazón, enfermedades
del corazón a veces el diagnóstico es difícil para los expertos. En la otra palabra, no existe un límite estricto
entre lo que es saludable y lo que está enferma, por lo tanto, distinguir es incierto y vago [2]. Tener tantos
factores a analizar para el diagnóstico de la enfermedad cardíaca de un paciente hace que el trabajo del médico
Author name /EP. Ingeniería Ambiental

difícil. Por lo tanto, los expertos requieren una herramienta precisa que teniendo en cuenta estos factores de
riesgo y muestran cierto resultado en el plazo incierto.

Motivados por la necesidad de una herramienta tan importante, en este estudio, hemos diseñado un sistema
experto para el diagnóstico de la enfermedad cardíaca. El sistema experto diseñado en base a la lógica difusa.
Este sistema experto difuso que se encarga del diagnóstico ha sido implementado y los resultados
experimentales mostraron que este sistema hizo bastante mejor que el urólogo no experto y alrededor del
94%, como, así como el experto hizo.
Restante del papel organizado como sigue. Vamos a mostrar la investigación anterior en relación con el
diagnóstico de enfermedades del corazón en la siguiente sección. En la sección 3, introducimos conjunto de
datos para este sistema. En la sección, se introduce método de diseño que incluye el diseño de sistemas
expertos difusos en la sección 4.1, la base de reglas difusas en la sección 4.2 y en la sección 4.3, mostramos
fusificación y defuzzification. En la sección 5, se muestran los resultados

2. Investigación previa

En cuanto a otros problemas de diagnóstico clínico, los sistemas de clasificación han sido utilizados para el
problema del diagnóstico de las enfermedades del corazón, también. Cuando se examinan los estudios en la
literatura relacionada con esta
solicitud de clasificación, se puede observar que una gran variedad de métodos se utilizó que alcanzó
precisión de clasificación altos usando el conjunto de datos tomada de repositorio de aprendizaje de máquina
UCI. Entre estos, [4] ToolDiag, RA obtuvo 50,00% de precisión de clasificación mediante el uso de IB1- 4
algoritmo. [4] WEKA, RA obtuvo una precisión de clasificación de 58,50% usando el algoritmo InductH
mientras ToolDiag, RA alcanzó a 60,00% con el algoritmo RBF. [4] Una vez más, WEKA, RA aplica
algoritmo de papel de aluminio para el problema y obtiene una precisión de clasificación de 64,00%. [4] MLP
+ algoritmo BP que fue utilizado por ToolDiag, RA alcanzó a 65,60%. [4] Las precisiones de clasificación
obtenidos con T2, 1R, IB1c y K * que se aplicaron por WEKA, RA son 68,10%, 71,40%. 74,00% y 76,70%,
respectivamente. [4] Robert Detrano utiliza logística algoritmo de regresión y obtenido la precisión de
clasificación 77,0%. Novruz Allahverdi y Serhat Torun y Ismail Saritas propusieron un sistema experto
difuso para la determinación del riesgo de enfermedad cardiaca coronaria (CHD) de pacientes para los
próximos diez años, en 2007 [1]. El sistema diseñado da al usuario la proporción del riesgo y puede
recomendar el uso de uno de los tres resultados: (1) en vivo normal, (2) de la dieta, (3) tratamiento de drogas.
El resultado de este sistema experto difuso en 79%, como así como el did.Moreover experto, Cheung utiliza
C4.5, Naïve Bayes, BNND y BNNF algoritmos y alcanzó la clasificación Precisión de 81,11%, 81,48%,
81,11% y 80,96%, respectivamente [4].

3. CONJUNTO DE DATOS

Sistema diseñado en base a la VA Medical Center, Long Beach y conjunto de datos Cleveland Clinic
Foundation [3]. Este conjunto de datos es parte de la colección de bases de datos de la Universidad de
California, Irvine recogido por David Aha. El propósito de Un sistema experto Fuzzy para la enfermedad
cardíaca Diagnóstico Ali.Adeli, Mehdi.Neshat este conjunto de datos es para diagnosticar la presencia o
ausencia de enfermedades del corazón dados los resultados de diversos ensayos médicos realizados en un
paciente. Esta base de datos contiene 76 atributos y 303 ejemplos de paciente, pero todos los experimentos
publicados se refieren al uso de un subconjunto de 14 de ellos y acabamos usado 12 atributos. Este sistema

2
Arnold Morales Gomez , Leandro Burgos Robles, Cezar Pareja Valerio / EP. Ingeniería de Sistemas

utiliza 11 atributos para la entrada y 1 atributo para el resultado. Los campos de entrada (atributos) son pecho
tipo de dolor, presión arterial, colesterol, descansando azúcar en la sangre, descansando la frecuencia cardiaca
máxima, el sexo, el electrocardiograma (ECG), el ejercicio, el pico de edad (depresión del segmento ST
inducida por el ejercicio en relación con descanso), talio exploración y la edad . El campo de salida se refiere
a la presencia de la enfermedad cardíaca en el paciente. Es valor entero de 0 (sin presencia) a 4 (distinguir
presencia (valores 1, 2, 3 y 4)); incrementar el valor mostró un aumento en el riesgo de enfermedad cardíaca.
En este estudio, utilizamos el colesterol de lipoproteínas de baja densidad (LDL). Acerca de la sangre, se
utiliza la presión arterial sistólica. En este conjunto de datos, los campos de dividir a algunas secciones y
cada sección tiene un valor. Por ejemplo, en este conjunto de datos, el sexo tiene dos secciones (1 =
masculinos y 0 = mujer), dolor de pecho tiene 4 sección (1 = angina típica, 2 = angina atípica, 3 = dolor no
angina y 4 = asintomática), descansando azúcar en la sangre tiene 2 sección (0 = falso y 1 = true) y es cierto
cuando FBS> 120, EC0G tiene 3 sección (0 = normal, 1 = tener ST-T de onda de anormalidad
(inversiones de la onda T y / o elevación del ST depresión de> 0,05 mV) y 2 = hipertrofia (mostrando la
hipertrofia ventricular izquierda probable o definitiva por criterios Estes')), el ejercicio tiene 2 sección (0 =
falso y 1 = true), exploración de talio tiene 3 sección (3 = normal, 6 = defecto fijo y el defecto 7 = revisable).
Este Sistema utiliza estas secciones con exactitud y para la división de los otros campos que usamos la idea
del experto que será introducida en la siguiente sección.

IV. MÉTODO
En esta sección, se muestra el diseño de un sistema experto difuso, funciones de pertenencia, la base de
reglas difusas, fusificación y defuzzification.

A. DISEÑO DEL SISTEMA EXPERTO FUZZY


La aplicación más importante del sistema difuso (fuzzy logic) está en cuestiones inciertas. Cuando un
problema tiene un comportamiento dinámico, la lógica difusa es una herramienta adecuada que se ocupa de
este problema. Primer paso del difuso diseño de un sistema experto es la determinación de variables de
entrada y de salida. Hay 11 variables de entrada y 1 variable de salida. Después de eso, debemos diseñar
funciones de pertenencia (MF) de todas las variables. Estas funciones de pertenencia determinan la
pertenencia de los objetos a los conjuntos borrosos. En primer lugar, vamos a describir las variables de entrada
con sus funciones de pertenencia. En el segundo paso, se introduce la variable de salida con sus funciones de
pertenencia. En la siguiente sección, vamos a mostrar las reglas del sistema. Magnitud de entrada son:

1. Dolor en el pecho: Esta variable de entrada es compatible con 4 tipos de dolor en el pecho. Hemos
definido un valor en este sistema para cada tipo de dolor en el pecho que usamos estos valores para las
pruebas del sistema. En este campo, los conjuntos difusos no tienen superposición y conjuntos de
definir en forma de quebradizo debido a que el paciente tiene un solo pecho tipo de dolor a la vez.

3
Author name /EP. Ingeniería Ambiental

Tipos de dolor en el pecho con sus valores han mostrado como sigue:
1 = típica angina
2 =angina atípica
3 = dolor no anginoso
4 = asintomático

Fig.1 Tipos de dolor de pecho en Xfuzzy

2. Presión 2. Sangre: Diferentes valores de la presión arterial cambian el resultado fácilmente. En este
campo, se utiliza la presión arterial sistólica. Esta variable de entrada ha dividido a 4 conjuntos Difusos.
conjuntos difusos son “Bajo”, “Medio”, “Alto” y “muy alto”. funciones de pertenencia de los conjuntos
“bajo” y “muy alto” son trapezoidales y de miembros de funciones “medio” y “alto” conjuntos son
triangulares. Hemos definido expresiones de pertenencia difusa de campo de entrada de la presión
arterial (Eq. (1)). Estos conjuntos difusos se muestran en la Fig 1. La expresión de medida corresponde
mm Hg (Milímetros de mercurio) que hay sobre la sangre.

Fig2. Presión en la sangre

4
Arnold Morales Gomez , Leandro Burgos Robles, Cezar Pareja Valerio / EP. Ingeniería de Sistemas

Campo de entrada Distancia Fuzzy sets


<134 Bajo
Presión sanguínea 127-153 Medio
sistólica 142-172 Alto
154>
Muy alto

FIG1. Funciones de pertenencia de la presión arterial sistólica

3. El colesterol
El colesterol tiene sobresaliente efecto en el resultado y se puede cambiar fácilmente. Para este campo de
entrada, se utiliza el valor de colesterol de lipoproteínas de baja densidad (LDL). campo de colesterol tiene
4 conjuntos difusos (bajo, medio, alto y muy alto). Estos conjuntos difusos se han mostrado en la Tabla 2.
Las funciones de pertenencia de los conjuntos de “baja” y
“muy alto” son trapezoidales y de miembros funciones de “Medium” y conjuntos de “alta” son triangulares.
funciones de pertenencia de campo de colesterol se muestran en la figura 2. Eq. (2) muestra estas expresiones
función de pertenencia de colesterol.
Campo de entrada Distancia Fuzzy sets
Colesterol <197 Bajo
188-250 Medio
217-307 Alto
281> Muy alto

5
Author name /EP. Ingeniería Ambiental

Tabla 2. c clasificación del hdl colesterol

Fig.3 Valores de entrada “Colesterol”

Fig4. Las funciones de pertenencia de colesterol

4. Azúcar en la sangre (Diabetes): campo de azúcar en la sangre es uno de los factores más importantes
en este sistema que cambia el resultado. Este campo de entrada sólo tiene un conjunto difuso. En este

6
Arnold Morales Gomez , Leandro Burgos Robles, Cezar Pareja Valerio / EP. Ingeniería de Sistemas

sistema, hemos definido que si el valor de la cantidad de azúcar en sangre es superior a 120 (> 120),
entonces el hombre tiene azúcar en la sangre. La figura 3 muestra la función de pertenencia de azúcar
en la sangre. función de pertenencia de este conjunto difuso es trapezoidal. Vamos a ver las expresiones
de Pertenencia difusa de campo de azúcar en la sangre en la ecuación. (3).

3. Función de pertenencia de azúcar en la sangre

5. Resting electrocardiografía (ECG): En este campo, tenemos 3 conjuntos difusos (normal, anormal y
ST_T hipertrofia). funciones de pertenencia de “Normal” y “Hipertrofia” conjuntos difusos son
trapezoidales y la función de miembro de “ST_T anormal” conjunto difuso es triangular. Vemos estas
funciones de pertenencia en la figura. 4. En la Tabla 3, se muestran los conjuntos borrosos con sus
valores. En esta tabla, en la columna de “RANGE”, hemos definido un valor para cada conjunto difuso
en lado izquierdo de cada intervalo y que usar sólo estos valores para las pruebas del sistema.

tabla 3 . Clasificación del ECG

Campo de entrada Distancia Fuzzy sets


(0) [-0,5, 0,4] normales
La electrocardiografía en reposo (ECG) (1) [2.45, 1.8] hipertrofia
(2) [1,4,2,5] anormal

Función de pertenencia de ECG


ST_T onda anormalidad = inversiones de la onda
T y / o elevación del ST o depresión de> 0,05 m
V. Hipertrofia = mostrando la hipertrofia ventricular izquierda probable o definitiva por criterios.

6. frecuencia cardiaca máxima: El valor de este campo de entrada es la tasa máxima corazón del hombre
en 24 horas. Al aumentar la edad en el hombre, el máximo de la frecuencia cardíaca en 24 horas
disminuye. En este campo, tenemos 3 variables lingüista (conjuntos difusos) (bajo, medio y alto). En
la Tabla 4, se han definido estos conjuntos difusos. funciones de pertenencia de los conjuntos difusos
“baja” y “alta” son trapezoidales y la función de miembro de “Medium” conjunto difuso es triangular
que se muestra en la figura. 5. Ec. (4) muestra las expresiones de función de pertenencia borrosa.
7
Author name /EP. Ingeniería Ambiental

Campo de entrada Distancia Fuzzy sets


<141 Bajo
La frecuencia cardiaca máxima 111-194 medio
152> alto
Tabla 4 .Clasificación del maximo frecuencia cardiaca

Fig.6.- Función de pertenencia de la frecuencia cardiaca máxima

7. Ejercicio: Este campo de entrada tiene sólo 2 valores (0, 1) y un conjunto difuso (verdadero). Si el
médico determina la prueba de esfuerzo para el paciente, el valor 1 entrará en el sistema, de lo contrario,
el valor 0 entrará en él.

8. Pico Viejo: Este campo de entrada significa la depresión ST inducida por el ejercicio en relación con
resto. campo de pico de edad tiene 3 conjuntos difusos (Bajo, Riesgo y terrible). Estos conjuntos
difusos se han mostrado en la Tabla 5 con sus rangos. funciones de pertenencia de los conjuntos difusos
“bajo” y “terrible” son trapezoidales y la función de miembro de “riesgo” conjunto difuso es triangular
que se han mostrado en la figura. 6. Hemos definido las expresiones de función de pertenencia borrosa
en la ecuación. (5).
Campo de entrada Distancia Fuzzy sets
<2 Bajo
pico viejo 1.5 a 4.2 Riesgo
2.55> Terrible
Tabla 5. Clasificación del Pico Viejo

8
Arnold Morales Gomez , Leandro Burgos Robles, Cezar Pareja Valerio / EP. Ingeniería de Sistemas

Fig.6 Función de pertenencia de Pico Viejo

9. El talio Scan: Este campo de entrada consta de 3 conjuntos difusos: Normal, reversible del defecto ya
la fija. Para cada conjunto difuso se ha definido un valor que los usamos para las pruebas del sistema.
Estos conjuntos difusos con sus valores se muestran en la Tabla 6.

Campo de entrada Distancia Fuzzy sets


3 Fijo normal
Talio 6 Defecto
7 Defecto reversible
Tabla 6. C clasificación del El talio Scan

10. Sexo: Este campo de entrada simplemente tiene 2 valores (0, 1) y conjuntos (mujer,hombre). El valor
0 significa que el paciente es de sexo masculino y el valor de 1 significa que el paciente es una mujer.
11. Edad: Este campo de entrada se divide para 4 conjuntos difusos (Joven,Suave, viejo, muy viejo). Estos
conjuntos difusos con sus rangos se muestran en la Tabla 7. Las funciones de pertenencia de “joven”
y “muy viejo” son trapezoidales y de miembros de funciones “leve” y “viejo” son triangulares. Las
expresiones de funciones de pertenencia se han mostrado en la Ec. (6).

Campo de entrada Distancia Fuzzy sets


<38 Joven
Años 33-45 leve
40-58 viejo
52> muy viejo
Tabla 7. Clasificación de la Edad

9
Author name /EP. Ingeniería Ambiental

Fig 7. Las funciones de pertenencia de Edad.

Variable de salida: El campo "objetivo" se refiere a la presencia de la enfermedad cardíaca en el paciente. Es valor
entero de 0 (sin presencia) a 4. Al aumentar de valor entero, corazón de riesgo de enfermedad aumenta en los
pacientes. En este sistema, se ha considerado una variable de salida diferente, que divide a 5 conjuntos difusos
(sana, Sick (s1), Sick (s2), Sick (s3), enfermo (S4)). La Tabla 8 muestra estos conjuntos difusos con sus rangos.
funciones de pertenencia de “sano” y “Sick (S4)” conjuntos difusos son trapezoidales y de miembros de funciones
“Sick (S1)”, “Sick (s2)” y “Sick (S3)” son triangulares. Estas funciones de pertenencia se muestran en la Fig.8.
Campo de entrada Distancia Fuzzy sets
<1,78 sanos
1-2,51 Enfermos (S1)
Resultado 1,78-3,25 Enfermos (s2)
1,5-4,5 Enfermos (S3)
3.25> Enfermos (S4)

CONCLUSIÓN:
Sistema experto difuso para el diagnóstico de enfermedades del corazón diseñado con funciones de pertenencia
seguimiento, variables de entrada, variables de salida y base de reglas. sistema diseñado se ha probado con experto
médico. El diseño de este sistema con la base difusa en comparación con el clásico diseñado mejora los resultados.
Los resultados se han mostrado de este sistema de compresión con sistema de tiempo pasado están lógico y más
eficiente. Este sistema simula la forma del experto médico. Este sistema está diseñado de manera que el paciente
puede utilizar por sí mismo. Este sistema experto difuso que se ocupa de diagnóstico se ha implementado. Los
resultados experimentales mostraron que este sistema hizo bastante mejor que el urólogo no experto y alrededor
del 94%, como así como el experto hizo.

10
Arnold Morales Gomez , Leandro Burgos Robles, Cezar Pareja Valerio / EP. Ingeniería de Sistemas

REFERENCIAS
[1] Novruz Allahverdi y Serhat TORUN y Ismail saritas, DISEÑO DE UN SISTEMA EXPERTO PARA LA
DETERMINACIÓN DE FUZZY riesgo de enfermedad coronaria, Conferencia Internacional sobre Sistemas de
Computación y tecnologías - CompSysTech'07
[2] M.Nikravesh y Janusz y Lotfi A.Zadeh, foring nueva frontera: Fuzzy Pioneer I, Springer 2007
[3] Robert Detrano y MD y PhD, VA Medical Center, de largo cada uno y Cleveland Clinic Foundation. Disponible:
www.archive.ics.uci.edu/ml/datasets/Heart+Disease
[4] Kemal Polata,∗ & Salih Güne¸sa & Sülayman Tosunb, Diagnosis of heart disease using artificial immune
recognition system and fuzzy weighted pre-processing, ELSEVIER , PATTERN RECOGNATION, 2007.
[5] K. Polat & S.Sahan, H. Kodaz & S. Güne¸s, A new classification method to diagnosis heart disease: supervised
artificial immune system (AIRS), in: Proceedings of the Turkish Symposium on Artificial Intelligence and Neural
Networks (TAINN), 2005.
[6] S. ¸Sahan & H. Kodaz & S. Güne¸s & K. Polat, A new classifier based on attribute weighted artificial immune
system, Lecture Notes in Computer Science, vol. 3280, ISSN 0302-9743, 2004, pp. 11–20.
[7] K. Polat & S. Sahan & S. Güne¸s, A new method to medical diagnosis: artificial immune recognition system (AIRS)
with fuzzy weighted pre-processing and application to ECG arrhythmia, Expert Systems with Applications 31 (2)
(2006) 264–269.) (2006) 264-269.

11