Abstract
The complexity of biological objects makes the development of computerized medical systems a difficult algorithmic decision due to the natural uncertainty inherent in these objects. Human thinking is based on vague and approximate data that can be analyzed to form clear decisions. An exact mathematical model of biological objects may not exist in practice, or such a model may be too complex to implement. In this case, fuzzy logic is a suitable tool for solving the specified problem. The problem of medical diagnosis can be viewed as a classification problem. The article presents a literature review of the use of fuzzy classifiers in diagnostics of cardiovascular diseases. The main advantage of fuzzy classifiers in comparison with other artificial intelligence methods is the ability to interpret the resulting classification result. The review aims to expand the knowledge of various researchers working in the field of medical diagnostics.
Highlights
The complexity of biological objects makes the development of computerized medical systems a difficult algorithmic decision due to the natural uncertainty inherent in these objects
A methodology for the automated creation of fuzzy expert systems for ischaemic and arrhythmic beat classification based on a set of rules obtained by a decision tree
A hybrid model based on modular neural networks and fuzzy systems for classification of blood pressure and hypertension risk diagnosis
Summary
Современная медицинская диагностика – это сложный процесс, требующий точных данных о пациенте, накопленных знаний и многолетнего клинического опыта. Другим подходом к построению систем медицинской диагностики является применение методов машинного обучения для автоматического приобретения знаний из примеров или ретроспективных данных. Проблема медицинской диагностики формулируется как задача классификации и может быть решена путем нахождения подходящего классификатора или математической функции f, которая сопоставляет множество симптомов X с меткой класса cj:. Традиционный классификатор может быть определен как функция f : Rn → {0,1}m , где f(x; θ)=(c1, c2, ..., cm), причем ci = 1, а cj = 0, j = 1, m , i ≠ j, когда объект, заданный вектором x, принадлежит к классу ci; θ – вектор параметров классификатора. Нечеткий классификатор может быть представлен в виде функции, которая присваивает точке в пространстве входных признаков метку класса с вычисляемой степенью уверенности:. Отбор информативных признаков относится к проблеме поиска таких входных атрибутов (симптомов, факторов риска) в наборе данных, которые обладают наибольшей обобщающей или прогностической способностью при решении задачи классификации. Для оптимизации параметров функций принадлежности используются различные методы [42]
Sign-in/Register to view highlights & summary Sign-in/Register to access full text options 
Talk to us
Join us for a 30 min session where you can share your feedback and ask us any queries you have
Schedule a callMore From: The Siberian Journal of Clinical and Experimental Medicine
Disclaimer: All third-party content on this website/platform is and will remain the property of their respective owners and is provided on "as is" basis without any warranties, express or implied. Use of third-party content does not indicate any affiliation, sponsorship with or endorsement by them. Any references to third-party content is to identify the corresponding services and shall be considered fair use under The CopyrightLaw.
