Change search
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf
A Comparison of Different Machine Learning Models for Cardiovascular Disease Detection
KTH, School of Electrical Engineering and Computer Science (EECS).
KTH, School of Electrical Engineering and Computer Science (EECS).
2019 (English)Independent thesis Basic level (degree of Bachelor), 10 credits / 15 HE creditsStudent thesisAlternative title
En jämförelse av olika maskininlärningsmodeller för att upptäcka kardiovaskulära sjukdomar (Swedish)
Abstract [en]

Cardiovascular disease (CVD) is the leading cause of death worldwide and the majority of the deaths occur in low to middle income countries. This makes the prevention of CVDs an accute problem to study and much research has been done already. New techniques using computer aided diagnostics with the help of machine learning (ML) might have great potential in the future of diagnostics of CVDs but the area of research is relatively new. In this report we compare three distinct models of machine learning, Support Vector Machines (SVM), Artificial Neural Networks (ANN) and Decision Trees (DT). We compare their current classification accuracy and potential viability in CVD classification. Ensemble learning and other model specific optimizations were out of scope for this report and a more general and basic implementation was used. Our results does not indicate a clear winner and all models have different pros and cons. The average accuracy did not differ much between the different models. We found that the SVM gave the highest average classification accuracy while the ANN had similar peek classification accuracy however a slightly lower average classification accuracy. The DT however gave the most interpretable results since the trained model can be easily visualized which made us conclude that DTs are today perhaps the most viable option to be used, as a complement to physicians in their current methods of diagnostics. These report results are although limited by the dataset which was too small for any wide stretching and general conclusions.

Abstract [sv]

Kardiovaskulära sjukdomar (KS) är den ledande dödsorsaken i världen och majoriten av dödsfallen sker i låg- till medelinkomstländer. Det gör förebyggandet av KS ett akut problem att lösa och mycket forskning har redan skett. Nya tekniker inom maskininlärning kan ha en stor positiv effekt i diagnostiseringen av KS men området är fortfarande väldigt nytt och mer forskning krävs. I den här rapporten undersöker vi skillnaderna mellan tre distinkta modeller för maskininlärning, Support Vector Machines (SVM), Artificial Neural Networks (ANN) och Decision Trees (DT) i deras klassificerings träffsäkerhet och möjlig praktikalitet i KS klassificering. Tekniker som ensemble learning och andra modelspecifika optimeringar är inte en del av denna studie utan mer grundläggande implementationer av de olika modellerna användes.

Våra resultat visade inte att det fanns någon tydlig vinnare i jämförelsen då modeller hade olika fördelar och nackdelar. Den genomsnittliga träffsäkerheten på modellerna skiljde sig inte åt markant. SVM gav den högsta genomsnittliga träffsäkerheten medan ANN hade en liknande högsta träffsäkerheten, dock var den genomsnittliga träffsäkerheten något lägre. DT hade lägre träffsäkerhet men den färdigtränade modellen går att visualiseras lätt och kan tolkas av människor. Det ledde oss till slutsatsen att DT möjligtivis är den mest praktiska modellen att använda, men då som ett komplement till läkare i deras nuvarande metoder av diagnotisering. Resultaten i rapporten begränsas dock av datan som användes för att träna modellerna då det var för få patienter för att kunna dra generella och mer långtgående slutsatser.

Place, publisher, year, edition, pages
2019.
Series
TRITA-EECS-EX ; 2019:334
National Category
Computer and Information Sciences
Identifiers
URN: urn:nbn:se:kth:diva-255259OAI: oai:DiVA.org:kth-255259DiVA, id: diva2:1338835
Subject / course
Computer and Systems Sciences
Supervisors
Examiners
Available from: 2019-07-29 Created: 2019-07-24 Last updated: 2019-07-29Bibliographically approved

Open Access in DiVA

fulltext(697 kB)8 downloads
File information
File name FULLTEXT01.pdfFile size 697 kBChecksum SHA-512
bbaab37d53ad2829831593d23bb4bc197c6eebb906f3136d9d2a62d093d820e81d412de955db5a754e2b0cadd5b47b72e6e3739d887ce317d5c756623939d379
Type fulltextMimetype application/pdf

By organisation
School of Electrical Engineering and Computer Science (EECS)
Computer and Information Sciences

Search outside of DiVA

GoogleGoogle Scholar
Total: 8 downloads
The number of downloads is the sum of all downloads of full texts. It may include eg previous versions that are now no longer available

urn-nbn

Altmetric score

urn-nbn
Total: 40 hits
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf